Inferência Bayesiana para estimação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear
|
|
- Pedro Lucas Raminhos da Rocha
- 7 Há anos
- Visualizações:
Transcrição
1 Inferência Bayesiana para estimação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear Márcio José das Chagas Moura (UFPE) Enrique López Droguett (UFPE) Resumo O objetivo do fabricante é desenvolver e comercializar produtos com custos reduzidos e em curtos espaços de tempo que satisfaçam as necessidades dos consumidores. Pode-se dizer que a confiabilidade é um atributo inerente a um produto o qual deve ser considerado desde o processo de concepção até a chegada do mesmo às mãos do consumidor. Porém, a escassez de dados é uma característica cotidianamente encontrada quando se deseja avaliar a confiabilidade de determinado equipamento. Esta situação é acarretada por razões como dificuldades em obter dados de falha sob condições normais de uso e pressões para alcançar prazos e limitações de custo. Desta forma, torna-se determinante a utilização de fontes de informação alternativas, como testes de vida acelerados e opiniões de especialistas para a avaliação da confiabilidade. Este artigo apresentará a metodologia bayesiana para estimação da taxa de falha de bombas utilizadas em um sistema de resfriamento de uma usina nuclear. Essa análise será baseada no Teorema de Bayes e na metodologia de simulação Markov Chain Monte Carlo (MCMC). Palavras chave: Confiabilidade; Teorema de Bayes; MCMC. 1. Introdução Segundo Firmino et al. (2004), a análise de confiabilidade é uma técnica de suporte a tomadas de decisão e controle que auxilia gestores na busca da garantia da execução satisfatória das funções dos itens a respeito de um dado sistema, considerando suas limitações, o seu desgaste e os fatores que influenciam seu desempenho, sejam estes itens equipamentos ou pessoas. Em um mercado competitivo como o atual, a busca permanente por vantagens competitivas é imperativa para sobrevivência da empresa. Dentre o critério ganhador de pedido, i.e., as razões-chaves que os consumidores consideram para comprar um produto, a confiabilidade aparece entre os mais bem ranqueados ao lado da manutenabilidade e da qualidade. A análise da confiabilidade de um equipamento proporciona redução de custos, otimização do processo produtivo, estabelecimento de intervalos mais acurados de manutenção preventiva, redução do tempo de espera em operações de Setup, níveis mais baixos de estoque intermediários, entre outras vantagens. Para avaliar a confiabilidade de determinado equipamento são necessários dados de falha nas condições de uso nominais. Entretanto, esses dados são difíceis de serem obtidos devido a causas, tais como: elevado tempo de vida útil do produto, período curto entre projeto e lançamento do produto no mercado e dificuldade em testar produtos de uso contínuo sob condições de uso normais. Portanto, é comum a existência de situações onde a escassez de dados é um entrave determinante para avaliação da confiabilidade de determinado equipamento. No paradigma Bayesiano para avaliação da confiabilidade, é possível o uso de fontes alternativas de falha, como dados de campo ou de teste de equipamentos. Dentre essas fontes alternativas, estão as Opiniões de Especialistas, onde é possível que o conhecimento implícito ENEGEP 2005 ABEPRO 1561
2 de um indivíduo inteirado com o objeto de análise seja externalizado através de uma distribuição de probabilidade, a qual denominamos de distribuição a priori. Segundo Ayyub (2001), um especialista pode ser entendido como um engenheiro ou outro indivíduo ou grupo de indivíduos com treinamento adequado e familiarizado com o equipamento e processos que constituem o objeto de análise. Além disso, à medida que novas informações sobre o objeto de estudo vão surgindo, retroalimentações do conhecimento sobre tal são realizadas, consistindo consequentemente num processo de melhoria contínua. 2. Teorema de Bayes Através da aplicação da análise Bayesiana em confiabilidade é possível para o engenheiro usar informações provenientes de fontes distintas, como handbooks e opiniões de especialistas, na formulação de uma função de probabilidade para algum parâmetro de interesse. Para um dado parâmetro, os resultados podem ser sistematicamente atualizados à medida que novas informações tornam-se disponíveis. Segundo Droguett et al.(2004a), uma simples visão do Teorema de Bayes é apresentada através da teoria de probabilidade. Considere que estamos interessados em um determinado evento A, como por exemplo, o nível de confiabilidade a ser atingido por um equipamento, e que E represente alguma nova informação relevante à avaliação de A, como o resultado de um teste acelerado. Então, o Teorema de Bayes estabelece que a probabilidade do evento A dado a nova evidência (dados) E é proporcional ao produto entre a probabilidade do evento A antes de obtermos a nova informação E, e a probabilidade de observar a evidência E caso o evento A ocorresse. Ou seja, E A) A) P ( A E) E) Equação 1, onde P (A) é conhecida como a probabilidade a priori de A, i.e., antes de tomarmos conhecimento de E; P ( E A) é a probabilidade de que a evidência E seja observada se A é realmente verdadeiro (ocorre), e é conhecida como função de verossimilhança e P ( A E) é a probabilidade a posteriori de A, i.e., após termos obtido a nova informação representada por E. Logo, P ( A E) representa a nossa probabilidade atualizada sobre o evento A uma vez que obtemos a informação adicional E relevante a A. Em geral, entretanto, estamos interessados na avaliação de atributos de confiabilidade ou parâmetros contínuos, como a taxa de falha. Na forma contínua, o Teorema de Bayes fica: π ( θ E) θ L ( E θ ) π o ( θ ) ( E θ ) π ( θ ) d L o θ Equação 2, onde θ representa algum parâmetro de interesse, como a taxa de falha ou de reparo de um equipamento. Como anteriormente, π o (θ ) é a distribuição a priori sobre θ representando a totalidade da informação disponível ao engenheiro sobre o parâmetro de interesse antes de observar a nova evidência E (como resultados de testes). L ( E θ ) é análoga a P ( E A), conhecida como função de verossimilhança. Note que a informação representada por E convencionalmente está na forma de dados empíricos (como testes). Veja Martz e Waller (1982), para maiores detalhes. ENEGEP 2005 ABEPRO 1562
3 Outras fontes de informação também podem ser utilizadas, como por exemplo, a opinião de especialistas e dados não completamente relevantes, como dados de falha de um equipamento semelhante ao do objeto de estudo, mas que opera em condições ambientais distintas. Segundo Droguett et al. (2004a), o Teorema de Bayes é uma ferramenta ideal para realizarmos atualizações sucessivas do que nós, engenheiros, sabemos sobre a confiabilidade (ou qualquer outro parâmetro de interesse) de determinado equipamento à medida que novas informações tornam-se disponíveis funcionando como mecanismo de retroalimentação do conhecimento. Basicamente, a distribuição a posteriori de hoje se torna a distribuição a priori de amanhã. O processo de atualização pode ser expresso da seguinte forma: 3. Função de Verossimilhança ( π ( E) ) priori + dados( evidência) posteriori θ Pode-se dizer que um primeiro passo em qualquer procedimento de inferência bayesiana envolve o desenvolvimento da função de Verossimilhança. Como já relatado a função de verossimilhança constitui a probabilidade de que a evidência E seja observada se algum parâmetro de interesse é verdadeiro. Para determinação de uma função de verossimilhança deve-se analisar a natureza dos dados disponíveis, os quais representam a evidência, para notar se os mesmos adequam-se a uma ou outra densidade de probabilidade paramétrica. Para o nosso caso de estudo, a evidência é representada por um conjunto de falhas no tempo oriundo de uma população homogênea de n equipamentos genéricos que aqui designaremos por W: 1) W 1 : <k 1, T 1 >; 2) W 2 : <k 2, T 2 >;... n) W n : <k n, T n >, onde k i representa o número de falhas observadas, T i o tempo total no qual se observaram k i falhas e n é o nº total de equipamentos. No contexto de aplicação aqui apresentado, os dados que vão ser utilizados na análise são homogêneos, i.e., todos os equipamentos W i têm o mesmo comportamento quanto à taxa de falha λ, veja Droguett et al. (2004b). Logo, podemos agrupar os dados fornecendo o seguinte: k T n k i i 1 n T i i 1 Equação 3 Equação 4, o que caracteriza um processo de amostragem de Poisson, no qual se têm k falhas durante um período de tempo T, fornecendo uma taxa de falha empírica: k T λ Equação 5 Uma variável aleatória X segue a distribuição de Poisson com parâmetro λ > 0 se sua função de probabilidade é dada por: ENEGEP 2005 ABEPRO 1563
4 X λ k e λ k), k 0,1,2,... Equação 6 k! Portanto, a função de verossimilhança, a qual representará os dados de falha empíricos será modelada por uma distribuição de Poisson com parâmetro λ. Por conveniência matemática, introduziu-se a transformação monotônica λ Ln(u), já que 0 < λ < e 0 < u < 1. Daí a distribuição de probabilidade de Poisson pode ser expressa em termos da variável u. Portanto, a função de verossimilhança centrada na variável u, tal que 0 < u < 1 é dada por: 4. Distribuição a priori X k u( Ln( u)) k) k 0,1,2,... Equação 7 k! Por conveniência matemática e computacional, ao invés de definir uma distribuição a priori para a taxa de falha 0 < λ <, podemos equivalentemente definir uma priori para a variável 0 < u <1. Concentrando em u, uma distribuição a priori que é matematicamente tratável, é definida ao longo do intervalo [ 0;1 ] e não impõe outras restrições em u, é a distribuição de probabilidade Beta, cuja função de distribuição de probabilidade é dada por: Γ( a + b) Γ( a) Γ( b) a 1 b 1 B ( u a, b) u (1 u) Equação 8, onde a e b, ambos não negativos, são os dois parâmetros da distribuição. O conhecimento do especialista será utilizado para estimar os parâmetros a e b da distribuição Beta. Van Dorp e Mazzuchi (2000) mostraram que os parâmetros de uma distribuição Beta podem ser resolvidos sob duas restrições representadas por percentis de probabilidade inferior e superior e desenvolveram um procedimento numérico para calcular tais parâmetros. O método em Van Dorp e Mazzuchi (2000) resolve para um único conjunto de parâmetros de uma distribuição Beta que satisfaz as duas restrições de percentis, para o qual também são provadas a existência e a unicidade da solução. Portanto, o objetivo do processo de elicitação do especialista corresponde a edução de dois percentis. Por conveniência de interpretação por parte do especialista, escolheram-se dois percentis bastante utilizados em engenharia, o 5º e 95º percentis, os quais correspondem a uma estimativa otimista e pessimista da taxa de falha, respectivamente. A estimativa otimista (α ) corresponde a uma estimativa da taxa de falha mínima que o equipamento W pode possuir. É obtida supondo-se condições totalmente favoráveis durante a operação do equipamento. A estimativa pessimista (β ) é uma estimativa da taxa de falha máxima que o equipamento W pode possuir, assumindo condições totalmente adversas. A possibilidade de eventos drásticos e catastróficos não é considerada, a menos que eles estejam claramente associados ao projeto. Portanto, temos duas restrições de percentis, que correspondem aos dois pares ordenados (α,5%) e (β,95%). Fazendo uso do procedimento numérico desenvolvido por Van Dorp e Mazzuchi (2000) é possível estimar os parâmetros a e b. ENEGEP 2005 ABEPRO 1564
5 5. Aproximação a posteriori No caso aqui analisado, a distribuição a posteriori de u segue para função de verossimilhança dada pela distribuição de probabilidade Poisson e uma priori dada pela distribuição Beta. Dado estas distribuições, a avaliação analítica da distribuição a posteriori não é possível. Neste artigo, a distribuição a posteriori para a taxa de falha λ é obtida através do emprego da metodologia Markov Chain Monte Carlo (MCMC) mais especificamente do algoritmo Metropolis Hastings (M-H). Veja Geyer (1992) e Gilks et al. (1996), para maiores detalhes sobre a metodologia MCMC. O objetivo do método M-H aqui é produzir amostras da variável u que tem como função de densidade de probabilidade a distribuição Beta-Poisson, a qual não é tratável analiticamente. Após as amostras de u serem geradas, determinam-se amostras para taxa de falha λ, que é o parâmetro de interesse, pela relação λ Ln(u). Obtendo-se uma das métricas características de confiabilidade como, por exemplo, a função de densidade de probabilidade da taxa de falha (PDF), outras são obtidas por relação direta, tal como a Função de Distribuição Acumulada (CDF). 6. Resultados e Discussão Os equipamentos que serão submetidos a tal estudo são Bombas de um sistema de resfriamento de uma Usina Nuclear. Trata-se de diferentes bombas atuando em unidades nucleares, mas que possuem o mesmo comportamento em relação à taxa de falha λ e, portanto podem ser tratadas como equipamentos oriundos de uma mesma população, i.e., de uma população homogênea. Os dados de falha empíricos e a elicitação da opinião do especialista podem ser visualizados na Tabela 1 e Tabela 2, respectivamente: Equipamento Nº de Falhas Horas Operacionais Centrifugal Charging Pump E+04 Service Water Pump E+05 Component Cooling Pump E+04 Service Water Pump E+04 Component Cooling Pump E+04 Service Water Pump E+04 RHRSW/EECW Pump E+05 Service Water Pump E+04 Total E+05 Fonte: Adaptado de Droguett et al.(2004b) Tabela 1 Dados de falha empíricos Percentil - 5% (Otimista) 2.03E-07 falhas/hr Fonte: Especialista (2004) Percentil - 95% (Pessimista) 9.83E-05 falhas/hr Tabela 2 Elicitação da opinião do especialista Os dados da Tabela 2 foram obtidos através do método de elicitação direta, dado que o especialista elicitado tinha vastos conhecimentos estatísticos. Para maiores detalhes sobre ENEGEP 2005 ABEPRO 1565
6 métodos de elicitação da opinião do especialista dentro do contexto de confiabilidade, veja Ayyub (2001). Com os dados obtidos na Tabela 2 e utilizando o procedimento desenvolvido por Van Dorp e Mazzuchi (2000), foram determinados os parâmetros a e b da distribuição Beta. Determinados tais parâmetros e fazendo uso dos dados da Tabela 1, é possível utilizar a metodologia MCMC para avaliação da distribuição a posteriori para a variável u, tal que u exp( λ) e 0 < u < 1. Concentrando os esforços em u, por motivos de conveniência matemática e computacional, é possível após executar o algoritmo M-H, utilizar a transformação inversa λ Ln(u) e assim determinar a distribuição a posteriori para taxa de falha λ. Usando o algoritmo M-H, uma seqüência de comprimento M foi gerada para o seq Estudo de Caso descrito, fornecendo a seguinte seqüência de variáveis: λ { λ,..., λ }. Destas M amostras nem todas são utilizadas para inferência da distribuição a posteriori para a taxa de falha λ. Isto é realizado com o objetivo de diminuir os efeitos do valor inicial da cadeia na análise final dos resultados. Do comprimento total M da cadeia, é retirada uma seqüência de comprimento L. Esta técnica é chamada de Burn-In. No caso analisado, foram descartadas 10% de M, i.e., L Para maiores detalhes, veja Gilks et al. (1996). A função de densidade de probabilidade a posteriori (PDF) e a função de distribuição acumulada a posteriori (CDF) para a taxa de falha λ estão apresentadas na Figura 1 e Figura 2, respectivamente: i i i Frequência de Ocorrência 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 9,48E-08 4,67E-07 8,39E-07 1,21E-06 1,58E-06 1,95E-06 2,33E-06 Taxa de falha (falhas / hr) Figura 1 PDF a posterior da taxa de falha 2,70E-06 3,07E-06 3,44E-06 3,84E-06 4,08E-06 4,51E-06 5,15E-06 5,15E-06 ENEGEP 2005 ABEPRO 1566
7 CDF 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 1,00E-08 1,00E-07 1,00E-06 1,00E-05 Taxa de falha (falhas/hr) Figura 2 CDF a posteriori para a taxa de falha Nota-se a partir da Figura 1, que o valor mais freqüente ou valor modal de λ é aproximadamente igual a 4.67E-07 falhas/h. O valor médio é de 8.75E-07 falhas/h. 7. Considerações Finais O presente artigo apresentou a metodologia de inferência Bayesiana para avaliação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear. Esta metodologia surge como alternativa para a avaliação de métricas de confiabilidade de um equipamento, produto ou sistema de produção quando a escassez de dados torna-se um obstáculo para tal. A grande motivação para o presente trabalho se dá pelas limitações das técnicas tradicionais que se baseiam no prisma frequentista para avaliação da confiabilidade. Em sistemas de produção do mundo real, onde é bastante comum que o tempo decorrido entre a concepção do produto e o seu lançamento no mercado seja demasiadamente curto, é praticamente impossível que grandes amostras de falha sejam geradas. Portanto, a avaliação da confiabilidade exige que outras informações sejam utilizadas além dos dados empíricos. Outro campo de aplicação bastante propício à inferência Bayesiana é a produtos altamente confiáveis para os quais tempos médios até falhar (MTTFs) que excedem anos não são incomuns. Referências AYYUB, B. M. (2001) - Elicitation of Expert Opinions for Uncertainty and Risks. CRC Press. Florida. DROGUETT, E.L.; GROEN, F.; JIANG, S. & MOSLEH, A. (2004a) - A Reliability Data Collection and Analysis System for Products under Development. Brazilian Journal of Operations Production Management. Vol. 1. DROGUETT, E.L.; GROEN, F. & MOSLEH, A. (2004b) - The combined use of data and expert estimates in population variability analysis. Reliability Engineering and System Safety. Vol. 83, p FIRMINO, P.R.; MOREIRA, P.I.; Chikushi, R.M. & DROGUETT, E. L. (2004) In: XXIV ENEGEP. Santa Catarina. Diagramas espirais: método auxiliar para a resolução ótima de árvores de falhas. GEYER, C. J. (1992) - Practical Markov chain Monte Carlo. Statictic Science. Vol. 7, p GILKS, W.R.; RICHARDSON, S. & SPIEGELHALTER, D.J. (1996) - Markov chain Monte Carlo in Practice. Chapman & Hall/CRC. Florida. MARTZ, H.F. & WALLER, R.A. (1982) - Bayesian Reliability Analysis. New York. VAN DORP, J.R. & MAZZUCHI, T.A. (2000). Solving for the parameters of Beta distribution under two quantile constraints. Journal Statistical Computational Simulation. Vol. 67, p ENEGEP 2005 ABEPRO 1567
Testes Acelerados de Vida para o crescimento da Confiabilidade de produtos em desenvolvimento
Testes Acelerados de Vida para o crescimento da Confiabilidade de produtos em desenvolvimento Márcio José das Chagas Moura (UFPE) marciocmoura@gmail.com Enrique López Droguett (UFPE) ealopez@ufpe.br Carlos
Leia maisAnálise de confiabilidade populacional pelo hibridismo entre redes Bayesianas e bootstrap paramétrico
Análise de confiabilidade populacional pelo hibridismo entre redes Bayesianas e bootstrap paramétrico Paulo Renato Alves Firmino (UFPE) praf62@yahoo.com Enrique López Droguett (UFPE) ealopez@ufpe.br Resumo
Leia maisInfluencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
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 maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
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 maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisXXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003
Avaliação da confiabilidade de produtos em desenvolvimento através da combinação das técnicas de planejamento de experimento e testes acelerados de vida. Wanderley Silva Damaceno (UFPE) wander_sivla@yahoo.com.br
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia maisINTRODUÇÃO A INFERÊNCIA BAYESIANA. Beatriz Cristina Flamia de Azevedo (PIBIC Jr./ Fundação Araucária - UTFPR),
INTRODUÇÃO A INFERÊNCIA BAYESIANA Beatriz Cristina Flamia de Azevedo (PIBIC Jr./ Fundação Araucária - UTFPR), Roberto Molina de Souza (Orientador), e-mail: rmolinasouza@utfpr.edu.br. Universidade Tecnológica
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 maisO Processo de Weibull Poisson para Modelagem da Confiabilidade em Sistemas Reparáveis
O Processo de Weibull Poisson para Modelagem da Confiabilidade em Sistemas Reparáveis Luiz Gustavo Fraga 1 Edmilson Rodrigues Pinto 2 Resumo: Sistemas reparáveis são aqueles sistemas que, após a ocorrência
Leia maisInferência Bayesiana para testes acelerados "step-stress" simples com dados de falha sob censura tipo II e distribuição Gama
Inferência Bayesiana para testes acelerados "step-stress" simples com dados de falha sob censura tipo II e distribuição Gama Karlla Delalibera Chagas pósmac, Unesp Presidente Prudente, Brasil karlladelalibera@gmail.com
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Inferência com dimensão variável Modelos com
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 maisInferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
Leia maisInferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
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 maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Simulação de Sistemas Simulação é a técnica de solução de um problema pela análise de
Leia maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
Leia maisANÁLISE BAYESIANA DA CONFIABILIDADE DE PRODUTOS EM DESENVOLVIMENTO
ANÁLISE BAYESIANA DA CONFIABILIDADE DE PRODUTOS EM DESENVOLVIMENTO Enrique López Droguett Departamento de Engenharia de Produção, Universidade Federal de Pernambuco, Rua Acadêmico Hélio, s/n, CEP 50740-530,
Leia maisMonte Carlo Method. Peter Frank Perroni. December 1, Monte Carlo Simulation
Monte Carlo Simulation December 1, 2015 Histórico Técnica muito antiga porém somente recentemente oficializado como método estatístico. Foi muito importante nas simulações da bomba desenvolvida no Projeto
Leia mais3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
Leia maisAVALIAÇÃO BAYESIANA DA EFICÁCIA DA MANUTENÇÃO VIA PROCESSO DE RENOVAÇÃO GENERALIZADO
versão impressa ISSN 0101-7438 / versão online ISSN 1678-5142 AVALIAÇÃO BAYESIANA DA EFICÁCIA DA MANUTENÇÃO VIA PROCESSO DE RENOVAÇÃO GENERALIZADO Márcio das Chagas Moura * Sérgio Parente Vieira da Rocha
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 maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisDeterminação do tamanho amostral: uma abordagem genuinamente Bayesiana
Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana Edney Luís Oliveira Fernandes, Maria Regina Madruga Tavares, Programa de Pós-Graduação em Matemática e Estatística, ICEN, UFPA, 66610-190,
Leia maisGeração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
Leia maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisVários modelos: um SAD pode incluir vários modelos, cada um representando uma parte diferente do problema de tomada de decisão Categorias de modelos
MODELAGEM E ANÁLISE Modelagem Questões atuais de modelagem Vários modelos: um SAD pode incluir vários modelos, cada um representando uma parte diferente do problema de tomada de decisão Categorias de modelos
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 maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia maisDETERMINAÇÃO DO TEMPO MÉDIO ATÉ A FALHA PARA UM SISTEMA EM COLD STANDBY COM MANUTENÇÃO CORRETIVA BASEADO NA TEORIA DE SEMI-MARKOV
DETERMINAÇÃO DO TEMPO MÉDIO ATÉ A FALHA PARA UM SISTEMA EM COLD STANDBY COM MANUTENÇÃO CORRETIVA BASEADO NA TEORIA DE SEMI-MARKOV Angelica Alebrant Mendes (UFRGS) angelica@producao.ufrgs.br Jose Luis Duarte
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia maisModelo para estimativa de risco operacional e previsão de estoque para equipamentos da Comgás
Modelo para estimativa de risco operacional e previsão de estoque para equipamentos da Comgás 1. Introdução Marcos Henrique de Carvalho 1 Gabriel Alves da Costa Lima 2 Antonio Elias Junior 3 Sergio Rodrigues
Leia maisClassificadores. André Tavares da Silva.
Classificadores André Tavares da Silva andre.silva@udesc.br Reconhecimento de padrões (etapas) Obtenção dos dados (imagens, vídeos, sinais) Pré-processamento Segmentação Extração de características Obs.:
Leia maisSimpósio Internacional de Confiabilidade São Paulo, 2015
Simpósio Internacional de Confiabilidade São Paulo, 2015 IDENTIFICAÇÃO DO INTERVALO ÓTIMO COM DADOS HISTÓRICOS VERSUS DADOS ELICITADOS. Leandro Almeida Dutra 1 Shaney Gonçalves Mileipe 2 1 Mestre em engenharia
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 maisDepartamento de Engenharia Mecânica e Energia, IPRJ, UERJ, Nova Friburgo RJ
Trabalho apresentado no III CMAC - SE, Vitória-ES, 21. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Estimação de parâmetros cinéticos do modelo de transferência de
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisVar como uma medida de risco para modelos de estoque
Var como uma medida de risco para modelos de estoque José Roberto Securato Departamento de Administração da FEA-US e-mail: securato@usp.br atrícia rado Belfiore Escola olitécnica da US e-mail: patricia.belfiore@poli.usp.br
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
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 maisMétodos Computacionais para inferência estatística
Métodos Computacionais para inferência estatística Wagner Hugo Bonat LEG: Laboratório de Estatística e Geoinformação Universidade Federal do Paraná 30 de julho de 2012 Bonat et. al (LEG/UFPR) MCIE 30 de
Leia maisAutomatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST
Universidade de Brasília IE Departamento de Estatística Automatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST Lucas Barbosa Cusinato Rodrigues
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 maisNovembro/2018. Ajuste Automático ao Histórico em Simulação de Reservatórios
Ajuste Automático ao Histórico Simulação de Reservatórios Flavio Dickstein Paulo Goldfeld Renan V. Pinto IM/UFRJ IM/UFRJ LabMAPetro/UFRJ Novembro/2018 Simulação sob incerteza (i) O reservatório é inacessível
Leia maisA Bayesian Reassessment of Nearest-Neighbor Classification (2009)
A Bayesian Reassessment of Nearest-Neighbor Classification (2009) Cucala, Marin, Robert e Titterington André Yoshizumi Gomes (IME/USP) Seminário ministrado no Insper 5 de fevereiro de 2016 O método knn
Leia maisUMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES
UMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES Ana Cláudia Oliveira de MELO Ronei Marcos de MORAES Marinho Gomes de ANDRADE FILHO RESUMO: Neste trabalho é abordado o problema de avaliação da
Leia maisDistribuições Amostrais - Tamanho da Amostra
Distribuições Amostrais - Tamanho da Amostra Prof. Eduardo Bezerra Inferência Estatística 21 de Setembro de 2018 Eduardo Bezerra (CEFET/RJ) Tamanho da Amostra 1 / 10 Motivação Suponha que queremos estimar
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisTeste χ 2 de aderência
Teste χ 2 de aderência Chuck Norris Arnold Schwarzenegger 15 de julho de 2013 Resumo O teste χ 2 de aderência é considerado para testar a hipótese de que uma distribuição de probabilidades as frequências
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 mais( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como:
Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano Orlando V. Sampaio Jr. (POLI-USP) orlando.sampaio@gmail.com Celma de Oliveira Ribeiro (POLI-USP) celma@usp.br André
Leia maisAula 17. Aula de hoje. Aula passada. Problemas Monte Carlo na moda Caminho trilhado Desafios à frente Avaliação
Aula 17 Aula passada Otimização Caixeiro viajante Hill Climbing Distribuição de Boltzman Simulated Annealing De volta ao caixeiro Aula de hoje Problemas Monte Carlo na moda Caminho trilhado Desafios à
Leia maisESTATÍSTICAS PARA INFERIR PADRÕES SELECÇÃO
ESTATÍSTICAS PARA INFERIR PADRÕES DEMOGRÁFICOS E SELECÇÃO Inferências demográficas e selectivas Os fenómenos demográficos (expansão ou redução do efectivo populacional, subdivisão, migração) e selectivos
Leia maisAplicação. Controlo Óptimas. 23º Seminário de Engenharia Mecânica - 4 Junho de Nuno Manuel R. S. Órfão
Aplicação de Cadeias de Markov em Redes de Filas de Espera Políticas de Controlo Óptimas 23º Seminário de Engenharia Mecânica - 4 Junho de 2003 - Nuno Manuel R. S. Órfão nmorfao@estg.ipleiria.pt 1 Sumário
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
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 mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia maisUma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada
Uma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada Autores Maria Celia de Oliveira Papa Orientador Alvaro Jose Abackerli 1. Introdução Uma das
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Métodos de Monte Carlo baseados em Cadeias de Markov:
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisTeste de tendência para mais de um sistema reparável
Universidade Federal de Minas Gerais Instituto de Ciências Exatas (ICEx) Departamento de Estatística Teste de tendência para mais de um sistema reparável Gabriel Vinícius Araújo Fonseca Novembro de 27
Leia maisInferência Bayesiana - Aula 3 -
Inferência Bayesiana - Aula 3 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística Os problemas de estimação e teste de hipóteses podem ser vistos como problemas de decisão.
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 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 maisAnálise comparativa da disponibilidade de duas malhas de completação inteligente em poços de petróleo
Análise comparativa da disponibilidade de duas malhas de completação inteligente em poços de petróleo Márcio José das Chagas Moura (UFPE) marciocmoura@gmail.com Helder Henrique Lima Diniz (UFPE) helder.diniz@terra.com.br
Leia maisDécimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013
UMA ABORDAGEM BAYESIANA PARA GESTÃO DA MANUTENÇÃO DE EQUIPAMENTOS DE GERAÇÃO DE ENERGIA ELÉTRICA R. C. G. Teive* C. C. de B. Camargo* E. T. Sica** J. Coelho*** T. Lange**** M. V. Santana***** * Fundação
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
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 maisModelos de Confiabilidade no R
Modelos de Confiabilidade no R Maria Luíza Guerra de Toledo Escola Nacional de Ciências Estatísticas - IBGE Seminário Internacional de Estatística com R UFF 11 de maio de 2016 Equipe de trabalho Pesquisadores:
Leia maisXIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de Setembro a 01 de Outubro
COMPARAÇÃO DOS MÉTODOS DE VERIFICAÇÃO DO AJUSTE DA DISTRIBUIÇÃO GUMBEL A DADOS EXTREMOS CARLOS JOSÉ DOS REIS 1, LUIZ ALBERTO BEIJO 2,GILBERTO RODRIGUES LISKA 3 RESUMO A distribuição Gumbel é muito aplicada
Leia maisElementos de Estatística. Michel H. Montoril Departamento de Estatística - UFJF
Elementos de Estatística Michel H. Montoril Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os estatísticos são
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisAGA Análise de Dados em Astronomia I. O método de Monte Carlo
1 / 16 AGA 0505- Análise de Dados em Astronomia I O método de Monte Carlo Laerte Sodré Jr. 1o. semestre, 2018 2 / 16 breve história método de resolução de problemas baseado em amostragem aleatória de distribuições
Leia mais2. podemos solucionar problemas não somente probabilisticas, mas tambem qualquer
Aula 3 (21/3/211, 23/3/211). Métodos de Monte Carlo I. Introdução. 1 Teoria ão temos no momento a definição exata de metodos de Monte Carlo. o nosso curso metodos de Monte Carlo vamos chamar metodos computacionais
Leia maisAnálise de Desempenho em Filas M/M/1 Usando uma Abordagem Bayesiana
Trabalho apresentado no III CMAC - SE, Vitória-ES, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Análise de Desempenho em Filas M/M/1 Usando uma Abordagem Bayesiana
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 maisGestão da Confiabilidade de Usinas Hidrelétricas Aplicando Algoritmo de Reamostragem de Dados
Gestão da Confiabilidade de Usinas Hidrelétricas Aplicando Algoritmo de Reamostragem de Dados Jorge Coelho 1,2, Fabrício Bernardelli 1, Celso de Brasil 2, Augusto C. Gregatti 3 (1) Dep. de Ingeniería Eléctrica,
Leia maisANÁLISE BAYESIANA APLICADA À HIDROLOGIA
DIA 1 ANÁLISE BAYESIANA APLICADA À HIDROLOGIA Pedro Luiz Borges Chaffe, Debora Yumi de Oliveira e Paula Cunha David Florianópolis, 28 e 30 de novembro de 2017 SOBRE O MINICURSO Dia 28/11/2017 (14h-17h)
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Prof. Anderson Rodrigo da Silva
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Tipos de Pesquisa Censo: é o levantamento de toda população. Aqui não se faz inferência e sim uma descrição
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisA distribuição Weibull Exponencial de Zografos
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. A distribuição Weibull Eponencial de Zografos Patrícia Silva N. Barros, PPGBEA - UFRPE / DCE - UFPB E-mail: patriciajp1408@hotmail.com Kleber Napoleão
Leia mais