Aula Sim VA PDF

Motivação M. da Transformada Inversa Exemplos do MTI M. da Rejeição R.
Estocástica
Simulação de variáveis aleatórias: Parte 1
Prof. Caio Azevedo
Prof. Caio Azevedo

Motivação M. da Transformada Inversa Exemplos do MTI M. da Rejeição R. Estocástica
Simular: reproduzir, controlando caracterı́sticas de interesse,

fenômenos reais. Exemplo: avaliar o efeito de um Tsunami numa
parede de concreto.
Simulação variáveis aleatórias: gerar valores para representar o

comportamento de fenômenos aleatórios.
Aplicações: comparar estimadores, comparar modelos, estimar a

distribuição de uma variável aleatória.
Prof. Caio Azevedo

Lembrete
Sempre conferir a “qualidade” dos valore simulados.
Formas simples:
Calcular momentos amostrais.

Comparar histogramas (curvas de nı́vel) observados com os teóricos.
Prof. Caio Azevedo

Método da transformada inversa (v.a. contı́nua)
Seja X ∼ FX (.; θ), FX (.; θ) é uma função de distribuição acumulada

(fda) contı́nua.
Então Y = FX (X ; θ) ∼ U(0, 1) (exercı́cio). OBS: resultado também

vale se usar SX (x; θ) = 1 − FX (x; θ) (função de sobrevivência).
Algoritmo para simular uma amostra aleatória (aa, conjunto de

variáveis independentes e identicamente distribuı́das) de
X ∼ FX (.; θ), faça (também pode ser usada a SX ( θ)):
1 Simule ui ∼ U(0, 1), i = 1, ..., n.

2 Calcule xi = FX−1 (ui ), i = 1, ..., n.
Prof. Caio Azevedo

Exponencial
Seja X ∼ exp(θ), θ > 0, E(X ) = θ.
Temos que FX (x) = (1 − e −x/θ )11(0,∞) (x). Portanto,

x = −θ ln(1 − u).
Programa no R:
n<-50
theta <-2
u <- runif(n)
x <- -theta*log(1-u)
Prof. Caio Azevedo

Valores simulados
media = 15.8 , var= 362.77 , n= 40 media = 12.18 , var= 213.81 , n= 50
0.06
0.04
0.04
densidade
densidade
0.02
0.02
0.00
0.00
0 20 40 60 80 100 0 10 20 30 40 50 60
valores valores
0.04
0.03
densidade
densidade
0.02
0.02
0.01
0.00
0.00
0 10 20 30 40 50 60 70 0 50 100 150
valores valores
Prof. Caio Azevedo

Normal truncada
Seja X ∼ N[a,b] (µ, σ 2 ), µ ∈ R, σ 2 > 0, a < b.

FY (x)−FY (a)
Temos que FX (X ) = FY (b)−FY (a) , Y ∼ N(µ, σ 2 ) (exercı́cio).
Assim x = FY−1 [u (FY (b) − FY (a)) + FY (a)].
Temos que

a−µ
− φ b−µ

φ σσ
E(X ) = µ + σ
b−µ a−µ

Φ σ −φ σ
  2 
a−µ a−µ
− b−µ b−µ a−µ b−µ

σ φ σ σ φ σ φ σ − φ σ
V(X )=σ 2 1 + −
 

b−µ

a−µ
b−µ

a−µ
 
Φ σ +φ σ Φ σ +φ σ
Prof. Caio Azevedo

Cont.
Programa no R:
v.u <- (runif(n))

aux <- cbind(u*(pnorm(b,mu,sqrt(sigma2))
-pnorm(a,mu,sqrt(sigma2))) + pnorm(a,mu,sqrt(sigma2)))
v.x <- qnorm(aux,mu,sqrt(sigma2))
Prof. Caio Azevedo

Valores simulados

0.8
0.6
0.6
densidade
densidade
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.5 1.0 1.5 2.0 2.5 0.0 0.5 1.0 1.5 2.0 2.5
valores valores
0.8
0.6
0.6
densidade
densidade
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 0 1 2 3 4
valores valores
Prof. Caio Azevedo

Normal multivariada
X ∼ Np (µ, Σ), µ ∈ Rp , Σ > 0.
Sabemos que X = ΨZ + µ, Ψ = Cholesky(Σ),

i.i.d.
Z = (Z1 , ..., Zn ), Zi ∼ N(0, 1), i = 1, ..., p.
x = ΨFZ−1 (u) + µ, u = (u1 , ..., up ).
m.u <- cbind(runif(n))

m.z <- qnorm(m.u)
for (i in 2:p)
{m.u <- cbind(runif(n)) m.z <- cbind(m.z,qnorm(m.u)) }
m.x <- t(chol(m.sigma)%*%t(m.z) + matrix(v.mu,p,n))
Prof. Caio Azevedo

Comentários
Neste caso, tem-se que Xi ∼ N1 (µi , σi2 ), em que E(Xi ) = µi e

V(Xi ) = σi2 .
Além disso, a distância de Mahalanobis tem distribuição

qui-quadrado com p graus de liberdade, ou seja:
(X − µ)0 Σ−1 (X − µ) ∼ χ2p
Prof. Caio Azevedo

Valores simulados
media = −1.19 , var= 3 , n= 100 , p = 3 media = −0.03 , var= 1.41 , n= 100 , p = 3
0.30
0.20
0.20
densidade
densidade
0.10
0.10
0.00
0.00
−6 −4 −2 0 2 4 −4 −2 0 2 4
valores valores
media = 1.92 , var= 3.76 , n= 100 , p = 3 media = 2.97 , var= 5.16 , n= 100
0.20
0.20
0.15
densidade
densidade
0.10
0.10
0.05
0.00
0.00
−2 0 2 4 6 0 2 4 6 8 10 12 14
valores valores
Prof. Caio Azevedo

Método da transformada inversa (v.a. discreta)
P
Seja X uma v.a discreta, PX (X = xi ) = pi 11{0,1,2,...} (i), i pi = 1.
Algoritmo para simular uma amostra aleatória (aa, conjunto de

variáveis independentes e identicamente distribuı́das) de
X ∼ PX (X = i), faça:
Prof. Caio Azevedo

Cont.
1 Simule ui ∼ U(0, 1), i = 1, ..., n.

2 Faça



 x0 , se u < p0





 x1 , se p1 ≤ u < p0 + p1
 .
xi = ..

 Pj−1 Pj
i=0 pi ≤ u <

 xj , se

 i=0 pi

 ..

.

Dado que 0 < a < b < 1, P(a ≤ U < b) = b − a, temos que

j−1
X j
X
P(X = xj ) = P( pi ≤ U < pi ) = pj
i=0 i=0
Prof. Caio Azevedo
Bernoulli
Seja X ∼ Bernoulli(θ), θ ∈ (0, 1).
Algoritmo: gere ui , U ∼ U(0, 1), i = 1, 2..., n e faça

 0, se u > θ
xi =
 1, se u ≤ θ
Prof. Caio Azevedo

Valores simulados
mean = 0.75 var= 0.2 n = 20 mean = 0.72 var= 0.21 n = 50

1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0 1 0 1
mean = 0.78 var= 0.17 n = 100 mean = 0.764 var= 0.18 n = 500
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0 1 0 1
Prof. Caio Azevedo

Binomial
Seja X ∼ Binomial(m, θ), θ ∈ (0, 1), m conhecido.
Duas formas:
Método da transformada inversa. Repetir n vezes: Gerar u, de

U(0, 1), i = 1, .., n e atribuir x = xj se j−1
P Pj
i=1 pj ≤ u < i=1 pj .
Pm i.i.d.
Representação estocástica : X = i=1 Yi , Yi ∼ Bernoulli(θ).
Repetir n vezes: gerar y1 , ..., ym (usando o método da transformada
inversa e fazer x = m
P
i=1 yi .
Prof. Caio Azevedo

Valores simulados
media = 7.1 , var= 1.25 , n= 20 , p = 3 media = 7.26 , var= 1.58 , n= 50 , p = 3

0.5
0.5
0.4
0.4
densidade
densidade
0.3
0.3
● ●
● ●
0.2
0.2
● ●
● ●
0.1
0.1
● ●
● ● ● ●
0.0
0.0
● ● ● ● ● ● ● ●
5 6 7 8 9 5 6 7 8 9 10
valores valores
0.5
0.5
0.4
0.4
densidade
densidade
0.3
0.3
● ●
● ●
0.2
0.2
● ●
● ●
0.1
0.1
● ●
● ● ● ●
0.0
0.0
● ● ● ● ● ● ● ●
4 5 6 7 8 9 10 3 4 5 6 7 8 9 10
valores valores
Prof. Caio Azevedo

Poisson
e −λ λi
Seja X ∼ Poisson(λ), λ > 0. pi = P(X = i) = i! 11{0,1,2,...} (i)
λ
Pode-se provar que pi+1 = i+1 pi
Algoritmo:
1 Simule u de U(0, 1).

2 Faça i = 0, p = e −λ , F = p.
3 Se u ¡ F, atribua X = i e pare.
λp
4 p= i+1
,F = F + p.i = i + 1
5 Vá para o passo 3.
Prof. Caio Azevedo

Valores simulados
media = 3.58 , var= 4.13 , n= 30 , lambda = 3 media = 3.08 , var= 3.18 , n= 50 , p = 3

0.5
0.5
0.4
0.4
densidade
densidade
0.3
0.3
● ● ● ●
0.2
0.2
● ●
● ●
0.1
0.1
● ●
● ● ● ●
● ●
0.0
0.0
● ●
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
valores valores
0.5
0.5
0.4
0.4
densidade
densidade
0.3
0.3
● ● ● ●
0.2
0.2
● ●
● ●
0.1
0.1
● ●
● ● ●
● ●
0.0
0.0
1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
valores valores
Prof. Caio Azevedo

Método da rejeição (v.a. contı́nua)
Seja X ∼ fX (.; θ), fX (.; θ) é uma função densidade de probabilidade

com suporte X (Ω).
Queremos simular de fX . Para isso podemos encontrar um

“envelope” constante (c ≥ 1) e uma densidade envelope gY com
mesmo suporte de X, tal que
fX (x)
≤ c, ∀x ∈ X (Ω)
gY (x)
O algotimo da rejeição pode ser descrito como
1 Simule ui ∼ U(0, 1), i = 1, ..., n e y de gy de modo independente.
fX (y )
2 Se u ≤ cgY (y )
faça x = y, caso contrário, volte ao Passo 1.
Prof. Caio Azevedo

Beta a = 2 e b =4
X uma va tal que fX (x) = 20x(1 − x)3 , Beta(2,4).
Seja gY (y ) = 11(y )(0,1) .

f (x) f (1/4) 135
O máximo de g (x) é obtido para x = 1/4 e assim g (1/4) = 64 .
f (x) 256
Portanto, cg (x) = 27 x(1 − x)3
Algoritmo
1 Gere, de modo independentes, u1 e u2 de U(0, 1).
2 Se u2 ≤ 256
27 1
u (1 − u1 )3 faça x = u1 , caso contrário, volte ao passo 1.
Prof. Caio Azevedo

Valores simulados

2.5
2.5
2.0
2.0
densidade
densidade
1.5
1.5
1.0
1.0
0.5
0.5
0.0
0.0
0.0 0.2 0.4 0.6 0.8 0.0 0.2 0.4 0.6 0.8
valores valores
3.0
2.0
1.5
2.0
densidade
densidade
1.0
1.0
0.5
0.0
0.0
0.0 0.2 0.4 0.6 0.8 0.0 0.2 0.4 0.6 0.8 1.0
valores valores
Prof. Caio Azevedo

Gama r = 3/2 e λ =1
X uma va tal que fX (x) = Kx 1/2 e −x 11(x)(0,∞) , K = 2/sqrtπ,

gama(3/2,4).
Seja gY (y ) = 23 e −2x/3 11(y )(0,∞) .

f (x) f (3/2) 33/2
O máximo de g (x) é obtido para x = 3/2 e assim g (3/2) = (2πe)1/2
.
f (x)
Portanto, cg (x) = (2e/3)1/2 x 1/2 e −x/3
Algoritmo
1 Gere, u1 de U(0, 1) e faça y = − 23 ln u1 .
2 Gere u2 de U(0, 1).
3 Se u2 ≤ (2ey /3)1/2 e −y /3 faça x = y , caso contrário, volte ao passo
1.
Prof. Caio Azevedo
Valores simulados

0.6
0.6
0.4
0.4
densidade
densidade
0.2
0.2
0.0
0.0
0 1 2 3 4 5 6 0 1 2 3 4
valores valores
0.6
0.6
0.4
0.4
densidade
densidade
0.2
0.2
0.0
0.0
0 1 2 3 4 5 6 0 2 4 6 8
valores valores
Prof. Caio Azevedo

Método da rejeição (v.a. discreta)
Seja X ∼ fX (.; θ), fX (.; θ) é uma função de probabilidade com

suporte X (Ω).
Queremos simular de fX . Para isso podemos encontrar um

“envelope” constante (c ≥ 1) e uma densidade envelope gY com
mesmo suporte de X, tal que
fX (x)
≤ c, ∀x ∈ X (Ω), f (x) 6= 0, g (x) 6= 0
gY (x)
O algotimo da rejeição pode ser descrito como
1 Simule ui ∼ U(0, 1), i = 1, ..., n e y de gy de modo independente.
fX (y )
2 Se u ≤ cgY (y )
faça x = y, caso contrário, volte ao Passo 1.
Prof. Caio Azevedo

Variável aleatórioa discreta
Seja X , P(X = −1) = 1/6, P(X = 0) = 3/6, P(X = 1) = 2/6.
Seja gY (y ) = 13 11(y ){−1,0,1}

fX (x) fX (x)
O máximo de gY (x) ocorre para x = 0 e, nesse caso, gY (x) = 9/6
Algoritmo:
1 Simule u1 de U(0, 1) e u2 de U{−1,0,1}

2 Se u1 ≤ f (u2 )/((9/6)g (u2 )) faça x = u2 , caso contrário, volte ao
passo 1.
Prof. Caio Azevedo

Valores simulados
n= 30 n= 50
0.6
●
prop.table(table(v.x))
●
0.4
0.4
●
●
0.2
0.2
● ●
0.0
0.0
−1 0 1 −1 0 1
v.x v.x
n= 100 n= 500
0.6
0.5
●
●
0.4
0.4
●
●
0.3
0.2
0.2
● ●
0.1
0.0
0.0
−1 0 1 −1 0 1
v.x v.x
Prof. Caio Azevedo

Eficiência do método da rejeição
A eficiência do método da rejeição é determinada pela probabilidade

de aceitação θ1 .
Quanto menor o valor de c maior será a eficiência do método.
Em geral, queremos encontrar c,
f (x)
cθ = maxx∈X (Ω)
gθ (x)
Prof. Caio Azevedo

Distribuição log côncava
gama normal truncada

−2
0
−2
−4
−4
lpx
lpx
−6
−6
−8
−8
−10
−10
0 10 20 30 40 1.0 1.5 2.0 2.5 3.0 3.5 4.0
x x
Prof. Caio Azevedo

Exemplo: normal truncada f (x) = N[1,∞] (0, 1)
Neste caso, a distribuição é log-côncava.
Uma densidade candidata é g (x) = be −b(x−a) 11(a,∞) (x)
Pode-se provar que

f (x)  (bd)−1 e (0,5b2 −ba) , se b > a,
cb = maxx>a =
be −b(x−a)  (bd)−1 e −0,5b2 , se b ≤ a
√
em que d = 2π(1 − Φ(a)). O primeiro limite é minimizado em
√
b ∗ = (a + a2 + 4)/2 e o segundo em b
b = a. A escolha de b é b ∗ .
Prof. Caio Azevedo

Cont.
Algoritmo
1 Gere u1 , u2 de U(0, 1) independentemente e faça y = − b1∗ ln(u1 ) + a

2
+b ∗ y −(b ∗ )2 /2
2 Se u2 ≤ e −y faça x = y, caso contrário, volte ao passo 1.
Prof. Caio Azevedo

Valores simulados

1.2
1.2
densidade
densidade
0.8
0.8
0.4
0.4
0.0
0.0
1.0 1.5 2.0 2.5 1.0 1.5 2.0 2.5 3.0
valores valores
1.2
1.2
densidade
densidade
0.8
0.8
0.4
0.4
0.0
0.0
1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 1 2 3 4 5 6
valores valores
Prof. Caio Azevedo

Método da amostragem (reamostragem) por importância
Seja X ∼ fX (.; θ), fX (.; θ) é uma fdp com suporte X (Ω).
Considere uma fdp de amostragem por importância, com mesmo

suporte de fX (.; θ).
1 Simule x1 , ..., xm iid ∼ g (x), m >>> n (n tamanho da amostra).

f (xj )
2 Defina r (xj ) = g (xj )
,j = 1, 2, ..., m
3 Selecione, sem reposição e via reamostragem, da distribuição
discreta uma amostra de tamanho n.
Prof. Caio Azevedo

Exemplo: Distribuição definida no intervalo (0,1)
Seja X ∼ fX (.; r ),
πsinr (πx)
f (x) = 11(0,1) (x)
beta(0.5, (r + 1)/2)
Para r = 6, considere g (x) ∼ beta(2, 4)

Algoritmo
1 Como definido anteriormente
Prof. Caio Azevedo

Comportamento: f(x) x g(x)

3.0
2.5
g(x)
2.0
f.x
1.5
1.0
f(x)
0.5
0.0
0.0 0.2 0.4 0.6 0.8
v.x
Prof. Caio Azevedo

Valores simulados
n= 30 n= 50
4
4
3
3
densidade
densidade
2
2
1
1
0
0
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.3 0.4 0.5 0.6 0.7
valores valores
n= 100 n= 500
4
4
3
3
densidade
densidade
2
2
1
1
0
0.2 0.3 0.4 0.5 0.6 0.7 0.2 0.4 0.6 0.8
valores valores
Prof. Caio Azevedo

Representação Estocástica
Dois vetores aleatórios X e Y tal que X = g (Y).
Simulação de uma distribuição beta(a, b).
Simular x1 ∼ gama(a, 1) e x2 ∼ gama(b, 1).
Faça y = x1 /(x1 + x2 ).
Repetir o processo acima n vezes.
Prof. Caio Azevedo

Programa
Programa
v.x1 <- r1*(runif(n,0,0.5) -

cbind(apply(log(replicate(round(a),runif(n,0,1))),1,sum)))
v.x2 <- r2*(runif(n,0,0.5) -

cbind(apply(log(replicate(round(b),runif(n,0,1))),1,sum)))
v.y <- cbind(v.x1/(v.x1 + v.x2))
Prof. Caio Azevedo

Valores simulados
n= 20 n= 50
3.0
3.0
2.0
2.0
densidade
densidade
1.0
1.0
0.0
0.0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
valores valores
n= 100 n= 500
3.0
3.0
2.0
2.0
densidade
densidade
1.0
1.0
0.0
0.0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.2 0.4 0.6 0.8
valores valores
Prof. Caio Azevedo

Beta binomial
Seja X |Y ∼ binomial(m, y ) e Y ∼ beta(a, b).

R1
Então X ∼ beta-binomial, fX (x) = 0 f (x|y )f (y )dy .
Algoritmo
1 Simular n vezes y de beta(a, b).
2 Dado o vetor y simular x|y de binomial(m, y ).
3 O vetor x terá a distribuição desejada.
Prof. Caio Azevedo

Programa
Programa
v.x1 <- cbind(rbeta(n,a,b))

v.x2 <- cbind(rbinom(n,m,v.x1))
Prof. Caio Azevedo

Valores simulados

0.5
0.5
0.4
0.4
densidade
densidade
● ●
0.3
0.3
● ●
● ●
0.2
0.2
● ●
0.1
0.1
● ●
0.0
0.0
0 1 2 3 4 0 1 2 3 4
valores valores
0.5
0.5
0.4
0.4
densidade
densidade
● ●
0.3
0.3
● ●
● ●
0.2
0.2
● ●
0.1
0.1
● ●
0.0
0.0
0 1 2 3 4 0 1 2 3 4
valores valores
Prof. Caio Azevedo

Outros métodos
Rejeição adaptativa.
Amostragem condicional.
Métodos especı́ficos (em geral levam em consideração representações

estocásticas e pelo menos um dos algoritmos anteriores).
Prof. Caio Azevedo


Aula Sim VA PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula Sim VA PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Motivação M. da Transformada Inversa Exemplos do MTI M. da Rejeição R.

Simulação de variáveis aleatórias: Parte 1

Prof. Caio Azevedo

Prof. Caio Azevedo

Simular: reproduzir, controlando caracterı́sticas de interesse,

Simulação variáveis aleatórias: gerar valores para representar o

Aplicações: comparar estimadores, comparar modelos, estimar a

Prof. Caio Azevedo

Sempre conferir a “qualidade” dos valore simulados.

Calcular momentos amostrais.

Prof. Caio Azevedo

Método da transformada inversa (v.a. contı́nua)

Seja X ∼ FX (.; θ), FX (.; θ) é uma função de distribuição acumulada

Então Y = FX (X ; θ) ∼ U(0, 1) (exercı́cio). OBS: resultado também

Algoritmo para simular uma amostra aleatória (aa, conjunto de

1 Simule ui ∼ U(0, 1), i = 1, ..., n.

Prof. Caio Azevedo

Seja X ∼ exp(θ), θ > 0, E(X ) = θ.

Temos que FX (x) = (1 − e −x/θ )11(0,∞) (x). Portanto,

Prof. Caio Azevedo

media = 15.8 , var= 362.77 , n= 40 media = 12.18 , var= 213.81 , n= 50

Prof. Caio Azevedo

Seja X ∼ N[a,b] (µ, σ 2 ), µ ∈ R, σ 2 > 0, a < b.

Prof. Caio Azevedo

v.u <- (runif(n))

Prof. Caio Azevedo

media = 0.7864 , var= 0.4522 , n= 20 media = 0.7405 , var= 0.3244 , n= 50

0.0 0.5 1.0 1.5 2.0 2.5 3.0 0 1 2 3 4

Prof. Caio Azevedo

X ∼ Np (µ, Σ), µ ∈ Rp , Σ > 0.

Sabemos que X = ΨZ + µ, Ψ = Cholesky(Σ),

x = ΨFZ−1 (u) + µ, u = (u1 , ..., up ).

m.u <- cbind(runif(n))

Prof. Caio Azevedo

Neste caso, tem-se que Xi ∼ N1 (µi , σi2 ), em que E(Xi ) = µi e

Além disso, a distância de Mahalanobis tem distribuição

(X − µ)0 Σ−1 (X − µ) ∼ χ2p

Prof. Caio Azevedo

media = −1.19 , var= 3 , n= 100 , p = 3 media = −0.03 , var= 1.41 , n= 100 , p = 3

Prof. Caio Azevedo

Método da transformada inversa (v.a. discreta)

Algoritmo para simular uma amostra aleatória (aa, conjunto de

Prof. Caio Azevedo

1 Simule ui ∼ U(0, 1), i = 1, ..., n.

Dado que 0 < a < b < 1, P(a ≤ U < b) = b − a, temos que

Seja X ∼ Bernoulli(θ), θ ∈ (0, 1).

Algoritmo: gere ui , U ∼ U(0, 1), i = 1, 2..., n e faça

Prof. Caio Azevedo

mean = 0.75 var= 0.2 n = 20 mean = 0.72 var= 0.21 n = 50

Prof. Caio Azevedo

Seja X ∼ Binomial(m, θ), θ ∈ (0, 1), m conhecido.

Método da transformada inversa. Repetir n vezes: Gerar u, de

Prof. Caio Azevedo

media = 7.1 , var= 1.25 , n= 20 , p = 3 media = 7.26 , var= 1.58 , n= 50 , p = 3

Prof. Caio Azevedo

1 Simule u de U(0, 1).

Prof. Caio Azevedo

media = 3.58 , var= 4.13 , n= 30 , lambda = 3 media = 3.08 , var= 3.18 , n= 50 , p = 3

Prof. Caio Azevedo

Método da rejeição (v.a. contı́nua)

Seja X ∼ fX (.; θ), fX (.; θ) é uma função densidade de probabilidade

Queremos simular de fX . Para isso podemos encontrar um

Prof. Caio Azevedo