Sistemas de Alarme Óptimos para Processos de Contagem

Tamanho: px
Começar a partir da página:

Download "Sistemas de Alarme Óptimos para Processos de Contagem"

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,

Predição bootstrap via amostragem Gibbs do montante a- nual de indemnizações

Predição 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 mais

Universidade 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 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 mais

2 Modelo Clássico de Cramér-Lundberg

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 mais

CRM e Prospecção de Dados

CRM 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 mais

Terminologias Sinais Largura de Banda de Dados Digitais. Sinais e Espectro

Terminologias 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 mais

Inferência bayesiana em sistemas de reparo imperfeito

Inferência 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 mais

1 Método de Monte Carlo Simples

1 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 mais

Estudo 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 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 mais

GRÁFICOS DE CONTROLE PARA O MONITORAMENTO DO VETOR DE MÉDIAS DE PROCESSOS BIVARIADOS AUTOCORRELACIONADOS

GRÁFICOS 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 mais

ESCOLA SECUNDÁRIA MANUEL DA FONSECA, SANTIAGO DO CACÉM GRUPO DISCIPLINAR: 500 Matemática Aplicada às Ciências Sociais

ESCOLA SECUNDÁRIA MANUEL DA FONSECA, SANTIAGO DO CACÉM GRUPO DISCIPLINAR: 500 Matemática Aplicada às Ciências Sociais ANO: 11º ANO LECTIVO : 008/009 p.1/7 CONTEÚDOS MODELOS MATEMÁTICOS COMPETÊNCIAS A DESENVOLVER - Compreender a importância dos modelos matemáticos na resolução de problemas de problemas concretos. Nº. AULAS

Leia mais

Modelamento e simulação de processos

Modelamento 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 mais

Uma aplicação dos modelos de fronteira estocástica utilizando a abordagem Bayesiana

Uma 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 mais

Modelagem de Processos Espaço-temporais

Modelagem 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 mais

MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS

MODELOS 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 mais

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística

PLANO 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 mais

Filtro de Kalman. Plano Básico Processos Estocásticos

Filtro de Kalman. Plano Básico Processos Estocásticos Universidade Federal do Ceará Centro de Tecnologia Departamento de Engenharia Elétrica Programa de Educação Tutorial - PET Plano Básico Processos Estocásticos Filtro de Kalman Autores: Abnadan de Melo

Leia mais

Técnicas 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 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 mais

CRM e Prospecção de Dados

CRM 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 mais

Transmissão de impulsos em banda-base

Transmissão de impulsos em banda-base Transmissão de impulsos em anda-ase 3 Formatação de impulsos para cancelamento da interferência intersimólica 3.1 O critério de Nyquist. O espectro dorado. Impulsos de cosseno elevado Interferência intersimólica

Leia mais

METODOLOGIA BAYESIANA PARA A ACTUALIZAÇÃO DO MÓDULO DE DEFORMABILIDADE NUMA ESTRUTURA SUBTERRÂNEA

METODOLOGIA 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 mais

CURSO VOCACIONAL Listagem dos Conteúdos

CURSO 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 mais

Modelos bayesianos sem MCMC com aplicações na epidemiologia

Modelos 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 mais

M. Eisencraft 6.5 Processos aleatórios gaussianos 86. t1 +T. x(t)y(t+τ)dt. (6.35) t 1 T. x(t)y(t+τ)dt R xy (τ) = R XY (τ). (6.36)

M. Eisencraft 6.5 Processos aleatórios gaussianos 86. t1 +T. x(t)y(t+τ)dt. (6.35) t 1 T. x(t)y(t+τ)dt R xy (τ) = R XY (τ). (6.36) M. Eisencraft 6.5 Processos aleatórios gaussianos 86 R 0 (t 1 +2T) = 1 2T t1 +T t 1 Assim, tomando t 1 = 0 e assumindo que T é grande, temos x(t)y(t+τ)dt. (6.35) R 0 (2T) = 1 2T x(t)y(t+τ)dt R xy (τ) =

Leia mais

Bioestatística Aula 3

Bioestatística 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 mais

Distribuição 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 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 mais

para os Números de Fibonacci 1

para os Números de Fibonacci 1 TEMA Tend. Mat. Apl. Comput., 5, No. 2 (2004), 205-215. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Fórmula Explícita e Interpretação Combinatória para os Números de

Leia mais

Paradigmas em Estatística

Paradigmas 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 mais

Predição em Modelos de Tempo de Falha Acelerado com Efeito Aleatório para Avaliação de Riscos de Falha em Poços Petrolíferos

Predição 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 mais

Então, O que é Inferência Bayesiana?

Então, 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 mais

CDI 20705 Comunicação Digital

CDI 20705 Comunicação Digital CDI Comunicação Digital DeModulação em Banda Base Digital Communications Fundamentals and Applications Bernard Sklar ª edição Prentice Hall Marcio Doniak www.sj.ifsc.edu.br/~mdoniak mdoniak@ifsc.edu.br

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL

DISTRIBUIÇÕES 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 mais

Modelos Variáveis de Estado

Modelos Variáveis de Estado Modelos Variáveis de Estado Introdução; Variáveis de Estados de Sistemas Dinâmicos; Equação Diferencial de Estado; Função de Transferência a partir das Equações de Estados; Resposta no Domínio do Tempo

Leia mais

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Análise Multi-Critério Classificação continua (Lógica Fuzzy) Técnica AHP (Processo Analítico Hierárquico)

Leia mais

Método de Monte Carlo e ISO

Método 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 mais

MODIFICAÇÃO 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 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 mais

Cadeias de Markov. Geovany A. Borges gaborges@ene.unb.br

Cadeias 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 mais

Os Postulados da Mecânica Quântica

Os 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 mais

Ajuste 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 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 mais

Análise Bayesiana do Sistema de Cotas da UFBA

Análise 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 mais

Estatística e Probabilidade. Aula 4 Cap 03. Probabilidade

Estatística e Probabilidade. Aula 4 Cap 03. Probabilidade Estatística e Probabilidade Aula 4 Cap 03 Probabilidade Estatística e Probabilidade Método Estatístico Estatística Descritiva Estatística Inferencial Nesta aula... aprenderemos como usar informações para

Leia mais

ANÁLISE DAS VAZÕES DO RIO SÃO FRANCISCO COM O FILTRO HODRICK-PRESCOTT

ANÁLISE DAS VAZÕES DO RIO SÃO FRANCISCO COM O FILTRO HODRICK-PRESCOTT ANÁLISE DAS VAZÕES DO RIO SÃO FRANCISCO COM O FILTRO HODRICK-PRESCOTT Igor Madson Fernandes dos Santos 1, Bruno dos Santos Guimarães 1, Renato Vieira Costa 1, Luiz Carlos Baldicero Molion² e João Rafael

Leia mais

Estimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA

Estimação 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 mais

Universidade Federal de Uberlândia Julho 2012

Universidade Federal de Uberlândia Julho 2012 Universidade Federal de Uberlândia Julho 2012 O primeiro autor agradece à FAPEMIG. Sumário 1 2 3 4 5 6 7 Sumário 1 2 3 4 5 6 7 Restrição à população homossexual relativamente simples; Engloba de 70 a 80

Leia mais

2. Método de Monte Carlo

2. 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 mais

Reflexões sobre Probabilidade, Estatística e Modelamento Matemático

Reflexões sobre Probabilidade, Estatística e Modelamento Matemático Reflexões sobre Probabilidade, Estatística e Modelamento Matemático Por: Armando Z. Milioni Instituto Tecnológico de Aeronáutica MPEP - BSB Agosto 2013 1 Resumo do que fizemos Um Jogador lançou 30 dados

Leia mais

Vetores Aleatórios, correlação e conjuntas

Vetores Aleatórios, correlação e conjuntas Vetores Aleatórios, correlação e conjuntas Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Segundo Semestre, 2013 C.T.Cristino (DEINFO-UFRPE) Vetores Aleatórios 2013.2

Leia mais

Probabilidade 1. José Carlos Fogo

Probabilidade 1. José Carlos Fogo Probabilidade 1 José Carlos Fogo Junho 2014 Sumário Sumário 1 Conceitos Básicos e Definições 3 1.1 Relações entre conjuntos............................. 3 1.2 Algumas definições em probabilidade:.....................

Leia mais

INTERPRETAÇÃO DE OBJETOS EM CONTEXTO

INTERPRETAÇÃO DE OBJETOS EM CONTEXTO INTERPRETAÇÃO DE OBJETOS EM CONTEXTO MARIANA C. SPERANDIO 1, FELLIPE A. S. SILVA 1, PAULO E. SANTOS 2. 1. Centro Universitário da FEI Av. Humberto de Alencar Castelo Branco 3972, 09850-908 São Bernardo

Leia mais

Aprendizado Bayesiano. Disciplina: Agentes Adaptativos e Cognitivos

Aprendizado Bayesiano. Disciplina: Agentes Adaptativos e Cognitivos Aprendizado Bayesiano Disciplina: Agentes Adaptativos e Cognitivos Conhecimento com Incerteza Exemplo: sistema de diagnóstico odontológico Regra de diagnóstico " p sintoma (p,dor de dente) doença (p,cárie)

Leia mais

Testes de Ajustamento (testes da bondade do ajustamento)

Testes de Ajustamento (testes da bondade do ajustamento) Testes de Ajustamento (testes da bondade do ajustamento) Os testes de ajustamento servem para testar a hipótese de que uma determinada amostra aleatória tenha sido extraída de uma população com distribuição

Leia mais

INTERPRETAÇÃO DE OBJETOS EM CONTEXTO

INTERPRETAÇÃO DE OBJETOS EM CONTEXTO INTERPRETAÇÃO DE OBJETOS EM CONTEXTO MARIANA C. SPERANDIO 1, FELLIPE A. S. SILVA 1, PAULO E. SANTOS 2. 1. Centro Universitário da FEI Av. Humberto de Alencar Castelo Branco 3972, 09850-908 São Bernardo

Leia mais

ANAIS ANÁLISE DE PROBLEMAS NO CONTROLE DE ESTOQUE DECORRENTES DE ERROS NOS REGISTROS DE SAÍDA

ANAIS ANÁLISE DE PROBLEMAS NO CONTROLE DE ESTOQUE DECORRENTES DE ERROS NOS REGISTROS DE SAÍDA ANÁLISE DE PROBLEMAS NO CONTROLE DE ESTOQUE DECORRENTES DE ERROS NOS REGISTROS DE SAÍDA FABIO FAVARETTO ( fabio.favaretto@unifei.edu.br ) UNIVERSIDADE FEDERAL DE ITAJUBÁ EVERTON DROHOMERETSKI ( profeverton.d@hotmail.com

Leia mais

UNIVERSIDADE 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 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 mais

DIBSet: Um Detector de Intrusão por Anomalias Baseado em Séries Temporais

DIBSet: 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 mais

CONCURSO PETROBRAS DRAFT. Pesquisa Operacional, TI, Probabilidade e Estatística. Questões Resolvidas. Produzido por Exatas Concursos www.exatas.com.

CONCURSO PETROBRAS DRAFT. Pesquisa Operacional, TI, Probabilidade e Estatística. Questões Resolvidas. Produzido por Exatas Concursos www.exatas.com. CONCURSO PETROBRAS ENGENHEIRO(A) DE PRODUÇÃO JÚNIOR ENGENHEIRO(A) JÚNIOR - ÁREA: PRODUÇÃO Pesquisa Operacional, TI, Probabilidade e Estatística Questões Resolvidas QUESTÕES RETIRADAS DE PROVAS DA BANCA

Leia mais

Trabalho Prático Sistema de Armazenagem Relatório Artifex

Trabalho 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 mais

BANDAS DE PREVISÃO USANDO POLINÔMIOS INTERPOLADORES EM SÉRIES TEMPORAIS

BANDAS DE PREVISÃO USANDO POLINÔMIOS INTERPOLADORES EM SÉRIES TEMPORAIS 175 BANDAS DE PREVISÃO USANDO POLINÔMIOS INTERPOLADORES EM SÉRIES TEMPORAIS Deysieri Elvira dos Santos Maia (Uni-FACEF) Antonio Carlos da Silva Filho (Uni-FACEF) 1 INTRODUÇÃO A previsão é a estimativa

Leia mais

Probabilidade. Distribuição Binomial

Probabilidade. 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 mais

CONTRIBUIÇÃO AO GRÁFICO DE ESTABILIDADE CONSIDERANDO O CONTEXTO GEOMECÂNICO BRASILEIRO

CONTRIBUIÇÃO AO GRÁFICO DE ESTABILIDADE CONSIDERANDO O CONTEXTO GEOMECÂNICO BRASILEIRO CONTRIBUIÇÃO AO GRÁFICO DE ESTABILIDADE CONSIDERANDO O CONTEXTO GEOMECÂNICO BRASILEIRO Autores: Michel Melo Oliveira Cláudio Lúcio Lopes pinto José Ildefonso Gusmão Dutra 07/08/2014 Introdução O Sublevel

Leia mais

2 a Lista de Exercícios

2 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 mais

Considerações Finais. Capítulo 8. 8.1- Principais conclusões

Considerações 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 mais

GP-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 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 mais

DISTRIBUIÇÃO NORMAL 1

DISTRIBUIÇÃO 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 mais

Cap.2 Aprendizagem Bayesiana e baseada em protótipos V 3.0, V.Lobo, EN/ISEGI, 2005

Cap.2 Aprendizagem Bayesiana e baseada em protótipos V 3.0, V.Lobo, EN/ISEGI, 2005 V 3.0, V.Lobo, E/ISEGI, 005 Classificação Bayesiana (revisões...) Victor Lobo Contexto Existem um conjunto de dados conhecidos Conjunto de treino Queremos prever o que vai ocorrer noutros casos Exemplo

Leia mais

Modelando a Variância

Modelando a Variância Capítulo 6 Modelando a Variância 6.1 Introdução Nos modelos vistos até aqui a variância dos erros foi assumida constante ao longo do tempo, i.e. V ar(ɛ t ) = E(ɛ 2 t ) = σɛ 2. Muitas séries temporais no

Leia mais

Estudo da Constelação 16-QAM

Estudo da Constelação 16-QAM Estudo da Constelação 6-QAM Luciano Leonel Mendes Aluno do INATEL Santa Rita do Sapucaí - MG Prof. Geraldo Gil Ramundo Gomes Professor do INATEL Santa Rita do Sapucaí - MG Resumo O tutorial aqui apresentado

Leia mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

COMPARAÇÃO DE MODELOS DE PREVISÃO PARA O PIB E O PRODUTO DA INDÚSTRIA

COMPARAÇÃO DE MODELOS DE PREVISÃO PARA O PIB E O PRODUTO DA INDÚSTRIA TEXTO PARA DISCUSSÃO Nº 613 COMPARAÇÃO DE MODELOS DE PREVISÃO PARA O PIB E O PRODUTO DA INDÚSTRIA Ajax R. Bello Moreira * Elaine Amendola ** Rio de Janeiro, dezembro de 1998 * Da Diretoria de Pesquisa

Leia mais

Empresa Brasileira de Infra-Estrutura Aeroportuária (INFRAERO), dbsantos@infraero.gov.br

Empresa Brasileira de Infra-Estrutura Aeroportuária (INFRAERO), dbsantos@infraero.gov.br ANÁLISE ESTATÍSTICA DA PREVISIBILIDADE DOS ÍNDICES TERMODINÂMICOS NO PERÍODO CHUVOSO DE 2009, PARA AEROPORTO INTERNACIONAL DE SALVADOR/BA Deydila Michele Bonfim dos Santos 1 Carlos Alberto Ferreira Gisler

Leia mais

Previsão de Vendas para Artigos de Confecção utilizando Redes Bayesianas Um caso prático

Previsão de Vendas para Artigos de Confecção utilizando Redes Bayesianas Um caso prático Previsão de Vendas para Artigos de Confecção utilizando Redes Bayesianas Um caso prático Sandro Bertotti 1, Mirian de Luca S. Caetano 1, Paulo S. S. Borges 2 1 Curso de Pós Graduação em Ciências da Computação

Leia mais

Grupo A - 1 o semestre de 2014 Gabarito Lista de exercícios 5 - Variáveis Aleatórias e Distribuição Binomial C A S A

Grupo A - 1 o semestre de 2014 Gabarito Lista de exercícios 5 - Variáveis Aleatórias e Distribuição Binomial C A S A Exercício 1. (2,0 pontos). Dados sobre acidentes automobilísticos levantados por uma companhia de seguros informaram o seguinte: a probabilidade de que um motorista segurado sofra um acidente automobilístico

Leia mais

Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições.

Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Março de 2012 Tipos

Leia mais

MONITORAMENTO ON-LINE DE PROCESSOS DE USINAGEM VIA MEDIÇÃO DE VIBRAÇÕES

MONITORAMENTO ON-LINE DE PROCESSOS DE USINAGEM VIA MEDIÇÃO DE VIBRAÇÕES 16º POSMEC Universidade Federal de Uberlândia Faculdade de Engenharia Mecânica MONITORAMENTO ON-LINE DE PROCESSOS DE USINAGEM VIA MEDIÇÃO DE VIBRAÇÕES Tatiana Meola Universidade Federal de Uberlândia tatiana.meola@gmail.com

Leia mais

TTT-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 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 mais

Método paramétrico de Monte Carlo para avaliação de correlação em dados autocorrelacionados

Método paramétrico de Monte Carlo para avaliação de correlação em dados autocorrelacionados Método paramétrico de Monte Carlo para avaliação de correlação em dados autocorrelacionados Karina Rebuli Universidade Federal do Paraná karina.rebuli@gmail.com 19 de setembro de 2014 Karina Rebuli (LEG

Leia mais

Análise de Diagnóstico no Modelo de Regressão Bivariado com Fração de Cura

Análise de Diagnóstico no Modelo de Regressão Bivariado com Fração de Cura Análise de Diagnóstico no Modelo de Regressão Bivariado com Fração de Cura Juliana B. Fachini Universidade de São Paulo Edwin M. M. Ortega Universidade de São Paulo 1 Introdução Dados de sobrevivência

Leia mais

PROBABILIDADE. Aula 5

PROBABILIDADE. Aula 5 Curso: Psicologia Disciplina: Métodos Quantitativos Profa. Valdinéia Data: 28/10/15 PROBABILIDADE Aula 5 Geralmente a cada experimento aparecem vários resultados possíveis. Por exemplo ao jogar uma moeda,

Leia mais

Capítulo 1 Definição de Sinais e Sistemas

Capítulo 1 Definição de Sinais e Sistemas Capítulo 1 Definição de Sinais e Sistemas 1.1 Introdução 1.2 Representação dos sinais como funções 1.3 Representação dos sistemas como funções 1.4 Definições básicas de funções 1.5 Definição de sinal 1.6

Leia mais

Séries de Fourier Aplicações em Geral Transformada de Fourier (TF) Aplicações específicas da TF Conclusões

Séries de Fourier Aplicações em Geral Transformada de Fourier (TF) Aplicações específicas da TF Conclusões Sinais e Sistemas Aplicações das séries e transformadas de Fourier Séries de Fourier Aplicações em Geral Transformada de Fourier (TF) Aplicações específicas da TF Conclusões Baseado no seguinte material:

Leia mais

Avaliação e Desempenho Aula 4

Avaliação e Desempenho Aula 4 Avaliação e Desempenho Aula 4 Aulas passadas Motivação para avaliação e desempenho Aula de hoje Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Experimentos Aleatórios

Leia mais

TAXA DE DESCONTO, ANÁLISE DE RISCO, MODELOS DE PREDIÇÃO

TAXA DE DESCONTO, ANÁLISE DE RISCO, MODELOS DE PREDIÇÃO TAXA DE DESCONTO, ANÁLISE DE RISCO, MODELOS DE PREDIÇÃO AGNALDO CALVI BENVENHO, IBAPE, MRICS Eng. Mecânico, Especialista em Engenharia de Avaliações e Perícias TAXA DE DESCONTO NBR 14.653-4: Taxa de desconto:

Leia mais

Oscilador Harmônico Simples

Oscilador Harmônico Simples Motivação Oscilador Harmônico Simples a) espectroscopia molecular, b) cristais e outras estruturas no estado sólido, c) estrutura nuclear, d) teoria de campo, e) ótica, f) mecânica estatística, g) aproximante

Leia mais

Critérios 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 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 mais

Séries de Tempo. José Fajardo. Setembro 2011. Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Processos Não Estacionários Setembro 2011 1 / 61

Séries de Tempo. José Fajardo. Setembro 2011. Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Processos Não Estacionários Setembro 2011 1 / 61 Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Setembro 2011 José Fajardo (FGV-EBAPE) Processos Não Estacionários Setembro 2011 1 / 61 Motivação A série temporal não estacionária não pode ser

Leia mais

Seleção de variáveis para o modelo de fração de cura baseado no tempo de primeira passagem para um processo de Wiener

Seleção de variáveis para o modelo de fração de cura baseado no tempo de primeira passagem para um processo de Wiener Seleção de variáveis para o modelo de fração de cura baseado no tempo de primeira passagem para um processo de Wiener Jhon F.B. Gonzales 1 1 Mário de Castro A. Filho 1 2 Vera Lucia D. Tomazella 11 1 Introdução

Leia mais

Métodos de Monte Carlo

Métodos de Monte Carlo Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,

Leia mais

Introdução à análise de dados discretos

Introdução à análise de dados discretos Exemplo 1: comparação de métodos de detecção de cárie Suponha que um pesquisador lhe apresente a seguinte tabela de contingência, resumindo os dados coletados por ele, oriundos de um determinado experimento:

Leia mais

Empresa de Pesquisa Energética (EPE) 2014. Analista de Projetos da Geração de Energia

Empresa de Pesquisa Energética (EPE) 2014. Analista de Projetos da Geração de Energia Empresa de Pesquisa Energética (EPE) 2014 Analista de Projetos da Geração de Energia Oi, pessoal! Vou resolver as quatro questões de Estatística (53 a 56) da prova elaborada pela banca Cesgranrio para

Leia mais

MOQ-23 ESTATÍSTICA. Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo

MOQ-23 ESTATÍSTICA. Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo MOQ-3 ESTATÍSTICA Proessor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Probabilidade e Estatística: The Science o collecting and analyzing data or the purpose o drawing conclusions and making

Leia mais

Goodears Robot Orientado por Farol Acústico

Goodears Robot Orientado por Farol Acústico Goodears Robot Orientado por Farol Acústico José Vieira, Luís Almeida, Paulo Santos, João Reis vieira@det.ua.pt, lda@det.ua.pt, athos@portugalmail.pt, joao.m.rei@portugalmail.pt Resumo DET - IEETA Universidade

Leia mais

Dimensionamento de equipamentos reservas para subestações

Dimensionamento de equipamentos reservas para subestações XVIII Seminário Nacional de Distribuição de Energia Elétrica SENDI 2008-06 a 10 de outubro Olinda - Pernambuco - Brasil Dimensionamento de equipamentos reservas para subestações Leonardo Labarrere de Souza

Leia mais

PREVISÃO DE VENDAS DE CERVEJA PARA UMA INDÚSTRIA DE RIBEIRÃO PRETO

PREVISÃO DE VENDAS DE CERVEJA PARA UMA INDÚSTRIA DE RIBEIRÃO PRETO PREVISÃO DE VENDAS DE CERVEJA PARA UMA INDÚSTRIA DE RIBEIRÃO PRETO José Gilberto S. Rinaldi (UNESP/Presidente Prudente) Randal Farago (Faculdades Integradas FAFIBE) Resumo: Este trabalho aborda técnicas

Leia mais

REDES BAYESIANAS. Palavras-chave: Redes bayesianas, Grafo, Estrutura de Dados, Inteligência artificial.

REDES BAYESIANAS. Palavras-chave: Redes bayesianas, Grafo, Estrutura de Dados, Inteligência artificial. REDES BAYESIANAS Gabriel Rigo da Cruz Jacobsen gabrielrigoj@gmail.com Prof. Leonardo Sommariva, Estrutura de Dados RESUMO: Uma rede bayesiana é uma forma de representar o conhecimento de um domínio onde

Leia mais

Faturamento de Restaurantes

Faturamento de Restaurantes Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2015 1 / 28

Leia mais

Aula 1: Introdução à Probabilidade

Aula 1: Introdução à Probabilidade Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo

Leia mais

INVESTIMENTO DIRETO ESTRANGEIRO E DESENVOLVIMENTO DO SISTEMA FINANCEIRO BRASILEIRO, UMA ANÁLISE EMPÍRICA

INVESTIMENTO DIRETO ESTRANGEIRO E DESENVOLVIMENTO DO SISTEMA FINANCEIRO BRASILEIRO, UMA ANÁLISE EMPÍRICA INVESTIMENTO DIRETO ESTRANGEIRO E DESENVOLVIMENTO DO SISTEMA FINANCEIRO BRASILEIRO, UMA ANÁLISE EMPÍRICA Elaine Aparecida Fernandes CPF 027576066-97 Estudante de pós-graduação da Universidade Federal de

Leia mais

Métodos Quantitativos. aula 3

Métodos Quantitativos. aula 3 Métodos Quantitativos aula 3 Prof. Dr. Marco Antonio Insper Ibmec São Paulo Simulação Empresarial Auxílio na tomada de decisão. Criação de cenários otimistas e pessimistas. Poder de previsão baseada em

Leia mais

EEG - Análise e implementação do artigo: Bayesian Classification of Single-Trial Event-Related Potentials in EEG

EEG - Análise e implementação do artigo: Bayesian Classification of Single-Trial Event-Related Potentials in EEG Relatório técnico v1.0, Agosto 2006 EEG - Análise e implementação do artigo: Bayesian Classification of Single-Trial Event-Related Potentials in EEG Instituto de Sistemase Robótica DEEC Universdade de

Leia mais

Identificação e Controle Adaptativo

Identificação e Controle Adaptativo Identificação e Controle Adaptativo Prof. Antonio A. R. Coelho 1 Universidade Federal de Santa Catarina, UFSC Grupo de Pesquisa em Tecnologias de Controle Aplicado, GPqTCA Departamento de Automação e Sistemas,

Leia mais