Sistemas de Alarme Óptimos para Processos de Contagem
|
|
- Maria de Lourdes Bernardes Rijo
- 8 Há anos
- Visualizações:
Transcrição
1 Sistemas de Alarme Óptimos para Processos de Contagem Magda Monteiro Isabel Pereira Manuel Scotto UIMA-UA SPE-Covilhã 1
2 Introdução Em muitos fenómenos descritos por processos é fundamental a implementação de um sistema de alarme Pretende-se saber se para algum t o processo X t > L c e emite um alarme sempre que esse cruzamento é predito. Alarme simples baseado na esperança condicional em que o alarme é dado sempre que o preditor ultrapassa um valor previamente fixado longe da optimalidade 2
3 Introdução Lindgren e de Maré estabeleceram os princípios para os sistemas de alarme óptimos e resultados básicos para cruzamentos de nível Antunes et al. sugeriram uma abordagem bayesiana para modelos AR(p) Neste trabalho aplica-se a metodologia clássica e bayesiana na obtenção de sistemas de alarme óptimos para processos de contagem INAR(1) 3
4 Sistemas de alarme óptimos Seja X t um processo de contagem. A sequência {1, 2, t-1, t, t+1, } dividida em três secções {1,,t-q} passado; Dt { X1,..., X } = t q Dados Definições {t-q+1,,t} presente; X 2 = { Xt q+ 1,..., Xt} Exp. presente {t+1, } futuro; X 3 = { } X t + Exp. futura 1,... Catástrofe qualquer evento C t,j gerada por X 3 Exemplo: C = X u < X { + + } t, j t j 1 t j de interesse definido na σ-álgebra Região de Alarme qualquer acontecimento A t,j pertencente a σ X2 predictor de C t,j 4
5 Sistemas de alarme óptimos Definições A região de alarme A t,j tem dimensão α j e probabilidade de detecção γ j se = P( A D ) e γ = P( C A, D ) α j t, j t j t, j t, j A região de alarme A t,j é óptima de dimensão α j se t com PBD ( )= α t PC ( A, D) = sup PC ( BD, ) (1) j t, j t, j t t, j t B σ X2 Um sistema de alarme óptimo de dimensão α j é uma família de regiões de alarme A t,j que satisfaz (1) 5
6 Sistemas de alarme óptimos Lema Sejam p( x2 Dt ) e p( x2 Ct, j, Dt) as probabilidades preditivas de X 2 e X 2 C t,j respectivamente. O sistema de alarme definido por Px ( 2 C,, ) t jd q t At, j= x2 IN : kt, j (2) Px ( 2 D) t onde k : α = P( A D ), é óptimo de dimensão α j t, j j t, j t Antunes, M. et al (23) Características Operacionais 1. P( C A, D ): Prob. de detectar a catástrofe t, j t, j t 2. P( A C, D ): Prob. de alarme correcto t, j t, j t 3. P( A C, D ): Prob. de falso alarme t, j t, j t 4. P( C A, D ) : Prob. de não detectar a catástrofe t, j t, j t 6
7 Sistemas de alarme óptimos para Processos INAR(1) Modelo Seja X t um processo de contagem INAR(1) definido por Xt = αt o Xt 1 + Zt, t = 1,2,... e t Com Z t ~P(λ), Z t e X t-1 independentes, α t =, onde Y t é uma 1 + ωy e t covariável de interesse ωy X α o X = Ui, Ui ~ B(1, α) i= 1 7
8 Sistemas de alarme óptimos para Processos INAR(1) - Abordagem Clássica Distribuição de X n+h condicional a h 1 Mostra-se que Xn+ h = βn+ h, h Xn + βn+ h, j Zn+ h j,onde j= x= x1 x n ~ (,..., ) β k 1 αn m, k 1 = 1, k = nk, m= min(, ), 1 x x n+ h j h i xn i j= n n+ h x (,, ) exp n n+ h λα = λ βn+ h, j i ( βn+ h, h) ( 1 βn+ h, h) P x x C % j= i= λ h 1 β ( x i)! n+ h xn+ h i (3) 8
9 Sistemas de alarme óptimos para Processos INAR(1) - Abordagem Bayesiana Distribuição a priori dos parâmetros: λ Ga(c,d) e ω N(μ,τ --1 ), com c, d, τ >, 1 c 1 1 ( ) 2 h( ωλ, ) λ exp dλ τ ω μ, λ> (4) 1 2πτ 2 Verosimilhança condicional a x ( ) Distribuição a posteriori ( ω, λ ) = ( ω, λ ) (, ω, λ) n min( xt 1, xt) xt i λ λ x 1 1,, t i x (1 ) t i ωλ i αt α = t (5) t= 1 i= ( xt i)! f x x e C % h x h x f x x % % % n min( xt 1, xt) x t i h 2, x c exp d xt 1 x (1 ) t 1 i e λ λ i ωλ λ λ τ ω μ i t t t 1 i ( xt i)! C α α % πτ = = ( ) ( ) ( ) 9
10 Sistemas de alarme óptimos para Processos INAR(1) - Abordagem Bayesiana A distribuição preditiva X n+h dado x, h passos à frente é onde é dada por (3) e h é dada por (6) ~ ( ) (,, ) (, ) P xn+ h x P xn+ h x ω λ h ω λ x dωdλ % % % ( x, ω, λ ) P x n+ h % = Aproximação de Monte Carlo (MCMC com passo Metropolis) Como a distribuição preditiva bayesiana é dada por P xn+ h x = Eθ x P xn+ h θ, x m % % % ˆ 1 P( x x) = P( x x, ω, λ ) ( 7) n+ h n+ h i i % m i= 1 % ( ) ( ) 1
11 Sistemas de alarme óptimos para Processos INAR(1) Dois passos à frente Consideremos a catástrofe { } C = X u < X t,2 t+ 1 t+ 2 D t ={X 1, X 2,, X t-1 }; X 2 ={ X t }; X 3 ={ X t+1, X t+1, } Pelo Lema { } A = x IN : P( C x, D ) k P( C D ) ; onde k : P( C D ) = α t,2 t t,2 t t 2 t,2 t 2 t,2 t 2 Ou ainda { } A = x IN : P( C x, D ) k ; onde k= k P( C D ) t,2 t t,2 t t 2 t,2 t
12 Estudo de simulação Considerámos 2 simulações, de tamanho 199, do processo e Xt = αt o Xt 1 + Zt, t = 1,2,... α t = 1 + e Com Z t ~P(4), X =, ω=.2, Y t ~AR(1) de média 3 e φ=.6 ω Yt ω Yt Para cada simulação, t=2, u= Abordagem Clássica Est. Máx. Verosimilhança Verdadeiros parâmetros Abordagem Bayesiana Amostra de dimensão 1 da dist a posteriori dos parâmetros para diferentes valores de k calculámos as regiões de alarme características operacionais A escolha de k foi feita de modo a que PC ( 2,2 A2,2, D2) PA ( 2,2 C2,2, D2)
13 Características operacionais Exemplo K P(C) P(A) P(C A) P(A C) P A C P ( C A) P A C,4,498,688,59,815,29,681,41,498,688,59,815,29,681,42,498,688,59,815,29,681,43,498,688,59,815,29,681,44,498,515,64,664,35,57,45,498,515,64,664,35,57,46,498,515,64,664,35,57,47,498,515,64,664,35,57,48,498,515,64,664,35,57,49,498,515,64,664,35,57,5,498,515,64,664,35,57,51,498,515,64,664,35,57,52,498,515,64,664,35,57,53,498,348,7,487,39,34,54,498,348,7,487,39,34,55,498,348,7,487,39,34,56,498,347,7,486,39,34,57,498,347,7,486,39,34,58,498,347,7,486,39,34,59,498,347,7,486,39,34,6,498,347,7,486,39,34,61,498,347,7,486,39,34 K P(C) P(A) P(C A) P(A C) P ( C A),62,498,2,75,318,43,26,63,498,2,75,318,43,26,64,498,2,75,318,43,26,65,498,2,75,317,43,25,66,498,2,75,317,43,25,67,498,2,75,317,43,25,68,498,2,75,317,43,25,69,498,2,75,317,43,25,7,498,5,79,183,46,2,71,498,5,79,183,46,2,72,498,5,79,183,46,2,73,498,1,79,182,46,1,74,498,1,79,182,46,1,75,498,1,79,182,46,1,76,498,1,79,182,46,1,77,498,56,82,92,48,54,78,498,54,82,88,48,52,79,498,54,82,88,48,52,8,498,54,82,88,48,52,81,498,54,82,88,48,52,82,498,22,83,37,49,21,83,498,15,83,26,49,15
14 ,,1,8,6,4,2,,1,8,6,4,2,, M.L.Est Bayes Ap. True P.,1,1,8,8,6,6,4,4,2, M.L.Est,, Bayes Ap. True P.,1,1,8,8,6,6,4,4,2, ,,1,8,6,4,2 Valores de k para cada amostra simulada e para cada abordagem,,1,8,6,4,
15 , M.L.Est Bayes Ap.,1 True P.,8,6,4,2, ,1,8,6,4,
16 Regiões de Alarme A 2,2 1 1 Amostras 1-25 Amostras 26-5 Amostras Amostras 76-1 Amostras -5 Amostras Amostras Amostras
17
18 Conclusões Verd. Param. C NC Regiões de alarme BAYES C NC C 51% 9% Est M.V. NC 4% C 28% NC 8% Em 6% das amostras existiu catástrofe Est. M.V.(%) Bayes(%) Verd(%) Alarmes.5.5 Alarmes correctos Catástrofes detectadas
19 Referências Al-Osh, M. A. and Alzaid, A. A. (1987). First-order integer-valued autoregressive (INAR(1)) process. J. Time Series Analysis, Vol. 8, Antunes, M., Amaral-Turkman, M.A. and Turkman, K. F. (23). A Bayesian approach to event prediction intervals. J. Time Series Analysis, Vol. 24, de Maré, J. (198). Optimal prediction of catastrophes with application to Gaussian process. Annals of Probability, Vol. 8, Freeland, K. R. (1998). Statistical Analysis of Discrete Time Series with Applications to the Analysis of Workers Compensation Claims Data. Ph.D. thesis, University of Columbia, Canada. Gomes D.(25). Processos Autoregressivos de coeficientes aleatórios na modelação de dados de contagem. Tese de Doutoramento,Universidade de Évora, Portugal Lindgren, G. (1975). Prediction of catastrophes and high level crossings. Bulletin of International Statistical Institute, Vol. 46, Silva,N. (25). Análise Baysiana de Séries Temporais de Valores Inteiros. Tese de Doutoramento, Universidade de Aveiro, Portugal. Svensson, A., Lindquist, R. and Lindgren, G. (1996). Optimal prediction of catastrophes in autoregressive moving average processes. J. Time Series Analysis, Vol. 17,
2 Modelo Clássico de Cramér-Lundberg
2 Modelo Clássico de Cramér-Lundberg 2.1 Conceitos fundamentais Nesta sessão introduziremos alguns conceitos fundamentais que serão utilizados na descrição do modelo de ruína. A lei de probabilidade que
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos
Leia maisIntrodução à genética quantitativa usando os recursos do R
Introdução à genética quantitativa usando os recursos do R Marisa R. Cantarino 1 Julia M. P. Soler (orientadora) 2 1 Introdução Um dos principais desafios da pesquisa genética atualmente é estabelecer
Leia maisPredição bootstrap via amostragem Gibbs do montante a- nual de indemnizações
Actas do XIV Congresso Anual da SPE 1 Predição bootstrap via amostragem Gibbs do montante a- nual de indemnizações Susana Rosado-Ganhão Faculdade de Arquitectura da UTL, Departamento de Tecnologias da
Leia maisUma aplicação dos modelos de fronteira estocástica utilizando a abordagem Bayesiana
Uma aplicação dos modelos de fronteira estocástica utilizando a abordagem Bayesiana Bruna Cristina Braga 1 2 Juliana Garcia Cespedes 1 1 Introdução Os cursos de pós-graduação do Brasil são avaliados pela
Leia maisEstudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana
Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana Leandro Alves Pereira - FAMAT, UFU Rogerio de Melo Costa Pinto - FAMAT, UFU 2 Resumo: Os insetos-pragas
Leia maisMODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS
MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS Definições Variáveis Aleatórias Uma variável aleatória representa um valor numérico possível de um evento incerto. Variáveis aleatórias
Leia maisESTUDO DO EFEITO DAS AÇÕES DE MARKETING SOBRE O FATURAMENTO DE UMA INSTITUIÇÃO DE SAÚDE DO SUL DE MINAS GERAIS UTLIZANDO TÉCNICAS DE SÉRIES TEMPORAIS
ESTUDO DO EFEITO DAS AÇÕES DE MARKETING SOBRE O FATURAMENTO DE UMA INSTITUIÇÃO DE SAÚDE DO SUL DE MINAS GERAIS UTLIZANDO TÉCNICAS DE SÉRIES TEMPORAIS Maria de Lourdes Lima Bragion 1, Nivaldo Bragion 2,
Leia maisAnálise Bayesiana do Sistema de Cotas da UFBA
Análise Bayesiana do Sistema de Cotas da UFBA Lilia Carolina C. da Costa Universidade Federal da Bahia Marina Silva Paez Universidade Federal do Rio de Janeiro Antonio Guimarães, Nadya Araujo Guimarães
Leia maisRegra do Evento Raro p/ Inferência Estatística:
Probabilidade 3-1 Aspectos Gerais 3-2 Fundamentos 3-3 Regra da Adição 3-4 Regra da Multiplicação: 3-5 Probabilidades por Meio de Simulações 3-6 Contagem 1 3-1 Aspectos Gerais Objetivos firmar um conhecimento
Leia maisInferência bayesiana em sistemas de reparo imperfeito
Universidade de Brasília IE - Instituto de Exatas Departamento de Estatística Inferência bayesiana em sistemas de reparo imperfeito Gabriel Hideki Vatanabe Brunello Brasília 2014 Gabriel Hideki Vatanabe
Leia maisEntão, O que é Inferência Bayesiana?
Aluno: Fernando G. Moro Supervisor: Henrique A. Laureano 2 de novembro de 2015 Teorema de Bayes Thomas Bayes( 1702-1761) Estudou Teologia na Universidade de Edimburgo(Escócia). Único livro publicado The
Leia maisGestão de Stocks. Maria Antónia Carravilla. Março 2000. Maria Antónia Carravilla
Gestão de Stocks Março 2000 Introdução Objectivos Perceber o que é o stock Saber como classificar stocks Saber fazer uma análise ABC Saber comparar modelos de gestão de stocks Saber utilizar modelos de
Leia maisSistemas Distribuídos e Tolerância a Falhas. Tempo e Relógios. Baseado no trabalho de: Ana Sofia Cunha m1892 Christian Lopes a15132 UBI, 2008
Sistemas Distribuídos e Tolerância a Falhas Tempo e Relógios 1 Baseado no trabalho de: Ana Sofia Cunha m1892 Christian Lopes a15132 UBI, 2008 O papel do tempo 2 Crucial na ordenação de eventos Tempo Real?
Leia maisTerminologias Sinais Largura de Banda de Dados Digitais. Sinais e Espectro
Sinais e Espectro Edmar José do Nascimento (Tópicos Avançados em Engenharia Elétrica I) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Colegiado de Engenharia
Leia maisDISTRIBUIÇÃO NORMAL 1
DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02
Leia maisCS: : Um Simulador de Protocolos para Computação Móvel
MobiCS CS: : Um Simulador de Protocolos para Computação Móvel Daniel de Angelis Cordeiro Rodrigo Moreira Barbosa {danielc,rodbar}@ime.usp.br 7 de outubro de 2004 Motivação O desenvolvimento de aplicações
Leia maisPLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística
1. IDENTIFICAÇÃO PLANO DE ENSINO Disciplina: Estatística Multivariada Código: PGMAT568 Pré-Requisito: No. de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: Semestre: 1º Ano: 2015 Turma(s): 01 Professor(a):
Leia maisPropagação de distribuições pelo método de Monte Carlo
Sumário Propagação de distribuições pelo método de Monte Carlo João Alves e Sousa Avaliação de incertezas pelo GUM Propagação de distribuições O método de Monte Carlo Aplicação a modelos de medição por
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisQual é o risco real do Private Equity?
Opinião Qual é o risco real do Private Equity? POR IVAN HERGER, PH.D.* O debate nos mercados financeiros vem sendo dominado pela crise de crédito e alta volatilidade nos mercados acionários. Embora as
Leia mais16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros
16.36: Engenharia de Sistemas de Comunicação Aula 14: Códigos cíclicos e detecção de erros Eytan Modiano Códigos Cíclicos Um código cíclico é um código de bloco linear onde c é uma palavra-chave, e também
Leia maisComplemento III Noções Introdutórias em Lógica Nebulosa
Complemento III Noções Introdutórias em Lógica Nebulosa Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisIntrodução ao Método de Galerkin Estocástico
Introdução ao Método de Galerkin Estocástico Americo Barbosa da Cunha Junior Departamento de Engenharia Mecânica Pontifícia Universidade Católica do Rio de Janeiro 1 Introdução A dinâmica de um sistema
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisCURSO VOCACIONAL Listagem dos Conteúdos
CURSOS VOCACIONAIS Manuel Teixeira Gomes Economia 2 Funcionamento da Atividade Económica Recuperação Mercados e Preços Conceito de mercado Componentes do mercado Tipos de mercado Mercado de concorrência
Leia maisConsiderações Finais. Capítulo 8. 8.1- Principais conclusões
Considerações Finais Capítulo 8 Capítulo 8 Considerações Finais 8.1- Principais conclusões Durante esta tese foram analisados diversos aspectos relativos à implementação, análise e optimização de sistema
Leia maisCADEX. Consultoria em Logística Interna. Layout de armazém. Objectivos. Popularidade. Semelhança. Tamanho. Características
CADEX Consultoria em Logística Interna Layout de armazém fonte: Wikipédia O layout de armazém é a forma como as áreas de armazenagem de um armazém estão organizadas, de forma a utilizar todo o espaço existente
Leia maisTrabalho Prático Sistema de Armazenagem Relatório Artifex
Trabalho Prático Sistema de Armazenagem Relatório Artifex Docente: Paulo Portugal Ana Luísa Martins Daniel Eduardo Miranda dos Santos Marco António Clemente Maltez 2004/2005 ee04255 ee04245 ee04247 Índice
Leia maisMétodo de Monte Carlo e ISO
Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza
Leia maisDISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL
DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL Introdução Variável aleatória Discreta: assume um número finito ou infinito numerável de valores Contínua: assume todos os valores
Leia maisUM TEOREMA QUE PODE SER USADO NA
UM TEOREMA QUE PODE SER USADO NA PERCOLAÇÃO Hemílio Fernandes Campos Coêlho Andrei Toom PIBIC-UFPE-CNPq A percolação é uma parte importante da teoria da probabilidade moderna que tem atraído muita atenção
Leia maisTreinamento do Produto
Treinamento do Produto Redwall Laser Scan Detector REDSCAN RLS-3060 Outubro. 2009 Briznner Tecnologia Ltda. Agenda Síntese do Produto Principio do Detector Laser Características do RLS-3060 Detecção de
Leia maisCritérios para Apoiar a Decisão Sobre o Momento de Parada dos Testes de Software
Critérios para Apoiar a Decisão Sobre o Momento de Parada dos Testes de Software Victor Vidigal Ribeiro Guilherme Horta Travassos {vidigal, ght}@cos.ufrj.br Agenda Introdução Resultados da revisão Corpo
Leia maisDIBSet: Um Detector de Intrusão por Anomalias Baseado em Séries Temporais
VIII Simpósio Brasileiro em Segurança da Informação e de Sistemas Computacionais DIBSet: Um Detector de Intrusão por Anomalias Baseado em Séries Temporais Universidade Federal de Santa Maria Centro de
Leia maisINTRODUÇÃO AO MÉTODO DE MONTE CARLO EM SIMULAÇÃO MOLECULAR E FLUÍDOS CONFINADOS
INTRODUÇÃO AO MÉTODO DE MONTE CARLO EM SIMULAÇÃO MOLECULAR E FLUÍDOS CONFINADOS GABRIEL DUARTE BARBOSA ORIENTADOR: FREDERICO W. TAVARES LABORATÓRIO: ATOMS APPLIED THERMODYNAMICS AND MOLECULAR SIMULATION
Leia maisICDS12 International Conference DURABLE STRUCTURES: from construction to rehabilitation LNEC Lisbon Portugal 31 May - 1 June 2012 DURABLE STRUCTURES
International Conference : from construction to rehabilitation CONCRETE STRUCTURES DURABILITY DESIGN PROBABILISTIC APPROACH Pedro Tourais Pereira; António Costa International Conference : from construction
Leia maisPré processamento de dados II. Mineração de Dados 2012
Pré processamento de dados II Mineração de Dados 2012 Luís Rato Universidade de Évora, 2012 Mineração de dados / Data Mining 1 Redução de dimensionalidade Objetivo: Evitar excesso de dimensionalidade Reduzir
Leia maisCOMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia maisMETODOLOGIA BAYESIANA PARA A ACTUALIZAÇÃO DO MÓDULO DE DEFORMABILIDADE NUMA ESTRUTURA SUBTERRÂNEA
METODOLOGIA BAYESIANA PARA A ACTUALIZAÇÃO DO MÓDULO DE DEFORMABILIDADE NUMA ESTRUTURA SUBTERRÂNEA BAYESIAN METHODOLOGY FOR THE DEFORMABILITY MODULUS UPDATING IN AN UNDERGROUND STRUCUTRE Miranda, Tiago,
Leia maisSistemas de Detecção de Intrusão SDI
PEP Auditoria e Segurança de Redes de Computadores Sistemas de Detecção de Intrusão SDI Jacson Rodrigues Correia da Silva Sistemas de Detecção de Intrusão Monitor de informações que atravessam o firewall
Leia maisProbabilidade. Distribuição Binomial
Probabilidade Distribuição Binomial Distribuição Binomial (Experimentos de Bernoulli) Considere as seguintes experimentos/situações práticas: Conformidade de itens saindo da linha de produção Tiros na
Leia maisEspaço Amostral ( ): conjunto de todos os
PROBABILIDADE Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado. = {1,, 3, 4,, 6}. Doador de sangue (tipo sangüíneo). = {A, B,
Leia maisAjuste de Modelo de Previsão Para Dados de Séries Temporais de Abate Suino no Brasil
Ajuste de Modelo de Previsão Para Dados de Séries Temporais de Abate Suino no Brasil Marcus Vinicius Silva Gurgel do Amaral 1 Taciana Villela Savian 2 Djair Durand Ramalho Frade 3 Simone Silmara Werner
Leia maisTécnicas de Cluster para Analisar Restrição Financeira e Decisão de Investimento: Uma Abordagem Bayesiana
Técnicas de Cluster para Analisar Restrição Financeira e Decisão de Investimento: Uma Abordagem Bayesiana Camila Fernanda Bassetto 1 Aquiles E. G. Kalatzis 2 1 Introdução - Restrição Financeira e Decisão
Leia maisTTT-PLOT E TESTE DE HIPÓTESES BOOTSTRAP PARA O MODELO BI-WEIBULL. Cleber Giugioli Carrasco 1 ; Francisco Louzada-Neto 2 RESUMO
TTT-PLOT E TESTE DE HIPÓTESES BOOTSTRAP PARA O MODELO BI-WEIBULL Cleber Giugioli Carrasco ; Francisco Louzada-Neto Curso de Matemática, Unidade Universitária de Ciências Exatas e Tecnológicas, UEG. Departamento
Leia maisOs Postulados da Mecânica Quântica
Márcio H. F. Bettega Departamento de Física Universidade Federal do Paraná bettega@fisica.ufpr.br Postulados Introdução Vamos apresentar nestas notas os postulados da mecânica quântica de acordo com o
Leia maisAlgoritmos Genéticos (GA s)
Algoritmos Genéticos (GA s) 1 Algoritmos Genéticos (GA s) Dado um processo ou método de codificar soluções de um problema na forma de cromossomas e dada uma função de desempenho que nos dá um valor de
Leia maisExercícios Resolvidos sobre probabilidade total e Teorema de Bayes
Exercícios Resolvidos sobre probabilidade total e Teorema de Bayes Para ampliar sua compreensão sobre probabilidade total e Teorema de Bayes, estude este conjunto de exercícios resolvidos sobre o tema.
Leia maisActivALEA. active e actualize a sua literacia
ActivALEA active e actualize a sua literacia N.º 14 - DADOS DE AUDIIÊNCIIAS DA TV Esta ActivALEA é constituída por um conjunto de questões formuladas a partir de dados apresentados numa notícia publicada
Leia maisSistema de Visão Computacional sobre Processadores com Arquitetura Multi Núcleos
Roberto Kenji Hiramatsu Sistema de Visão Computacional sobre Processadores com Arquitetura Multi Núcleos Tese apresentada à Escola Politécnica da Universidade de São Paulo para obtenção do Título de Doutor
Leia maisCRM e Prospecção de Dados
CRM e Prospecção de Dados Marília Antunes aula de 6 Abril 09 5 Modelos preditivos para classificação 5. Introdução Os modelos descritivos, tal como apresentados atrás, limitam-se à sumarização dos dados
Leia maisSimulação e controle inteligente de tráfego veicular urbano
Simulação e controle inteligente de tráfego veicular urbano Instituto de Informática - UFRGS XVII Seminário de Computação (SEMINCO) 04/11/2008 Roteiro Introdução O Simulador ITSUMO Simulação de Caso Real:
Leia maisAnálise de Sensibilidade
Análise de Risco de Projetos Análise de Risco Prof. Luiz Brandão Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista a pensar em diversos
Leia maisModelagens e Gerenciamento de riscos (Simulação Monte Carlo)
Modelagens e Gerenciamento de riscos (Simulação Monte Carlo) Prof. Esp. João Carlos Hipólito e-mail: jchbn@hotmail.com Sobre o professor: Contador; Professor da Faculdade de Ciências Aplicadas e Sociais
Leia maisEstimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA
Estimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA Everton Batista da Rocha 1 2 3 Roseli Aparecida Leandro 2 Paulo Justiniano Ribeiro Jr 4 1 Introdução Na experimentação agronômica
Leia maisParadigmas em Estatística
Pedro A. Morettin Instituto de Matemática e Estatística Universidade de São Paulo pam@ime.usp.br http://www.ime.usp.br/ pam Sumário As Origens 1 As Origens 2 3 4 5 Paradigma As Origens Modelo, padrão a
Leia maisCapítulo 3 - Trabalhando com circuitos digitais
Prof. Alan Petrônio Pinheiro Apostila de MultiSim 17 Capítulo 3 - Trabalhando com circuitos digitais O primeiro passo para se trabalhar com circuitos digitais é inserir portas lógicas. Para isto, dispomos
Leia maisCONCEITOS. Evento: qualquer subconjunto do espaço amostral. Uma primeira idéia do cálculo de probabilidade. Eventos Teoria de conjuntos
INTRODUÇÃO À PROAILIDADE Exemplos: O problema da coincidência de datas de aniversário O problema da mega sena A teoria das probabilidade nada mais é do que o bom senso transformado em cálculo A probabilidade
Leia maisCRM e Prospecção de Dados
CRM e Prospecção de Dados Marília Antunes aula de 4 de Maio 09 5 Modelos preditivos para classificação (continuação) 5.6 Modelos naive Bayes - classificador bayesiano simples O método ganha a designação
Leia mais2 a Lista de Exercícios
2 a Lista de Exercícios Curso de Probabilidade e Processos Estocásticos 31/03/2003 1 a Questão: Exerc.8 Cap.1 (BJ). Solução: Um possivel espaço amostral seria Ω {(x n ) x n {2,..., 12} n 1} onde cada x
Leia maisTécnicas de Computação Paralela Capítulo III Design de Algoritmos Paralelos
Técnicas de Computação Paralela Capítulo III Design de Algoritmos Paralelos José Rogado jose.rogado@ulusofona.pt Universidade Lusófona Mestrado Eng.ª Informática e Sistemas de Informação 2013/14 Resumo
Leia maisx0 = 1 x n = 3x n 1 x k x k 1 Quantas são as sequências com n letras, cada uma igual a a, b ou c, de modo que não há duas letras a seguidas?
Recorrências Muitas vezes não é possível resolver problemas de contagem diretamente combinando os princípios aditivo e multiplicativo. Para resolver esses problemas recorremos a outros recursos: as recursões
Leia maisProbabilidade - aula III
27 de Março de 2014 Regra da Probabilidade Total Objetivos Ao final deste capítulo você deve ser capaz de: Usar a regra da multiplicação para calcular probabilidade de eventos Usar a Regra da Probabilidade
Leia maisBioestatística Aula 3
Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento
Leia maisProf. MSc. Herivelto Tiago Marcondes dos Santos FACULDADE DE TECNOLOGIA DE GUARATINGUETÁ PROF. JOÃO MOD
Prof. MSc. Herivelto Tiago Marcondes dos Santos FACULDADE DE TECNOLOGIA DE GUARATINGUETÁ PROF. JOÃO MOD OBJETIVO Utilizar os métodos estatísticos para tomadas de decisões. Ementa: Fundamentos da estatística.
Leia maisCLASSIFICAÇÃO E INDÍCIO DE MUDANÇA CLIMÁTICA EM VASSOURAS - RJ
CLASSIFICAÇÃO E INDÍCIO DE MUDANÇA CLIMÁTICA EM VASSOURAS - RJ Gisele dos Santos Alves (1); Célia Maria Paiva; Mônica Carneiro Alves Xavier (1) Aluna do curso de graduação em Meteorologia - UFRJ e-mail:
Leia maisMatemática Discreta para Computação e Informática
Matemática Discreta para Computação e Informática P. Blauth Menezes blauth@inf.ufrgs.br Departamento de Informática Teórica Instituto de Informática / UFRGS Matemática Discreta para Computação e Informática
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados
Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas Departamento de Ciências
Leia maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Avaliações de Testes Diagnósticos 03/14 1 / 17 Uma aplicação
Leia maisUNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA Estimação Bayesiana Curso: Bacharelado em Estatística Disciplina: Estatística Aplicada Nome: Denis Ribeiro
Leia maisRelatório de Estágio
ÍNDICE 1. Descrição da empresa 2. Descrição do problema 2.1 Subcontratação da produção 2.2 Relacionamento da empresa 2.3 Dois departamentos de qualidade 2.4 Inspecções actualmente efectuadas 2.5 Não conformidades
Leia maisIntegrating Multimedia Applications in Hard Real-Time Systems. Introdução - CM são sensíveis a delay e variação no delay (Jitter)
Integrating Multimedia Applications in Hard Real-Time Systems Introdução - CM são sensíveis a delay e variação no delay (Jitter) - WCET para CM não é uma abordagem interessante. WCET >> Tempo médio de
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução a Probabilidade Existem dois tipos
Leia mais1 Probabilidade Condicional - continuação
1 Probabilidade Condicional - continuação Exemplo: Sr. e Sra. Ferreira mudaram-se para Campinas e sabe-se que têm dois filhos sendo pelo menos um deles menino. Qual a probabilidade condicional que ambos
Leia maisDistribuição Exponencial Exponenciada na Presença de Fração de Cura: Modelos de Mistura e Não-Mistura
Distribuição Exponencial Exponenciada na Presença de Fração de Cura: Modelos de Mistura e Não-Mistura Emílio Augusto Coelho-Barros 1,2 Jorge Alberto Achcar 2 Josmar Mazucheli 3 1 Introdução Em análise
Leia maisMODIFICAÇÃO DO TESTE DE NORMALIDADE DE SHAPIRO-WILK MULTIVARIADO DO SOFTWARE ESTATÍSTICO R
MODIFICAÇÃO DO TESTE DE NORMALIDADE DE SHAPIRO-WILK MULTIVARIADO DO SOFTWARE ESTATÍSTICO R Roberta Bessa Veloso 1, Daniel Furtado Ferreira 2, Eric Batista Ferreira 3 INTRODUÇÃO A inferência estatística
Leia maisExercícios de Gestão de Inventários
Investigação Operacional Exercícios de Gestão de Inventários Exercícios de Gestão de Inventários Exercício 1 Uma empresa deve comprar 400 unidades de um artigo, por ano. Esta procura é conhecida e fixa.
Leia maisPredição em Modelos de Tempo de Falha Acelerado com Efeito Aleatório para Avaliação de Riscos de Falha em Poços Petrolíferos
1 Predição em Modelos de Tempo de Falha Acelerado com Efeito Aleatório para Avaliação de Riscos de Falha em Poços Petrolíferos João Batista Carvalho Programa de Pós-Graduação em Matemática Aplicada e Estatística,
Leia maisUniversidade da Beira Interior - Departamento de Matemática ESTATÍSTICA APLICADA À PSICOLOGIA I
Ano lectivo: 2008/2009 Universidade da Beira Interior - Departamento de Matemática ESTATÍSTICA APLICADA À PSICOLOGIA I Ficha de exercícios 1 Validação de Pré-Requisitos: Estatística Descritiva Curso: Psicologia
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia mais1 Método de Monte Carlo Simples
Método de Monte Carlo Simples Finalidade: obter uma estimativa para o valor esperado de uma função qualquer g da variável aleatória θ, ou seja, E[g(θ)]. Seja g(θ) uma função qualquer de θ. Suponha que
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisUtilização do Solver na solução de problemas de PL
Utilização do Solver na solução de problemas de PL Solver é um programa para otimização linear, nãolinear e inteira. Vantagens: implementado na planilha Excel; várias funções algébricas do Excel são aceitas
Leia maisModelagem de Processos Espaço-temporais
Universidade Federal do Rio de Janeiro Instituto de Matemática Modelagem de Processos Espaço-temporais Marina Silva Paez (marina@im.ufrj.br) April 30, 2009 Trabalho realizado em colaboração com: Dani Gamerman
Leia maisPASSEIOS ALEATÓRIOS E CIRCUITOS ELÉTRICOS
PASSEIOS ALEATÓRIOS E CIRCUITOS ELÉTRICOS Aluno: Ricardo Fernando Paes Tiecher Orientador: Lorenzo Justiniano Díaz Casado Introdução A teoria da probabilidade, assim como grande parte da matemática, está
Leia maisTransmissão de impulsos em banda-base
Transmissão de impulsos em banda-base Transmissão de impulsos através de um canal com ruído aditivo. Probabilidades de erro com detecção no ponto central Detecção de sinais binários em ruído gaussiano
Leia maisCadeias de Markov. Geovany A. Borges gaborges@ene.unb.br
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Cadeias de Markov Geovany A. Borges gaborges@ene.unb.br
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
Leia maisCasos de teste semânticos. Casos de teste valorados. Determinar resultados esperados. Gerar script de teste automatizado.
1 Introdução Testes são importantes técnicas de controle da qualidade do software. Entretanto, testes tendem a ser pouco eficazes devido à inadequação das ferramentas de teste existentes [NIST, 2002].
Leia maisAula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos
Aula de Exercícios - Variáveis Aleatórias Discretas - Modelos Probabiĺısticos Organização: Airton Kist Digitação: Guilherme Ludwig Exercício Se X b(n, p), sabendo-se que E(X ) = 12 e σ 2 = 3, determinar:
Leia maisGP-IB. Artur Palha n o 46724 Ana Vieira da Silva n o 46722 Pedro Ribeiro n o 46750 5-5-2002
GP-IB Artur Palha n o 46724 Ana Vieira da Silva n o 46722 Pedro Ribeiro n o 46750 5-5-2002 Resumo Amostragem de sinais AM e FM com gerador de RF e osciloscópio comandados por GP-IB Set up da experiência
Leia maisFEDERAÇÃO PORTUGUESA DE GOLFE COMISSÃO DE HANDICAPS E COURSE RATING
REVISÃO ANUAL 2008 O Sistema de Handicaps EGA, para além dos ajustes automáticos efectuados ao handicap do jogador após cada volta válida prevê dois elementos fundamentais de intervenção por parte das
Leia maisModelamento e simulação de processos
Modelamento e simulação de processos 4. Método de Monte Carlo Prof. Dr. André Carlos Silva 1. INTRODUÇÃO O Método de Monte Carlo (MMC) é um método estatístico utilizado em simulações estocásticas com diversas
Leia maisModelos bayesianos sem MCMC com aplicações na epidemiologia
Modelos bayesianos sem MCMC com aplicações na epidemiologia Leo Bastos, PROCC/Fiocruz lsbastos@fiocruz.br Outline Introdução à inferência bayesiana Estimando uma proporção Ajustando uma regressão Métodos
Leia maisGRÁFICOS DE CONTROLE PARA O MONITORAMENTO DO VETOR DE MÉDIAS DE PROCESSOS BIVARIADOS AUTOCORRELACIONADOS
XXXI ENCONRO NACIONAL DE ENGENHARIA DE PRODUCAO Belo Horizonte, MG, Brasil, 4 a 7 de outubro de 11. GRÁFICOS DE CONROLE PARA O MONIORAMENO DO VEOR DE MÉDIAS DE PROCESSOS BIVARIADOS AUOCORRELACIONADOS Daniel
Leia maisProjeto dos Semáforos
Projeto dos Semáforos 4712 Luís Talaia 4712 Luís Talaia 4713 João Pereira 4713 João Pereira 1º Ano SDAC IMEI Eletrónica Módulo n.º2 Escola Europeia de Ensino Profissional 1º Ano SDAC IMEI Eletrónica Módulo
Leia maisTransmissão e comunicação de dados. Renato Machado
Renato Machado UFSM - Universidade Federal de Santa Maria DELC - Departamento de Eletrônica e Computação renatomachado@ieee.org renatomachado@ufsm.br 03 de Maio de 2012 Sumário 1 2 Modulação offset QPSK
Leia mais