Baixe o app para aproveitar ainda mais
Prévia do material em texto
LABORATÓRIOS DE SIMULAÇÃO Atividade 2 Questão 1 Na estatística descritiva, a curtose é uma medida da forma que caracteriza o achatamento da curva da função de distribuição de probabilidade. Observe o gráfico a seguir, que retrata a função densidade de probabilidade da distribuição exponencial. Fonte: Elaborado pelo autor. #PraCegoVer: a figura apresenta um gráfico da função densidade de probabilidade acumulada dos lançamentos simulados. No eixo vertical a probabilidade varia entre 0,0 e 0,4, e no eixo horizontal há o número de lançamentos. O número de lançamentos está normalizado e varia entre -20 e 40, sendo a concentração em 10. Existem várias simulações com a curva gaussiana sendo representada por diferentes alturas, ou curtose. Considerando o gráfico sobre distribuição de probabilidade exponencial, analise as afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s). I. ( ) A distribuição exponencial tem esse nome devido ao fato de a confiabilidade R(t) ser modelada com uma função exponencial: R(t) = 𝛌e–𝛌t. II. ( ) Para a distribuição expressa por essa função, 36,8% da população está acima da média, contra 63,2%, que está abaixo da média. Ou seja, nesse caso, a distribuição da média não apresenta ocorrência de 50%. III. ( ) A função de distribuição acumulada, entretanto, tende a 1 quando x. Ou seja, quanto mais o tempo passa, maior é a probabilidade de que a falha ocorra. No caso da distribuição exponencial, a função é dada por: R(t) = 1 – e–𝛌t. IV. ( ) Se o valor é < 0, então a função de distribuição é mais achatada que a distribuição normal, chamada de mesocúrtica. Assinale a alternativa que apresenta a sequência correta. V, V, V, F. Questão 2 A distribuição normal é um modelo muito útil em estatística e não seria surpreendente se a soma dos efeitos independentes (ou efeitos mal correlacionados), se houvesse muitos, tivesse uma distribuição normal (sempre sujeita a certas suposições). Observe o gráfico a seguir, que retrata a função densidade de probabilidade da distribuição exponencial. Fonte: Elaborado pelo autor. #PraCegoVer: a figura apresenta um gráfico da função densidade de probabilidade acumulada dos lançamentos simulados. No eixo vertical a probabilidade varia entre 0,00 e 0,08, e no eixo horizontal há o número de lançamentos. O número de lançamentos varia entre 30 e 70 sendo a concentração em 50. Existe uma aproximação de função caracterizando a curva gaussiana. Considerando o gráfico sobre distribuição de probabilidade exponencial, analise as afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s). I. ( ) A distribuição exponencial tem esse nome devido ao fato de a confiabilidade R(t) ser modelada com uma função exponencial: R(t) = 𝛌e–𝛌t. II. ( ) Para a distribuição expressa por essa função, 36,8% da população está acima da média, contra 63,2%, que está abaixo da média. Ou seja, nesse caso, a distribuição da média não apresenta ocorrência de 50%. III. ( ) A função de distribuição acumulada, entretanto, tende a 1 quando x. Ou seja, quanto mais o tempo passa, maior é a probabilidade de que a falha ocorra. No caso da distribuição exponencial, a função é dada por: R(t) = 1 – e–𝛌t. IV. ( ) O grande benefício dessa distribuição (função densidade de probabilidade) está relacionado ao fato de ela se aproximar muito bem das curvas de frequência das medidas físicas, o que é conhecido como distribuição normal ou Gaussina. Assinale a alternativa que apresenta a sequência correta. V, V, V, F. Questão 3: Uma variável aleatória contínua é classificada como tal se assume valores em qualquer intervalo de números reais, ou seja, um conjunto de valores incontáveis. Portanto, não é possível atribuir probabilidades a um determinado ponto apenas a intervalos regulares. Por exemplo, o peso do animal, o tempo de inatividade de equipamentos eletrônicos, a altura da maré em um determinado momento, a salinidade da água do mar, o retorno do investimento financeiro etc. Nesse sentido, assinale a alternativa com a variável que pode representar o peso de uma pessoa. Variáveis contínuas: os valores pertencem a um intervalo de números reais e representam uma mensuração. Questão 4; As reduções de variância são usadas para melhorar a eficiência dos métodos de Monte Carlo. Os métodos de redução da variância podem, às vezes, trazer enormes melhorias em comparação com o Monte Carlo simples. Não é incomum que o valor seja reduzido muitas milhares de vezes; também é possível que uma técnica de redução de variância traga uma melhoria muito modesta, talvez equivalente a reduzir em apenas 10%. Entretanto, alguns métodos aumentam em circunstâncias desfavoráveis. KOWALTOWSKI, T. Von Neumann: suas contribuições à Computação. Estudos Avançados, São Paulo, v. 10, n. 26, p. 237-260, 1996. A respeito da redução de variância, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). I. ( ) O valor de uma redução de variância depende de mais fatores do que apenas a mudança em . II. ( ) Um método de linha de base é imparcial e estima a quantidade desejada com variância , a um custo de , quando n avaliações de função são usadas. III. ( ) Se um método imparcial alternativo tem variância e custo , então nos custará para atingir a mesma variância de erro que o método de linha de base alcançou. IV. ( ) A redução da variância não pode ser calculada pois custo tende a infinito. Assinale a alternativa que apresenta a sequência correta. V, V, V, F. Questão 5 A operação de data centers é um exemplo de como se usa a distribuição exponencial. Atualmente, é comum que a confiabilidade seja de 99,999%, ou seja, o serviço fica indisponível por apenas cinco minutos ao ano — um Mean Time Between Failures (MTBF) de aproximadamente 8.754,92 horas, que resulta em 𝛌 = 114,22x10– 6. Assim, percebe-se que essa curva se aproxima assintoticamente de 1. Ou seja, a curva tende a 1, mas nunca atinge esse valor. Isso pode acontecer para diversos fenômenos do mundo real. Neste sentido, assinale a alternativa que indica o nome dado a esse tipo de fenômeno e sua aplicação. Curtose ou Kurtosis, onde a curva fica mais achatada, ou com um menor valor de pico, representando que a distribuição é menos concentrada. Questão 6 Quando estamos usando as médias de Monte Carlo das quantidades , a aleatoriedade no algoritmo leva a algum cancelamento de erro. Na amostragem antitética, tentamos obter ainda mais cancelamentos. Uma amostra antitética é aquela que de alguma forma dá o valor oposto de f(x), sendo baixa quando f(x) é alta e vice- versa. Normalmente obtemos um f oposto amostrado em um ponto ~x que é de alguma forma oposto a x. BITENCOURT, T.; NEVES, B. S. Análise do Código Assembly da Linguagem Python para futura implementação de um processador. In: SALÃO INTERNACIONAL DE ENSINO, PESQUISA E EXTENSÃO, 10., 2018, Santana do Livramento. Anais [...]. Santana do Livramento, 2018. Considerando o excerto apresentado, sobre a simulação de Monte Carlo, analise as afirmativas a seguir. I. A computação custa muito menos do que o esforço humano, que normalmente exige grandes ganhos de eficiência para compensar o tempo gasto programando uma redução de variância. II. Um cálculo muito lento custa mais do que apenas o tempo do computador. III. Pode ser uma perda de tempo para aqueles que aguardam a resposta. Cálculos lentos reduzem o número de alternativas que podem ser exploradas. IV. O limite é alto para um programa único, baixo para algo que estamos adicionando à nossa biblioteca pessoal, menor para código para compartilhar com alguns colegas de trabalho e ainda menor para código a ser colocado em uma biblioteca ou ferramenta de simulação para uso geral. V. Esse tipo de simulação pode ser classificado como NP-Completo. É corretoo que se afirma em: I, II, III e IV, apenas. Questão 7: Leia o excerto a seguir. “Os conceitos e análise de dependência são necessários para o entendimento do modelo a ser considerado e quando este pode ser aplicado. Isto inclui a análise da estrutura de dependência conveniente ao modelo e se a dependência do modelo aumenta quando os parâmetros multivariados aumentam, isto é, um modelo multivariado pode ser analisado a partir das estruturas de dependência que ele consiga cobrir em relação ao universo das estruturas de dependência possíveis. Assim, as propriedades de dependência são importantes para a avaliação da adequação de um modelo particular perante uma dada aplicação ou um conjunto de dados." VIOLA, M. L. L. Tipos de dependência entre variáveis aleatórias e teoria de cópulas. Campinas: Instituto de Matemática, Estatística e Computação Científica (IMECC-UNICAMP), 2009. p. 1. Disponível em: http://www.ime.unicamp.br/~veronica/dependence/book.pdf. Acesso em: 05 nov. 2021. A respeito de análise de dependência, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). I. ( ) Ao examinar os parâmetros e características de uma variável aleatória, é possível saber quando duas variáveis são independentes ou não. II. ( ) Ao demonstrar a independência entre variáveis, é possível notar que a verificação de independência é uma tarefa trivial, que deve ser realizada frequentemente, a fim de manter a sanidade dos dados. III. ( ) Uma variável aleatória é uma variável quantitativa, cujo resultado (valor) depende de fatores aleatórios. IV. ( ) Uma variável aleatória qualitativa não pode ser apresentar uma distribuição binomial. Assinale a alternativa que apresenta a sequência correta. V, V, V, F. Questão 8 Probabilidades são números entre zero e um usados para explicar fenômenos aleatórios. Todos estamos familiarizados com modelos de probabilidade simples: ao jogar uma moeda padrão, a probabilidade de cara é ½; ao jogar um dado, a probabilidade de obter três é de ⅙; ao selecionar uma carta de um baralho bem embaralhado, a probabilidade de obter a rainha de espadas é de 1/52 (assumindo que não haja curingas). AZEVEDO, P. R. M. de. Introdução à estatística. Natal: EDUFRN, 2016. Considerando o excerto apresentado a respeito das probabilidades, analise as afirmativas a seguir. I. As probabilidades estão entre 0 e 1. II. Algo que acontece com probabilidade 1 é certo. III. Se algo não tem chance de ocorrer, a probabilidade é 0. IV. Se algo ocorrer com probabilidade 0,25, a probabilidade de que isso não ocorra é de 1 a 0,25 = 0,75. V. Se dois eventos são mutuamente exclusivos, ou seja, se eles não podem acontecer ao mesmo tempo, então a probabilidade de que qualquer um deles ocorra é apenas a soma de suas probabilidades individuais. VI. Uma boa prática é considerar a variação de probabilidade entre -1 e 1. É correto o que se afirma em: I, II e III e VI, apenas. http://www.ime.unicamp.br/~veronica/dependence/book.pdf
Compartilhar