Solução e Optimização de Modelos com Incertezas
|
|
- Maria das Neves Maria Júlia Branco
- 4 Há anos
- Visualizações:
Transcrição
1 Engenharia de Processos e Sistemas Solução e Optimização de Modelos com Incertezas Fernando Bernardo Mar 20 Modelação de incertezas Solução de modelos com parâmetros incertos: cálculo do valor esperado Técnicas de integração multidimensional Optimização e incertezas
2 Modelação, decisão e incertezas Dado o modelo x= f ( d, θ ) h( x, d, θ ) = 0 x variáveis de estado (previsões do modelo, incluindo índices de desempenho) d variáveis de entrada que são graus de liberdade (decisões) θ - parâmetros incertos Questões:. Como modelar as incertezas? Cenários? Distribuições de probabilidade? 2. Qual o valor esperado de x face a θ? E o valor para o pior cenário? Se θ seguir uma determinada distribuição de probabilidades, qual a correspondente distribuição para x? 3. E quanto às decisões d? Como devo decidir face às incertezas θ e tendo em consideração um dado objectivo relacionado com x? 2
3 Modelação, decisão e incertezas Dado o modelo x= f ( d, θ ) h( x, d, θ ) = 0 x um qq índice de desempenho de um processo ou sistema d tecnologias alternativas, dimensionamento, condições de operação θ - parâmetros físico-químicos, parâmetros da análise económica (custos, receitas, cenários futuros). Como trato quantitativamente os parâmetros incertos? Considero cenários discretos ou distribuições de probabilidade contínuas (uniformes, normais)? 2. Qual o valor esperado (média) do desempenho? E o valor para o pior cenário? 3. Como optimizo o processo ou sistema face a incertezas? Na fase de projecto, por exemplo, aplico factores de sobredimensionamento ou pondero a decisão de forma mais calculada? Decido face ao cenário médio ou face ao pior cenário possível? 3
4 Modelação das incertezas Dado o modelo x= f ( d, θ ) h( x, d, θ ) = 0 Vamos começar pela modelação prévia das incertezas.. Parâmetros incertos descritos por cenários discretos: { θ : p( θ ) w, i,, } Θ= = = i i i 2. Função de densidade de probabilidade (FDP) contínua (e.g. normal): Θ= { θ : θ ~ j( θ )} 4
5 Dado o modelo x= f ( d, θ ) h( x, d, θ ) = 0 Valor esperado de x face a Θ:. { θ : p( θ ) w, i,, } Θ= = = i i i Modelação das incertezas e valor esperado E ( x) w x ( d, θ ) Θ = i= i i i Cálculo trivial. Difícil é definir um conjunto de cenários representativo Θ= { θ : θ ~ j( θ )} 2. Difícil: E ( x) x( d, θ ) j( θ ) dθ Θ = Θ integral de dimensão n (n = nº de parâmetros incertos) j(θ) de formato variável e c/ ou s/ parâmetros correlacionados Aproxima-se o integral a partir de N pontos de integração, com pesos w i Várias técnicas de integração EΘ ( x) = x( d, θ ) j( θ ) dθ wi xi ( d, θi ) Θ i= 5
6 Exemplo para introduzir conceitos e ilustrar resultados Exemplo Sistema RPC (Reactor + Permutador de Calor) Reacção muito exotérmica, necessário arrefecer mistura reagente num permutador externo F 0 R C A C A0 T 0 V, T T F T T w2 A PC T 2 F w T w 6
7 Tabela 2.. Modelo matemático do sistema RPC. Balanço mássico à espécie A no reactor E F F ( x ) k exp C V = 0, C = C ( x 0 0 A R A A A0 A RT Balanço entálpico ao reactor F0c p ( T0 T ) F cp ( T T2 ) + ( H R ) F0 xa = 0 Equação de projecto do permutador de calor ( T Tw2 ) ( T2 Tw ) F cp ( T T2 ) = AU Tlm, Tlm = T Tw2 ln T T Balanço entálpico ao permutador de calor F cp ( T T2 ) = Fwc pw( Tw2 Tw ) 2 w Limites nas temperaturas (K) 3 T 389, 3 T2 389, 294 T w Restrições nas temperaturas no permutador T T2 0, Tw2 Tw 0 T T., T T. Restrição na conversão de A x 0.9 w2 2 w Função custo anual ($/ano) C = 69.2V A +.76F F Função lucro anual ($/ano) A P= 5000x A C Variáveis: V volume do reactor (m 3 ) A área de transferência de calor do permutador (m 2 ) F caudal da mistura reagente no permutador (kmol/h) F w caudal de água de arrefecimento (kg/s) x A conversão de A no reactor T temperatura do reactor (K) T 2 temperatura da mistura reagente após arrefecimento (K) T w2 temperatura de saída da água de arrefecimento (K) F 0 C A0 T 0 R w V, T C A T F T T w2 A PC T 2 F w T w 7
8 Tabela 2.2. Parâmetros do modelo RPC. C A0 Concentração de A na alimentação kmol/m 3 F 0 Caudal da alimentação (A puro) kmol/h T 0 Temperatura da alimentação 333 K T w Temperatura de entrada da água de arrefecimento 293 K k R Pré-exponencial de Arrhenius 2 h U Coeficiente global de transferência de calor no permutador 635 kj/(m 2.h.K) E/R Razão entre a energia de activação e a constante dos gases perfeitos K H R Entalpia da reacção kj/kmol c p Calor específico da mistura reagente 67.4 kj/(kmol.k) c pw Calor específico da água de arrefecimento 4.84 kj/(kg.k) F 0 R C A C A0 T 0 V, T T F T T w2 A PC T 2 F w T w 8
9 Simples Simulação Dados V, A, T0, F, Fw e Tw F 0 R C A Modelo: - Bal. mássico a A no reactor - Bal. entálpico ao reactor - Eq. projecto PC - Bal. entálpico ao PC Parâmetros: kr, U, Sistema NL de 4 eqs. C A0 V, T T T 0 F T A PC T 2 Resultados: T w2 F w T w Calcula-se os estados xa, T, T2 e Tw2 8xA, T, T2, Tw2< 9
10 Agora com parâmetros incertos Dados V, A, T0, F, Fw e Tw F 0 R C A k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) C A0 V, T T T 0 F T T w2 A PC T 2 F w T w Calcula-se os estados xa, T, T2 e Tw2. Modelo de cenários U (kj/(m 2.h.K) Probabilidade w i = {0.6,0.,0.,0.,0.} 5 = E( x ) w x ( d, θ ) A i Ai i i= k R (h - ) 0
11 Resultados wi xa THKL T2HKL Tw2HKL E( x ) = w x ( k, U ) = A i Ai Ri i i= U (kj/(m 2.h.K) Probabilidade w i = {0.6,0.,0.,0.,0.} k R (h - )
12 2. Modelo de distribuições contínuas de probabilidade kr e U seguem distribuições normais k R = 2 ± 20% (h ) µ = 2, σ =0.2*µ/3 U = 635 ± 30% (kj/(m 2.h.K)) µ = 635, σ =0.2*µ/3 Para calcular valor esperado de xa é necessário calcular o integral: + + E( x ) x ( k, U ) j( k, U ) dk du = A A R R R Para n parâmetros incertos, o integral é de dimensão n. Difícil de estimar. 2
13 Técnicas de integração. Cubatura-produto A técnica de integração mais imediata consiste em aplicar uma fórmula de integração (e.g. quadratura de Gauss-Legendre) a cada uma das dimensões, obtendo-se uma fórmula denominada de cubatura-produto. Originalmente, os pontos de integração são conhecidos no espaço U = [0;] n (n=2: quadrado unitário; caso geral: n-cubo) 5 pontos em cada dimensão exactidão polinomial de grau 9 (em ordem a x j ) n = 2, N = 5 2 = 25 pontos x( u, u ) j( u, u ) du du 25 i= w x ( u, u ) j ( u, u ) i i i 2i i i 2i Para n parâmetro incertos tem-se 5 n pontos. Para n = 0, 5 0 ~ 0 7 pontos! Fórmulas do tipo produto tornam-se impraticáveis para n grande. 3
14 Técnicas de integração. Transformação para o espaço de interesse Para integrarmos na região de interesse temos de fazer a translação dos pontos padrão [0;] n para o espaço de interesse. Para cada dimensão: L U θ = θ + ( θ θ L ) u Truncando a distribuição normal a 3σ: L θ = µ 3σ U θ = µ + 3σ 3σ 4
15 Técnicas de integração. Transformação para o espaço de interesse n-cubo Espaço das incertezas UHkJêHm 2.h.KL Transformação: θ = θ L + ( θ U θ L ) u k R Hh - L 5
16 Cubatura-produto especializada Para distribuições normais, é possível construir uma cubatura-produto com menos pontos, a partir da quadratura de Gauss-Hermite, própria para integrais com função peso g(u) = exp( u 2 ). 2 x( u)exp( u ) du A FDP normal numa dimensão é: j ( θ µ ) ( θ ) = exp / 2 2 (2 π ) σ 2σ 2 É então necessária a transformação: u 2 ( θ µ ) = 2 2σ θ = µ + 2σ u Os n/ pontos de interesse, no espaço das incertezas 2 Pontos normalizados (de Gauss-Hermite) 6
17 Exemplo 2D 3 pontos de Gauss-Hermite em cada dimensão total de 3 2 pontos Transformação para o espaço de interesse UHkJêHm 2.h.KL Pontos numa dimensão: Pesos respectivos: 2,, , 0, 2 2 Os pesos em 2D obtêm-se por multiplicação Ponto ( 6 / 2;0 ) com peso / 6 2 / 3 Este 9 pontos representam bem o espaço probabilístico k R Hh - L 7
18 Valor esperado de xa 2000 UHkJêHm 2.h.KL E( x ) w x ( k, U ) = A i Ai Ri i i= 3 pontos em cada dimensão exactidão polinomial de grau 3 (em ordem a xa) k R Hh - L wi xa THKL T2HKL Tw2HKL
19 Transformação geral para dimensão n e contemplando eventuais correlações θ ( u) = µ + I Σ 2 / 2 Vector de médias Matriz de covariância: u I = Σ= S. C. S Para dimensão 2: 2 σ 0 ρ σ ρσσ 2 S=, C, e então: 0 σ = 2 2 ρ Σ= ρσσ 2 σ 2 9
20 Correlação positiva ρ = 0.6 S/ correlação 2000 UHkJêHm 2.h.KL UHkJêHm 2.h.KL k R Hh - L k R Hh - L 20
21 Cubaturas genuínas Até agora vimos fórmulas de integração do tipo cubatura-produto: - Gauss-Legendre, aplicável a qq dist. de probabilidades e com N = 5 n pontos - Gauss-Hermite, para dist. normais e N = 3 n As cubaturas genuínas são construídas de raiz para um espaço multidimensional. As cubaturas construídas para integrar no n-cubo (adequadas para qq dist. de prob.) só são úteis em pequenas regiões; podem construir-se fórmulas compostas dividindo-se o n-cubo em subdomínios (tópico aqui não tratado) Há cubaturas construídas para o integral T x( u)exp( u u) du, u R n / 2 Com a transformação θ ( u) = µ + I Σ u 2, podemos usá-las para estimar o valor esperado face a distribuições normais de dimensão n 2
22 Cubatura especializada SC5 Uma desta cubaturas especializadas (designada por SC5) tem apenas N = 2 n +2n pontos (válida para n >= 3, exactidão polinomial de grau 5) Para n=3 Espaço U - 0 Transformação para o espaço de interesse θ ( u) = µ + I Σ 2 / 2 u
23 Cubatura especializada SC5 Esta fórmula é competitiva para dimensões n até ~8-0. Para n=0, N = x 0 = 044 pontos. Para esta ordem de grandeza, as técnicas de amostragem começam a ser mais vantajosas (veremos isto mais adiante). Vejamos a aplicação da cubatura SC5 para n = 4 Dados V, A, T0, F, Fw e Tw F 0 R C A k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) T 0 = 333 ± 5 K, σ =5 K/3 T w = 293 ± 5 K, σ =5 K/3 distribuições normais C A0 T 0 V, T T F T T w2 A PC T 2 F w T w Calcula-se os estados xa, T, T2 e Tw2 23
24 Resultados usando a fórmula SC5, N = x 4 = 24 pontos i kr U T0 Tw wi xa THKL T2HKL Tw2HKL pontos de integração pesos resultados 24 E( x ) w x ( k, U, T, T ) = A i Ai Ri i 0i wi i= 24
25 Comparação de resultados para dois cenários de incerteza k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) 9 E( x ) w x ( k, U ) = A i Ai Ri i i= k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) T 0 = 333 ± 5 K, σ =5 K/3 T w = 293 ± 5 K, σ =5 K/3 24 E( x ) w x ( k, U, T, T ) = A i Ai Ri i 0i wi i= Então o valor esperado não se altera? A variabilidade é provavelmente maior, mas havendo simetria o valor esperado pode ser semelhante. É então necessário caracterizar melhor a variabilidade das saídas. 25
26 Cálculo do desvio padrão µ = E ( x) = x( θ ) j( θ ) dθ w x ( θ ) x Θ i i i Θ i= x = E ( x ) Θ x = [ x( ) x ] j( ) d wi ( xi ( i ) x ) Θ i= σ x wi ( xi ( θ i ) µ x ) i= 2 / 2 σ µ θ µ θ θ θ µ Podemos usar a mesma fórmula de integração 26
27 Nova comparação de resultados k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) xa T HKL média desvio padrão k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) T 0 = 333 ± 5 K, σ =5 K/3 T w = 293 ± 5 K, σ =5 K/3 xa T HKL média desvio padrão O acréscimo de variabilidade tem mais impacto em T do que em xa. 27
28 Integração por amostragem Nas fórmulas até agora apresentadas, o nº de pontos cresce exponencialmente com a dimensão n. Cubatura especializada: apenas p/ dist. normais n SC5: N=2 n +2n GHP5: N=5 n Fórmula produto Gauss- Legendre: aplicável a qq integrando e logo qq dist. de prob. Se o nº de pontos excede , a integração por amostragem pode ser mais eficiente (menos pontos para exactidão equivalente) 28
29 Integração por amostragem Selecciona-se uma amostra de N pontos no espaço de integração e estima-se o integral simplesmente como: EΘ ( x) = x( θ ) j( θ ) dθ xi ( θi ) Θ i= 2000 UHkJêHm 2.h.KL k R Hh - L 29
30 Integração por amostragem 2 grandes grupos de técnicas Monte Carlo - Puramente aleatória (e.g. resultados c/ uma amostra de 00 pontos aleatórios variam muito de amostra para amostra) - Técnicas de redução da variância (a mais simples é fazer várias amostragens do mesmo tamanho e calcular os resultados médios) UHkJêHm 2.h.KL k R Hh - L Quasi-Monte Carlo: métodos baseados em teoria dos números (são deterministas) - Em particular, mostra-se que são eficientes amostras com pouca discrepância, ou seja, pontos distribuídos de forma tendencialmente homogénea no espaço de interesse. Mas não uma grelha uniforme! Um dos melhores métodos é baseado na sequência de números de Hammersley (Amostragem HSS, Hammersley Sequence Sampling) UHkJêHm 2.h.KL k R Hh - L 30
31 Integração por amostragem Podemos retirar amostras num domínio com distribuição uniforme UHkJêHm 2.h.KL distribuição normal UHkJêHm 2.h.KL distribuição normal c/ correlação Ou outro tipo qq de distribuição k R Hh - L 200 UHkJêHm 2.h.KL k R Hh - L k R Hh - L
32 Comparação da eficiência de várias técnicas 4 parâmetros incertos e normais k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) T 0 = 333 ± 5 K, σ =5 K/3 T w = 293 ± 5 K, σ =5 K/3 Monte Carlo Hammersley Cubatura SC5 c/ apenas 24 pontos Grosso modo, a cubatura SC5 (dist. normal) é competitiva até n ~
33 Amostragem e distribuição de probabilidades à saída do modelo A amostragem pode ser mais pesada mas fornece naturalmente mais informação. Com os resultados à saída do modelo, podemos construir os respectivos histogramas (Hammersley com N=500): x A T T 2 T w2 33
34 Amostragem e distribuição de probabilidades à saída do modelo Com distribuições uniformes à entrada os resultados são naturalmente muito diferentes. k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) T 0 = 333 ± 5 K, σ =5 K/3 T w = 293 ± 5 K, σ =5 K/3 distribuições normais distribuições uniformes x A x A 34
35 Resumo do que vimos até aqui Podemos modelar incertezas com cenários discretos ou distribuições de probabilidade { θ : p( θ ) w, i,, } Θ= = = i i i No segundo caso, o cálculo do valor esperado de uma variável de saída do modelo é um integral de dimensão n, que se pode estimar a partir de um conjunto discreto de N pontos de integração µ = E ( x) = x( θ ) j( θ ) dθ w x ( θ ) x Θ i i i Θ i= x = E ( x ) Θ x = [ x( ) x ] j( ) d wi ( xi ( i ) x ) Θ i= σ µ θ µ θ θ θ µ 35
36 Resumo do que vimos até aqui - 0 Existem várias técnicas de integração: cubaturaproduto, cubatura genuína, amostragem (aleatória ou baseada na teoria de números) 0 - Para distribuições normais, a cubatura especializada SC5 é muito competitiva, conseguindo-se boas estimativas com um número de pontos inferior a No caso geral de uma outra qq distribuição, e para n >~6, a integração por amostragem é provavelmente a melhor técnica. A amostragem de Hammersley produz amostras de baixa discrepância e muito mais eficientes do que a amostragem aleatória de Monte Carlo (boas estimativas do integral com poucos pontos) UHkJêHm 2.h.KL k R Hh - L 36
37 Questões iniciais Dado o modelo x= f ( d, θ ) h( x, d, θ ) = 0 x um qq índice de desempenho de um processo ou sistema d tecnologias alternativas, dimensionamento, condições de operação θ - parâmetros físico-químicos, parâmetros da análise económica (custos, receitas, cenários futuros). Como trato quantitativamente os parâmetros incertos? Considero cenários discretos ou distribuições de probabilidade contínuas (uniformes, normais)? 2. Qual o valor esperado (média) do desempenho? E o valor para o pior cenário? 3. Como optimizo o processo ou sistema face a incertezas? Na fase de projecto, por exemplo, aplico factores de sobredimensionamento ou pondero a decisão de forma mais calculada? Decido face ao cenário médio ou face ao pior cenário possível? Já respondemos à questão e parte da 2. Vejamos a análise do pior cenário. 37
38 Análise do pior cenário Dados V, A, T0, F, Fw e Tw F 0 R C A k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) C A0 V, T T T 0 F T T w2 A PC T 2 F w T w Calcula-se os estados xa, T, T2 e Tw2 Já calculámos o valor esperado de xa. Para averiguar qual o pior cenário, podemos olhar para o histograma de xa (com 500 pontos) xa (pior cenário) ~
39 Análise do pior cenário Mas não necessitamos de calcular o histograma. Podemos antes resolver o problema de optimização (para variáveis de projecto V e A fixas) min x A k, U R s. t. eqs. do modelo + restrições Limites nas temperaturas (K) Restrições nas temperaturas no permutador 3 T 389, 3 T2 389, 294 T w T T 0, T T 0 2 w2 w k R = 2 ± 20% (h ) U = 635 ± 30% (kj/(m 2.h.K)) T T., T T. w2 2 w F 0 C A0 T 0 R V, T C A T F T A PC T 2 V = 4.; A = 5.; F = 75.; Fw = 4200.; Da solução do problema de optimização, obtém-se xa,min = T w2 F w T w 39
40 Incertezas e optimização Finalmente, vamos aflorar a questão de como optimizar o sistema, atendendo a incertezas nos parâmetros do modelo. Consideramos o problema de projecto: determinar V e A, que maximizam o lucro P e atendendo à variabilidade em kr e U. P= 5000x A C F 0 R C A C= 69.2V A +.76F F w C A0 T 0 V, T T F T T 2 A PC max V, A, F, F w P s. t. eqs. do modelo + restrições T w2 F w T w x A 0.9 Mas xa e P variam consoante os valores dos parâmetros incertos kr e U 40
41 Há que definir um critério de decisão face a incertezas. Incertezas e optimização O mais simples de implementar é o critério de optimizar o valor esperado do desempenho (neste caso o lucro) Critérios baseados no pior cenário são mais difíceis de concretizar do ponto de vista do problema de optimização (e.g. optimizar V e A tal que o pior cenário seja ainda assim superior a um liminar mínimo) Formulação para optimização do valor esperado do desempenho: F 0 C A0 T 0 R V, T C A T max E ( P) V, A, F, F w Θ s. t. eqs. do modelo + restrições F T T w2 A T 2 PC F w T w x A 0.9 As eqs do modelo e restrições devem contemplar o espaço das incertezas. 4
42 Incertezas e optimização 2000 Já sabemos como calcular o valor esperado de P. Usando a cubatura-produto especializada com 9 pontos, tem-se UHkJêHm 2.h.KL i= i i w E( P) 5000 w x (69.2V A +.76F F ) As eqs. do modelo têm de se verificar para todos os cenários i (9 x 4 eqs) Quanto às restrições: têm tb. de se verificar nos 9 cenários i Se quisermos garantir que as restrições se verifiquem na totalidade do espaço das incertezas, devemos ainda adicionar os vértices do espaço das incertezas (truncado a 3σ) (e ainda assim não há garantia de viabilidade completa) k R Hh - L 42
43 Incertezas e optimização A formulação de optimização é então: Cenários i: 9 pontos de integração + 4 vértices ( w = 0 para os vértices) V, A, F, F A, i 9 i= i i w max 5000 w x (69.2V A +.76F F ) w s. t. eqs. do modelo indexadas em i x 0.88 Outras restrições, tb. indexadas em i i Relaxamos um pouco o limite inicial de 0.9, permitindo conversões menores para os cenários menos favoráveis Limites para os caudais: FN=75.; F.l=; F.lo=0.7; F.up=.3; FwN=4200; Fw.l=; Fw.lo=0.7; Fw.up=.3; F 0 C A0 T 0 R V, T C A T F T A T w2 43 T 2 PC F w T w
44 Incertezas e optimização A formulação de optimização é então: Cenários i: 9 pontos de integração + 4 vértices ( w = 0 para os vértices) i i w max 5000 w x (69.2V A +.76F F ) V, A, F, F A, i i= s. t. eqs. do modelo indexadas em i x w 0.88 Outras restrições, tb. indexadas em i i Estamos aqui a considerar uma política de controlo rígido: valores únicos (a optimizar) para caudais F e Fw, q têm de suportar toda a variabilidade. F 0 C A0 T 0 R V, T C A T De facto, se o sistema for devidamente controlado, os caudais F e Fw podem ser ajustados aos reais valores de kr e U. O pressuposto de controlo perfeito, admite que esse ajuste é óptimo. F T A T w2 44 T 2 PC F w T w
45 Incertezas e optimização A formulação de optimização c/ controlo perfeito é: Cenários i: 9 pontos de integração + 4 vértices ( w = 0 para os vértices) V, A, F, F i A, i 3 i= i i w max 5000 w x (69.2V A +.76F F ) wi s. t. eqs. do modelo indexadas em i x 0.88 Outras restrições, tb. indexadas em i i A única mas importante diferença são os caudais F 0 C A0 R V, T C A T indexados em i: F i e F wi T 0 F T T 2 Ou seja, admitimos que os caudais se ajustam a cada cenário de incerteza i T w2 A PC F w T w Em vez de dois graus de liberdade, temos 2 x 3 graus de liberdade! 45
46 Os resultados são, neste caso, drasticamente diferentes. Controlo rígido: Incertezas e optimização E(P) = -34 (NEGATIVO!) Volume = m 3 Area = m 2 Flow = kmol/h Floww = kg/s MeanxA = SigmaxA = O sistema não suporta tanta variabilidade sem ajustar os caudais F e Fw F 0 C A0 T 0 R V, T C A T F T T 2 Controlo perfeito: T w2 A PC F w T w E(P) = Volume = m 3 Area = 7.87 m 2 MeanxA = SigmaxA = Com o ajuste dos caudais, o sistema tem agora um desempenho muito melhor 46
47 Comparação com a solução determinista (ignorando incertezas) Solução determinista Incertezas e optimização P = 607 Volume = 3.6 m 3 Area = 5.2 m 2 xa = Solução considerando incertezas (controlo perfeito) F 0 C A0 T 0 R V, T C A T E(P) = Volume = m 3 Area = 7.87 m 2 MeanxA = SigmaxA = F T T w2 A PC F w T w Os níveis de sobredimensionamento para suportar as incertezas são calculados de forma racional. Esta é uma das principais vantagens do tratamento sistemático e quantitativo das incertezas. 47 T 2
48 Conclusões Questões de partida. Como trato quantitativamente os parâmetros incertos? Considero cenários discretos ou distribuições de probabilidade contínuas (uniformes, normais)? 2. Qual o valor esperado (média) do desempenho? E o valor para o pior cenário? 3. Como optimizo o processo ou sistema face a incertezas? Na fase de projecto, por exemplo, aplico factores de sobredimensionamento ou pondero a decisão de forma mais calculada? Decido face ao cenário médio ou face ao pior cenário possível? É possível modelar de forma racional as incertezas inerentes a um dado problema e/ou modelo Aplicando técnicas de integração e de optimização, pode analisar-se o impacto dessas incertezas nos desempenhos previstos e optimizar graus de liberdade de forma equilibrada. Em suma, se quantificarmos aquilo que não sabemos, podemos. avaliar o impacto dessa ignorância; 2. tomar decisões mais equilibradas; 3. identificar os subproblemas onde é mais crítica a aquisição de conhecimento adicional (conceito de valor da informação, não tratado nesta aula) 48
Solução e Optimização de Modelos com Incertezas
Engenharia de Processos e Sistemas Solução e Optimização de Modelos com Incertezas Fernando Bernardo Mar 202 Modelação de incertezas Solução de modelos com parâmetros incertos: cálculo do valor esperado
Leia maisSolução e Optimização de Modelos com Incertezas
Engenharia de Processos e Sistemas Solução e Optimização de Modelos com Incertezas Fernando Bernardo Mar 202 Modelação de incertezas Solução de modelos com parâmetros incertos: cálculo do valor esperado
Leia mais- desvio padrão, caracteriza a dispersão dos resultados
O resultado da experiência, então, pode ser expresso na forma < x > ± x n (veja a explicação mais adiante) - desvio padrão, caracteriza a dispersão dos resultados Histograma de frequências Histograma
Leia mais564 E V A P O R A Ç Ã O
564 E V A P O R A Ç Ã O FIGURA 10-5: Esquema de cálculo de um evaporador de multiefeitos (caso de um evaporador triplo, em que i 1, 2, 3). V i e L i são, respectivamente, os caudais de vapor provenientes
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisCapitulo 6 Viabilidade Econômica em Situação de Incerteza
1 Capitulo 6 Viabilidade Econômica em Situação de Incerteza Nos capítulos anteriores, ao construir o fluxo de caixa de um projeto de investimento, supusemos que os valores eram conhecidos com certeza.
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisSecção 2. Equações diferenciais de primeira ordem
. Equações diferenciais de primeira ordem Secção. Equações diferenciais de primeira ordem (Farlow: Sec..,.) Vamos nesta secção analisar como podem ser resolvidos diferentes tipos de EDOs de primeira ordem.
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisAnálise de Processos ENG 514
Análise de Processos ENG 514 Capítulo 1 Introdução à Modelagem de Processos Prof. Édler Lins de Albuquerque Outubro de 2013 1 Considerações Iniciais Processos e Sistemas da Engenharia Química são Complexos
Leia maisEstatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS. Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais
Estatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Modelo Uniforme Contínuo Uma variável aleatória X tem distribuição
Leia maisEstatística básica. Capítulo População e amostra
Capítulo 5 Estatística básica Quando atiramos um dardo para um alvo o resultado do lançamento tem sempre uma componente aleatória (mais ou menos imprevizível conforme o treino e o talento do atirador,
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisMétodos Quantitativos II
Métodos Quantitativos II MEDIDAS DE VARIABILIDADE O que significa Variabilidade? As medidas de tendência central nos dão uma ideia da concentração dos dados em torno de um valor. Entretanto, é preciso
Leia maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisAula 3 11/12/2013. Integração Numérica
CÁLCULO NUMÉRICO Aula 3 11/12/2013 Integração Numérica Objetivo: Calcular integrais utilizando métodos numéricos Cálculo Numérico 3/64 Integração Numérica Cálculo Numérico 4/64 Integração Numérica Em determinadas
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia maisCatarina Marques. Estatística II Licenciatura em Gestão. Conceitos: População, Unidade Estatística e Amostra
Amostragem Estatística II Licenciatura em Gestão 1 Conceitos: População, Unidade Estatística e Amostra População (ou Universo) dimensão N Conjunto de unidades com uma ou mais características comuns População
Leia maisEstatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística II Aula Prof.: Patricia Maria Bortolon, D. Sc. Distribuições Amostrais ... vocês lembram que: Antes de tudo... Estatística Parâmetro Amostra População E usamos estatíticas das amostras para
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisη η < η j + η 0 de outro modo η η η η φ φ φ δ = δ φ, η [ η, η ]
BASE TEÓRICA Este capítulo apresenta a formulação teórica do elemento finito utilizando funções spline. Com este objetivo descrevem-se primeiro as funções que definem os deslocamentos no elemento. A partir
Leia maisEstruturas Marítimas Utilizando Métodos Probabilísticos de Níveis II e III. Maria Teresa Reis João Alfredo Santos
Verificação da Segurança a de Estruturas Marítimas Utilizando Métodos Probabilísticos de Níveis II e III Maria Teresa Reis João Alfredo Santos SUMÁRIO >Introdução > Conceitos básicos >Software PARASODE-BALI
Leia mais3 Teoria da Concatenação e Técnicas Estatísticas
Capacidade 30 3 Teoria da Concatenação e Técnicas Estatísticas A teoria apresentada neste capítulo resume-se na descrição da norma TIA/EIA TSB107 [1]. A necessidade de se prever os valores de PMD de um
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisSimulação Monte Carlo
Simulação Monte Carlo Nome do Prof. Fernando Saba Arbache Email do prof. fernando@arbache.com Definição Análise de risco faz parte da tomada de decisão Surgem constantemente incertezas, ambiguidades e
Leia maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisP.62, Exerc. 1.3: Trocar as posições de tipo AB e tipo O.
ERRATA Segue-se uma lista de correcção de erros de digitação que não inclui os que violam regras de pontuação. Os nossos agradecimentos a todos aqueles que nos comunicaram os erros que foram detectando
Leia maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-1 Integração usando o método da rejeição Queremos calcular a integral Definimos um retângulo de altura H que contenha a
Leia maisDistribuição Normal. Prof a Dr a Alcione Miranda dos Santos. Abril, 2011
Distribuição Normal Prof a Dr a Alcione Miranda dos Santos Universidade Federal do Maranhão Programa de Pós-Graduação em Saúde Coletiva email:alcione.miranda@gmail.com Abril, 2011 1 / 18 Sumário Introdução
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisMestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas
Mestrado Integrado em Engenharia Civil Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas Sessão Prática 11 (Tipo A): Modelos de distribuição de 1/29 Conceitos básicos A estimação indirecta
Leia maisFísica Geral - Laboratório. Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação
Física Geral - Laboratório Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação 1 Física Geral - Objetivos Ao final do período, o aluno deverá ser capaz de compreender as principais
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisDistribuições Amostrais
Estatística II Antonio Roque Aula Distribuições Amostrais O problema central da inferência estatística é como fazer afirmações sobre os parâmetros de uma população a partir de estatísticas obtidas de amostras
Leia maisCapítulo 7 - Comparação de alternativas mutuamente excludentes, em situação de incerteza
1 Capítulo 7 - Comparação de alternativas mutuamente excludentes, em situação de incerteza 7.1 Considerações Gerais. Como foi mostrado no capítulo 4, somente é possível comparar alternativas de mesmo horizonte,
Leia mais12/06/14. Estatística Descritiva. Estatística Descritiva. Medidas de tendência central. Medidas de dispersão. Separatrizes. Resumindo numericamente
Resumindo numericamente Para resumir numericamente dados quantitativos o objetivo é escolher medidas apropriadas de locação (``qual o tamanho dos números envolvidos?'') e de dispersão (``quanta variação
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisAnálise de Dados em Astronomia. 4. Simulações de Monte Carlo
1 / 22 Análise de Dados em Astronomia 4. Simulações de Monte Carlo Laerte Sodré Jr. AGA0505, 1o. semestre 2019 2 / 22 introdução aula de hoje: o método de Monte Carlo 1 introdução 2 variáveis aleatórias
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisTópico 3. Estudo de Erros em Medidas
Tópico 3. Estudo de Erros em Medidas A medida de uma grandeza é obtida, em geral, através de uma experiência, na qual o grau de complexidade do processo de medir está relacionado com a grandeza em questão
Leia maisTratamento de dados em Física
Tratamento de dados em Física Métodos e testes estatísticos V. Oguri Departamento de Física Nuclear e Altas Energias (DFNAE) Programa de Pós-graduação em Física (PPGF) Instituto de Física Armando Dias
Leia maisAjustamento de Observações
Ajustamento de Observações Teoria dos Erros Prof. Dr. Marcos Aurélio Basso IFSULDEMINAS Campus Incondentes MG Teoria dos Erros - Introdução Observações e erros de observação; Factores que caracterizam
Leia maisRedes Complexas Aula 7
Redes Complexas Aula 7 Aula retrasada Lei de potência Distribuição Zeta Propriedades Distribuição Zipf Exemplo Wikipedia Aula de hoje Distribuição de Pareto Medindo lei de potência Estimando expoente Exemplos
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA 6.º ANO PLANIFICAÇÃO GLOBAL ANO LECTIVO 2012/2013 Compreender a noção de volume. VOLUMES Reconhecer
Leia maisProf. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Leia maisLaboratório de Física I. Prof. Paulo Vitor de Morais
Laboratório de Física I Prof. Paulo Vitor de Morais Introdução Inicialmente vamos abordar: Grandezas físicas e o Sistema Internacional de Unidades (SI); Conceito de exatidão e precisão; Algarismos significativos;
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisLicenciatura em Ciências Biológicas Universidade Federal de Goiás. Bioestatística. Prof. Thiago Rangel - Dep. Ecologia ICB
Licenciatura em Ciências Biológicas Universidade Federal de Goiás Bioestatística Prof. Thiago Rangel - Dep. Ecologia ICB rangel.ufg@gmail.com Página do curso: http://www.ecologia.ufrgs.br/~adrimelo/bioestat
Leia maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia maisPESQUISA EM MERCADO DE CAPITAIS. Prof. Patricia Maria Bortolon, D. Sc.
PESQUISA EM MERCADO DE CAPITAIS Prof. Patricia Maria Bortolon, D. Sc. Cap. 7 A Estrutura de Correlações dos Retornos dos Ativos: modelo de índice único ELTO, E.; GRUBER, M.; BROW, S., GOETZMA, W. Moderna
Leia maisQuímica Analítica V 2S Prof. Rafael Sousa. Notas de aula:
Química Analítica V 2S 2012 Aula 3: 04-12-12 Estatística Aplicada à Química Analítica Prof. Rafael Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br Notas de aula: www.ufjf.br/baccan 1 Conceito
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisMétodo de Gauss-Jordan e Sistemas Homogêneos
Método de Gauss-Jordan e Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2017.1 14 de agosto
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
Leia maisESCOLA SECUNDÁRIA JERÓNIMO EMILIANO DE ANDRADE DE ANGRA DO HEROÍSMO
ESCOLA SECUNDÁRIA JERÓNIMO EMILIANO DE ANDRADE DE ANGRA DO HEROÍSMO PLANIFICAÇÃO ANUAL ANO LECTIVO: 008/009 DISCIPLINA: Matemática ANO: 1º Aulas previstas 1º período: 7 (5 ) º período: 7 (5 ) 3º período:
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisIntrodução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:
Introdução à probabilidade e à estatística II Revisão Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Estatística Estatística: É uma ciência que se dedica
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisMétodos Não Paramétricos
Modelação, Identificação e Controlo Digital Métodos Não Paramétricos 1 Métodos Não Paramétricos Estimação da resposta impulsiva e da resposta em frequência Análise espectral e métodos de correlação J.
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - 12o Ano 2008-1 a Fase Proposta de resolução GRUPO I 1. Como se pretende ordenar 5 elementos amigos) em 5 posições lugares), existem 5 A 5 = P 5 = 5! casos possíveis. Como
Leia mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia maisModelos Contínuos. nuos
1 Modelos Contínuos nuos Modelos Mecanísticos Linearização Modelos de Esaço de Estados Funções de transferência Conversão de modelos Resosta em cadeia aberta 2 1 O que é um Modelo Matemático? tico? Conjunto
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA 6.º ANO PLANIFICAÇÃO GLOBAL ANO LECTIVO 2011/2012 Compreender a noção de volume. VOLUMES Reconhecer
Leia maisStela Adami Vayego DEST/UFPR
Resumo 9 Modelos Probabilísticos Variável Contínua Vamos ver como criar um modelo probabilístico, o que é uma função densidade de probabilidade (fdp), e como calcular probabilidades no caso de variáveis
Leia maisO método dos mínimos quadrados: análise de regressão
O métodos dos mínimos quadrados é um método famoso para lidar com dados ruidosos. Sua justificativa segue diretamente do método da máxima verossimilhança. Para Y i dados medidos en valores das variável
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
Leia maisFis.Rad.I /1 Notas de aula (Prof. Stenio Dore) (Dated: May 28, 2004)
INTRODUÇÃO À ESTATÍSTICA DE CONTAGEM Fis.Rad.I - 24/1 Notas de aula (Prof. Stenio Dore) (Dated: May 28, 24) I. PROBABILIDADE: E E OU Vimos que, para nossas finalidades podemos definir a probabilidade de
Leia mais