Geração de variáveis aleatórias - Variáveis

Aleatórias Discretas

Fernando F. Nascimento

Universidade Federal do Piauı́

Métodos computacionamente intensivos em Estatı́stica

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Função de probabilidade
Em variáveis aleatórias discretas, temos que cada ponto xi tem
uma probabilidade

pi = P(X = xi ) > 0

P
Uma propriedade básica destas variáveis é que pi = 1.
Baseado nesta propriedade, podemos colocar as probabilidades
dentro da U(0,1)

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Função de probabilidade
Em variáveis aleatórias discretas, temos que cada ponto xi tem
uma probabilidade

pi = P(X = xi ) > 0

P
Uma propriedade básica destas variáveis é que pi = 1.
Baseado nesta propriedade, podemos colocar as probabilidades
dentro da U(0,1)

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Função de probabilidade
Em variáveis aleatórias discretas, temos que cada ponto xi tem
uma probabilidade

pi = P(X = xi ) > 0

P
Uma propriedade básica destas variáveis é que pi = 1.
Baseado nesta propriedade, podemos colocar as probabilidades
dentro da U(0,1)

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Como gerar variáveis discretas

Considerando as probabilidades de cada evento conhecida,

Geramos U ∼ U(0, 1)
Se U ∈ (0, p0 ) geramos o ponto X = x0
Se U ∈ (p0 , p0 + p1 ) geramos o ponto X = x1
Se U ∈ (Pi−1
P, Pi ) geramos o ponto X = xi
onde Pi = ij=0 pi
Se Se U ∈ (Pk−1 , 1) geramos o ponto X = xk
Assim, a probabilidade de sair xi é exatamente igual a sua
probabilidade pi

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Como gerar variáveis discretas

Considerando as probabilidades de cada evento conhecida,

Geramos U ∼ U(0, 1)
Se U ∈ (0, p0 ) geramos o ponto X = x0
Se U ∈ (p0 , p0 + p1 ) geramos o ponto X = x1
Se U ∈ (Pi−1
P, Pi ) geramos o ponto X = xi
onde Pi = ij=0 pi
Se Se U ∈ (Pk−1 , 1) geramos o ponto X = xk
Assim, a probabilidade de sair xi é exatamente igual a sua
probabilidade pi

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Como gerar variáveis discretas

Considerando as probabilidades de cada evento conhecida,

Geramos U ∼ U(0, 1)
Se U ∈ (0, p0 ) geramos o ponto X = x0
Se U ∈ (p0 , p0 + p1 ) geramos o ponto X = x1
Se U ∈ (Pi−1
P, Pi ) geramos o ponto X = xi
onde Pi = ij=0 pi
Se Se U ∈ (Pk−1 , 1) geramos o ponto X = xk
Assim, a probabilidade de sair xi é exatamente igual a sua
probabilidade pi

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Como gerar variáveis discretas

Considerando as probabilidades de cada evento conhecida,

Geramos U ∼ U(0, 1)
Se U ∈ (0, p0 ) geramos o ponto X = x0
Se U ∈ (p0 , p0 + p1 ) geramos o ponto X = x1
Se U ∈ (Pi−1
P, Pi ) geramos o ponto X = xi
onde Pi = ij=0 pi
Se Se U ∈ (Pk−1 , 1) geramos o ponto X = xk
Assim, a probabilidade de sair xi é exatamente igual a sua
probabilidade pi

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Como gerar variáveis discretas

Considerando as probabilidades de cada evento conhecida,

Geramos U ∼ U(0, 1)
Se U ∈ (0, p0 ) geramos o ponto X = x0
Se U ∈ (p0 , p0 + p1 ) geramos o ponto X = x1
Se U ∈ (Pi−1
P, Pi ) geramos o ponto X = xi
onde Pi = ij=0 pi
Se Se U ∈ (Pk−1 , 1) geramos o ponto X = xk
Assim, a probabilidade de sair xi é exatamente igual a sua
probabilidade pi

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Distribuição Bernoulli

É a distribuição discreta mais simples, pois apresenta apenas duas

probabilidades:
Sucesso P(X = 1) = p e Fracasso P(X = 0) = 1 − p

Assim, se U < 1 − p atribuı́mos fracasso X = 0. Caso U > 1 − p

atribuı́mos sucesso X = 1

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Distribuição Bernoulli

É a distribuição discreta mais simples, pois apresenta apenas duas

probabilidades:
Sucesso P(X = 1) = p e Fracasso P(X = 0) = 1 − p

Assim, se U < 1 − p atribuı́mos fracasso X = 0. Caso U > 1 − p

atribuı́mos sucesso X = 1

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Algoritmo Bernoulli

Fazer i de 1 até n
{ 1. Gerar U ∼ U(0, 1)
2. Se U < 1 − p ent~ao X = 0 caso con
Caso contrário X = 1 }

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Binomial(m,p)
A distribuição binomial possui valores de 0, ..., m, com a seguinte
distribuição de probabilidade

 
m i
pi = P(X = i) = p (1 − p)m−i , i = 0, ..., m
i

O Algoritmo consiste em ”varrer” cada intervalo da uniforme e

pergunta se o valor gerado dela caiu dentro do intervalo.
Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas
Algoritmo Binomial

Fazer i de 1 até n
{ 1. Gerar U ∼ U(0, 1)
2. Se U < P0 ent~ ao X = 0 caso contrário
3. Fazer j de 1 até m
{Se Pj−1 < U < Pj
Xi = j } }

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Algoritmo Binomial 2

Definição: A distribuição Binomial(m,p) é a soma de m

Bernoulli(p) independentes

Fazer i de 1 até n
{ 1. Fazer j de 1 até m
{ 2. Gerar U ∼ U(0, 1)
Se U < 1 − p, yj = 0 c.c. yj = 1 }
xi = m
P
j=1 yj }

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Poisson(λ)
A distribuição de Poisson possui valores de 0, ..., ∞, com a
seguinte distribuição de probabilidade

λi e −λ
pi = P(X = i) = , i = 0, ...
x!

Problema da Poisson: Existem infinitos pontos. Geralmente para

valores muito acima de λ, a probabilidade pi se aproxima de 0, e
podemos truncar um valor inteiro m até onde iremos gerar os
pontos
Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas
Poisson(λ)
A distribuição de Poisson possui valores de 0, ..., ∞, com a
seguinte distribuição de probabilidade

λi e −λ
pi = P(X = i) = , i = 0, ...
x!

Problema da Poisson: Existem infinitos pontos. Geralmente para

valores muito acima de λ, a probabilidade pi se aproxima de 0, e
podemos truncar um valor inteiro m até onde iremos gerar os
pontos
Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas
Algoritmo Poisson

Fazer i de 1 até n
{ 1. Gerar U ∼ U(0, 1)
2. Se U < P0 ent~ ao X = 0 caso contrário
3. Fazer j de 1 até m
{Se Pj−1 < U < Pj
Xi = j } }

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Exercı́cios

Mostre duas maneiras de Gerar pontos das distribuições

1 Geométrica
2 Binomial negativa
3 Escreva um algoritmo que simule lançamentos de um dado
honesto

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Modelos de regressão
O modelo de regressão linear simples é regido pela seguinte
equação

Yi = α + βxi + i

Onde xi é uma variável independente

Uma suposição importante é que os erros  sejam independentes
com média 0 e variância constante.
O modelo mais simples considera uma distribuição normal para os
erros

i ∼ N(0, σ 2 )

Pergunta: Como gerar pontos do modelo de regressão?

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas
Modelos de regressão
O modelo de regressão linear simples é regido pela seguinte
equação

Yi = α + βxi + i

Onde xi é uma variável independente

Uma suposição importante é que os erros  sejam independentes
com média 0 e variância constante.
O modelo mais simples considera uma distribuição normal para os
erros

i ∼ N(0, σ 2 )

Pergunta: Como gerar pontos do modelo de regressão?

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas
Modelos de regressão
O modelo de regressão linear simples é regido pela seguinte
equação

Yi = α + βxi + i

Onde xi é uma variável independente

Uma suposição importante é que os erros  sejam independentes
com média 0 e variância constante.
O modelo mais simples considera uma distribuição normal para os
erros

i ∼ N(0, σ 2 )

Pergunta: Como gerar pontos do modelo de regressão?

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas
Modelos de regressão
O modelo de regressão linear simples é regido pela seguinte
equação

Yi = α + βxi + i

Onde xi é uma variável independente

Uma suposição importante é que os erros  sejam independentes
com média 0 e variância constante.
O modelo mais simples considera uma distribuição normal para os
erros

i ∼ N(0, σ 2 )

Pergunta: Como gerar pontos do modelo de regressão?

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas
Modelos de regressão

Os pontos são gerados de acordo com a suposição do modelo

1 Fixamos os valores dos parâmetros do modelo que iremos
gerar (α, β, σ 2 )
2 Geramos pontos xi de uma distribuição independente,
escolhendo o espaço amostral que acharmos mais adequado
para a variável
1 Se queremos simular xi ∈ (a, b), geramos xi ∼ U(a, b)
2 Se queremos simular xi ∈ R+ , geramos xi ∼ Gamma(a, b)
3 Se queremos simular xi ∈ R, geramos xi ∼ N(µ, σ02 )
3 O passo seguinte é gerar i ∼ N(0, σ 2 )
4 O passo final é atribuir Yi = α + βxi + i

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Modelos de regressão

Os pontos são gerados de acordo com a suposição do modelo

1 Fixamos os valores dos parâmetros do modelo que iremos
gerar (α, β, σ 2 )
2 Geramos pontos xi de uma distribuição independente,
escolhendo o espaço amostral que acharmos mais adequado
para a variável
1 Se queremos simular xi ∈ (a, b), geramos xi ∼ U(a, b)
2 Se queremos simular xi ∈ R+ , geramos xi ∼ Gamma(a, b)
3 Se queremos simular xi ∈ R, geramos xi ∼ N(µ, σ02 )
3 O passo seguinte é gerar i ∼ N(0, σ 2 )
4 O passo final é atribuir Yi = α + βxi + i

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Modelos de regressão

Os pontos são gerados de acordo com a suposição do modelo

1 Fixamos os valores dos parâmetros do modelo que iremos
gerar (α, β, σ 2 )
2 Geramos pontos xi de uma distribuição independente,
escolhendo o espaço amostral que acharmos mais adequado
para a variável
1 Se queremos simular xi ∈ (a, b), geramos xi ∼ U(a, b)
2 Se queremos simular xi ∈ R+ , geramos xi ∼ Gamma(a, b)
3 Se queremos simular xi ∈ R, geramos xi ∼ N(µ, σ02 )
3 O passo seguinte é gerar i ∼ N(0, σ 2 )
4 O passo final é atribuir Yi = α + βxi + i

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Modelos de regressão

Os pontos são gerados de acordo com a suposição do modelo

1 Fixamos os valores dos parâmetros do modelo que iremos
gerar (α, β, σ 2 )
2 Geramos pontos xi de uma distribuição independente,
escolhendo o espaço amostral que acharmos mais adequado
para a variável
1 Se queremos simular xi ∈ (a, b), geramos xi ∼ U(a, b)
2 Se queremos simular xi ∈ R+ , geramos xi ∼ Gamma(a, b)
3 Se queremos simular xi ∈ R, geramos xi ∼ N(µ, σ02 )
3 O passo seguinte é gerar i ∼ N(0, σ 2 )
4 O passo final é atribuir Yi = α + βxi + i

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Modelos de regressão

Os pontos são gerados de acordo com a suposição do modelo

1 Fixamos os valores dos parâmetros do modelo que iremos
gerar (α, β, σ 2 )
2 Geramos pontos xi de uma distribuição independente,
escolhendo o espaço amostral que acharmos mais adequado
para a variável
1 Se queremos simular xi ∈ (a, b), geramos xi ∼ U(a, b)
2 Se queremos simular xi ∈ R+ , geramos xi ∼ Gamma(a, b)
3 Se queremos simular xi ∈ R, geramos xi ∼ N(µ, σ02 )
3 O passo seguinte é gerar i ∼ N(0, σ 2 )
4 O passo final é atribuir Yi = α + βxi + i

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Modelos de regressão

Os pontos são gerados de acordo com a suposição do modelo

1 Fixamos os valores dos parâmetros do modelo que iremos
gerar (α, β, σ 2 )
2 Geramos pontos xi de uma distribuição independente,
escolhendo o espaço amostral que acharmos mais adequado
para a variável
1 Se queremos simular xi ∈ (a, b), geramos xi ∼ U(a, b)
2 Se queremos simular xi ∈ R+ , geramos xi ∼ Gamma(a, b)
3 Se queremos simular xi ∈ R, geramos xi ∼ N(µ, σ02 )
3 O passo seguinte é gerar i ∼ N(0, σ 2 )
4 O passo final é atribuir Yi = α + βxi + i

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Algoritmo Regressão

Fazer i de 1 até n
{ 1. Gerar Xi com uma distribuiç~
ao G qualquer
2. Gerar i ∼ N(0, σ 2 )
3. Yi = α + βxi + i }

Diagnóstico: Podemos verificar se os pontos foram gerados

corretamente fazendo o gráfico de dispersão de Y com x e verificar
se a reta α + βx passa em torno desses pontos.
Exercı́cio: Construa um algoritmo que gere pontos do modelo de
regressão linear múltiplo

Yi = β0 + β1 x1,i + β2 x2,i + ... + βp xp,i + i

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Algoritmo Regressão

Fazer i de 1 até n
{ 1. Gerar Xi com uma distribuiç~
ao G qualquer
2. Gerar i ∼ N(0, σ 2 )
3. Yi = α + βxi + i }

Diagnóstico: Podemos verificar se os pontos foram gerados

corretamente fazendo o gráfico de dispersão de Y com x e verificar
se a reta α + βx passa em torno desses pontos.
Exercı́cio: Construa um algoritmo que gere pontos do modelo de
regressão linear múltiplo

Yi = β0 + β1 x1,i + β2 x2,i + ... + βp xp,i + i

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas

Algoritmo Regressão

Fazer i de 1 até n
{ 1. Gerar Xi com uma distribuiç~
ao G qualquer
2. Gerar i ∼ N(0, σ 2 )
3. Yi = α + βxi + i }

Diagnóstico: Podemos verificar se os pontos foram gerados

corretamente fazendo o gráfico de dispersão de Y com x e verificar
se a reta α + βx passa em torno desses pontos.
Exercı́cio: Construa um algoritmo que gere pontos do modelo de
regressão linear múltiplo

Yi = β0 + β1 x1,i + β2 x2,i + ... + βp xp,i + i

Fernando F. Nascimento Geração de variáveis aleatórias - Variáveis Aleatórias Discretas