s:
|
|
- Stella Barros Amarante
- 7 Há anos
- Visualizações:
Transcrição
1 ANÁLISE DE CONFIABILIDADE DE PROCESSOS INDUSTRIAIS VIA REDES BAYESIANAS LUCA NOBRE 1,PHELLIPE SILVA 1, ALLAN VENCESLAU 1, DANIEL MACEDO 1,IVANOVITCH SILVA 2, LUIZ AFFONSO GUEDES 1 1. Laboratório de Informática Industrial, Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte Av. Senador Salgado Filho, 3000 Lagoa Nova, Natal, Rio Grande do Norte 2. Laboratório de Informática Industrial, Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte Av. Senador Salgado Filho, 3000 Lagoa Nova, Natal, Rio Grande do Norte s: lucasnobre215@gmail.com, phellipe@dca.ufrn.br, allanrsv@dca.ufrn.br, danielmacedo@dca.ufrn.br, ivan@imd.ufrn.br, affonso@dca.ufrn.br Abstract Bayesian Networks are graphical tools that treat dependency between variables in a probabilistic space. Such tool is gaining value in the industrial automation area, especially for having flexibility to deal with problems which treats uncertainty. In the reliability analysis of systems, Bayesian methods became important for being able to use data from samples and previous observations in analysis and future conclusions. Due to its great potential, the following paper will present a case study of an industrial plant s reliability analysis using this approach, pointing out the capability of generating different scenarios besides the visual representation of the results. Keywords Reliability Analysis, Bayesian Networks, Industrial Automation, Intelligent Automation, risk assessment. Resumo Redes Bayesianas são ferramentas matemáticas gráficas que tratam dependência entre variáveis aleatórias em um ambiente probabilístico. Tal ferramenta vem ganhando espaço na área de automação industrial, principalmente por possuir flexibilidade para lidar com problemas que tratam incertezas. Na área de análise de confiabilidade de sistemas, métodos bayesianos ganharam importância por poderem usar dados de amostras e observações passadas em análises e conclusões futuras. Diante do seu grande potencial, neste artigo será apresentado um estudo de caso de análise de confiabilidade de uma planta industrial utilizando-se essa abordagem, ressaltando-se capacidade para geração de diversos cenários de análise, além da representação visual dos seus resultados. Palavras-chave Confiabilidade, Redes Bayesianas, Automação Industrial, Automação Inteligente, Avaliação de Risco. 1 Introdução Com o advento da economia globalizada, observou-se um aumento na demanda por produtos e sistemas de melhor desempenho, seguros e a custos competitivos. Desta maneira, surgiu à necessidade de tornar os equipamentos industriais mais robustos a falhas, o que resultou numa ênfase crescente no estudo da confiabilidade industrial (Fogliato, 2009). Assim, definimos confiabilidade como sendo a probabilidade de que um componente, equipamento ou sistema exercerá sua função sem falhas por um período de tempo previsto, sob condições de operação especificadas. Essa medida para confiabilidade possui uma grande importância em diversos campos da engenharia, pois em um mercado competitivo procura-se não somente produzir um equipamento a um menor custo, mas também aumentar o valor agregado a ele (Simonetti, 2009). Portanto, torna-se indiscutível a importância do estudo da confiabilidade em sistemas industriais modernos. Dado a importância de se analisar a robustez dos sistemas, uma gama de formalismos foi criada para a modelagem quantitativa de confiabilidade dos mesmos. Os diagramas de bloco de confiabilidade (RBD), análise de árvores de falhas (FTA) e cadeias de Markov de tempo contínuo ou discreto (CTMC/DTMC) são exemplos de técnicas quantitativas amplamente usadas na indústria (Rouvroye, 2002). Técnicas qualitativas como a análise de modo e efeito de falhas (FMEA) e a análise no espaço de estados também são abordagens estabelecidas na área (Sellitto, 2002). Apesar disso, alguns formalismos apresentam limitações por não incorporar características dinâmicas e dependência entre os eventos, além de tornarem a analise de confiabilidade de sistemas mais complexas, sua modelagem pode se tornar uma tarefa bastante árdua. Em face a esse contexto, o formalismo de redes bayesianas (RB) vem ganhando espaço na área de análise de confiabilidade para sistemas industriais. Esse crescente interesse pelas RB se deve a vários motivos, dentre eles podemos destacar a flexibilidade na modelagem de sistemas, a facilidade intuitiva de entendimento e a capacidade de estabelecer uma relação de causa e efeito. 2939
2 Diante da relevância das RB para a área de confiabilidade, o principal objetivo deste trabalho é descrever um procedimento básico para a modelagem de um processo industrial para análise de confiabilidade. O procedimento consiste em criar um modelo de inter-relação de falhas, quantificar a probabilidade de cada evento isoladamente e implementar esse modelo em uma ferramenta computacional. Em seguida, podem ser realizadas análises quantitativas a respeito da influência de cada componente, tanto para a falha do sistema e quanto para suas respectivas sensibilidades. Para melhor explicitar os detalhes do modelo proposto, será utilizado um estudo de caso de uma planta de controle de nível devidamente instrumentada. O restante desse artigo é organizado nas seguintes seções: Na Seção 2 é introduzido o conceito de redes bayesianas. Na Seção 3, é descrito um sistema que será utilizado como estudo de caso para a análise de confiabilidade. Na Seção 4, é apresentado o procedimento para modelagem de confiabilidade via RB, com as análises quantitativas e qualitativas realizadas sobre esse modelo. Finalmente, na Seção 5 conclui-se o artigo e é apresentado direções para trabalhos futuros. Esta relação nos permite estabelecer um vínculo de causa e efeito, viabilizando a inferência probabilística, que é uma das principais funções das redes bayesianas. Essa relação de causa e efeito é proveniente da famosa fórmula de Bayes para probabilidade condicional, (equação 1). Nesta relação, a probabilidade do evento A ocorrer, dado que o evento B ocorreu, é função das probabilidades a priori de ocorrência dos eventos A e B e da probabilidade que B ocorra dado que A ocorreu. Na estatística, o teorema de Bayes é resultado de manipulações matemáticas das probabilidades condicionais, sendo o mesmo núcleo da teoria das redes bayesianas (Pearl, 1988). P( B A) P( A) P ( A B) = (1) P( B) 2 Redes Bayesianas Redes bayesianas são grafos acíclicos dirigidos que representam dependências entre as variáveis de um modelo probabilístico. Esta abordagem representa uma boa estratégia para lidar com problemas que tratam incertezas, onde conclusões não podem ser construídas apenas do conhecimento prévio a respeito do problema (Marques, 2002). Popularizadas no campo da inteligência artificial, as RB possuem inúmeras aplicações e são notadamente úteis e flexíveis em situações onde existem dependências locais entre variáveis. Algumas das diversas aplicações são sugeridas em artigos na área da engenharia espacial (ACS, 1996), robótica (Charniak, 1991) e medicina (Lucas, 2001). Weber (2012) apresenta uma revisão bibliográfica sobre a aplicação de redes bayesianas em diversas áreas, mostrando o crescente interesse da utilização desse formalismo para análise de confiabilidade de sistemas. Em uma rede bayesiana, os nós representam variáveis probabilísticas discretas ou contínuas e as arestas representam a dependência entre os nós. Também devemos levar em consideração que uma variável pode possuir múltiplos estados e um nó pode ligar-se com qualquer outro nó, isso levando em consideração a ausência de ciclos no grafo em questão. Na Figura 1 exemplifica-se uma rede bayesiana que modela a relação de causa-efeito entre variáveis de um processo hipotético, onde nós Defeito_valvula_01 e Alta_Temperatura são ditos nós raízes e ao mesmo tempo são pais de Pressão_Bomba. Isso significa dizer que existe uma relação de dependência probabilística entre os pais e seu filho. Figura 1. Exemplo de rede bayesiana para modelar relações causais. A grande relevância da fórmula de Bayes se deve ao fato que o conhecimento total sobre um cenário é quase sempre incompleto; raramente, toda a verdade sobre o ambiente é conhecida, assim, na maioria dos casos as análises são feitas sob incerteza, no qual o conhecimento é representado por um grau de crença sobre os fatos conhecidos previamente. A crença em determinado fato dependerá das percepções recebidas. Para o caso que nenhuma evidência foi observada, as probabilidades serão chamadas de probabilidades a priori ou incondicionais. Após a observação de qualquer evidência, as probabilidades serão chamadas de a posteriori ou condicionais (Miralles, 2012). Como dito anteriormente, a inferência é uma das principais funções que uma rede bayesiana pode oferecer, pois através dela pode obter-se conclusões e atualizar as probabilidades da rede a partir de observações. Vamos tomar como exemplo a rede da Figura 1. Cada nó possui sua probabilidade a priori, mas caso alguma observação seja realizada, todas as outras 2940
3 Figura 2. Exemplo de inferência em uma rede bayesiana. probabilidades da rede serão atualizadas a partir dessa amostra. Isso é ilustrado pela Figura 02, onde o nó Alta_Temperatura foi observado como verdadeiro. Para que isso seja possível, todos os nós possuem uma tabela de probabilidade condicional, mais conhecida com CPTable, como exemplificado na Figura 3. O sistema é composto por um tanque e uma bandeja, conforme mostrado na Figura 4. Dois sensores embutidos no tanque (representados por S1 e S2) analisam se o nível está adequado e enviam essas informações a seus respectivos controladores (C1 e C2). Para uma boa execução do processo, o valor do nível não deve ser menor que o estabelecido por S1 e tampouco maior que o estabelecido por S2. O controlador C1 é responsável por controlar a válvula de entrada (V1) enquanto que o controlador C2 é responsável pela válvula de saída de segurança (V3). Caso uma falha ocorra e o tanque transborde, a bandeja de segurança evitará que o líquido atinja outros componentes do sistema, a mesma está equipada com um sensor SP1 que indica se existe presença de água ou não. Por sua vez, a válvula de saída (V2) também está presente no sistema, porém esta é operada manualmente. Dutos numerados de P1 a P6 são os meios por onde o líquido flui e estes também são alvos de falhas como rachaduras e obstruções. Neles estão embutidos três sensores de vazão VF1, VF2 e VF3. X Y X Y P (Y X) P (~Y X) 0 P (Y ~X) P (~Y ~X) Figura 3. Ilustração da Tabela de Probabilidade Condicional da rede X Y. Antes de realizar as inferências e obter conclusões da RB, há a necessidade de se ter as tabelas de todos os nós devidamente preenchidas. Essas tabelas podem ser vistas como uma matriz estocástica de todas as probabilidades condicionais de cada nó. Um dos problemas tradicionais da análise probabilística de risco e de confiabilidade é como contornar a escassez de dados. Muitas vezes, para que se realizem inferências mais realistas é necessário que nossa base de dados seja consistente e usualmente faltam dados para preencher as tabelas. Para isso, métodos de quantificação estão sendo sugeridos por muitos autores, um deles é a elaboração de intervalos de probabilidade (Firmino,2005) ou algoritmos de população de tabelas (Das, 2004). 3 Descrição do processo Nessa seção descreveremos a operação de um sistema de controle de nível de um tanque, que será utilizado como estudo de caso para melhor explicar os procedimentos para análise da confiabilidade baseado nas redes bayesianas. Esse sistema será baseado em um sistema de controle de nível já estudado por Lampis (2010), porém foram realizadas adaptações de modo a melhor exibir os procedimentos de modelagem via RB. Figura 4. Sistema de controle de nível Em operação normal, a válvula V2 se encontra sempre aberta deixando o líquido sair, enquanto que a válvula V1 fica aberta para tentar substituir o que vazou da V2. Dessa forma, o nível do tanque se mantém constante. A válvula V3 se encontrará fechada a não ser que o nível do tanque alcance um valor crítico. Consideram-se também alguns outros aspectos importantes, como: V1 e V2 possuem a mesma capacidade de vazão. P5 e P6 são mais largos que os outros dutos, a fim de facilitar no processo de secagem do tanque em situações críticas. Rachaduras em P2 e P4 não são consideradas falhas, pois estas não interferem no funcionamento natural do processo. Se o tanque possui rachaduras, a vazão de saída será maior que o normal. Em relação às falhas do sistema, existem várias possibilidades que serão explicitadas na Tabela 1. Assume-se também que um componente apenas apresenta uma falha por vez, por exemplo, um duto não pode estar bloqueado e rachado ao mesmo tempo. 2941
4 4 Modelagem e resultados obtidos O primeiro passo para fazer a modelagem de falhas na abordagem proposta é a criação de um diagrama arquitetural de causalidade. Como o sistema do estudo de caso possui relativamente muitos nós e por questões de simplicidade, optou-se por mostrar neste trabalho apenas a modelagem de causalidade das falhas que descreve o transporte de líquido pela válvula V2. Esse diagrama é mostrado na Figura 5 e foi baseado no modelo proposto por Lampis (2010). A partir dele, foram extraídos os nós e as ligações entre eles na RB. Tabela 1 Descrição das falhas dos componentes do sistema de controle de nível. Falha em componente P ib P if V ifc V ifo S ifh S ifl C ifh C ifl TR TL NWMS Descrição Duto P i Bloqueado (Obstruído) Duto P i Rachado Válvula V i falha em fechar Válvula V i falha em abrir Sensor S i falha para cima Sensor S i falha para baixo Controlador C i falha pra cima Controlador C i falha pra baixo Tanque rachado Tanque transbordando Sem água na fonte No diagrama mostrado na Figura 5, os nós com fundo cinza escuro são os eventos primários ou folhas, estes são descritos na Tabela 1 e serão preenchidos com as probabilidades a priori na RB. Os nós com fundo cinza claro representam eventos aleatórios que são combinações de outros nós. A Figura 5 é um exemplo de arquitetura de causalidade de falhas onde é analisado o fluxo pela válvula 2 da planta em questão. De posse da arquitetura de causalidade de falhas, como descrito na Figura 5, a próxima etapa no procedimento é construir uma RB para modelar essa causalidade. Essa modelagem é descrita na Figura 6. Cada nó é representado por um quadrado cinza, esses nós da rede são eventos aleatórios que possuem dois estado, verdadeiro ou falso, ou seja, aconteceu ou não. A probabilidade de um evento acontecer é representada por uma barra vertical. As ligações entre os nós representam a dependência entre eles. No caso, considerou-se que todos os eventos descritos na Tabela 1 têm probabilidade de ocorrência de 1%. Figura 5. Arquitetura de causalidade de falhas para um cenário específico de transporte de líquido pela válvula V2. Após a modelagem das falhas via RB, o próximo passo no procedimento é o preenchimento das tabelas de probabilidade condicional de todos os nós que possuem pais. O número de linhas da tabela a ser preenchida cresce de acordo com o produto entre o numero de estados de seus nós pais, como mostra a equação 2, onde L n é a quantidade de linhas da tabela do nó e P i é a quantidade de estados de seu nó pai i. n Pi L = (2) Em outras palavras, a CPTable é uma tabela verdade das probabilidades condicionais de um dado nó em relação ao seus pais. Como exemplo, pode-se observar a CPTable do nó V1_Normal descrita na Tabela 2. Tabela 2 Tabela de probabilidade do nó V1_Normal. V1FC C1FH S1FH V1_ Normal ~V1_ Normal Verdadeiro Verdadeiro Verdadeiro 0 1 Verdadeiro Verdadeiro Falso 0 1 Verdadeiro Falso Verdadeiro 0 1 Verdadeiro Falso Falso 0 1 Falso Verdadeiro Verdadeiro 0 1 Falso Verdadeiro Falso 0 1 Falso Falso Verdadeiro 0 1 Falso Falso Falso 1 0 Após completar todas as CPTables, temos acesso a probabilidade a priori de todos os nós, e posteriormente será possível realizar inferências sobre a RB. Em primeiro caso, considerou-se que existiria falha em um nó caso um dos pais falhasse, assim, completamos as CPTables com valores binários, representando falha ou não. Analisada as probabilidades na Figura 6, podemos observar que o fluxo na válvula 2 tem 88,6% de chance de ser verdadeiro e 11,4% de chance de ser falso. 2942
5 Figura 6 - Probabilidade a priori de todos os nós com tabelas binárias. Apesar de conseguir dados interessantes, deve-se levar em consideração que a rede bayesiana do sistema anterior foi modelada com valores binários nas CPTables, como mostra a Tabela 2. Essa característica particular de configuração faz com que alguns nós da RB trabalhem como portas lógicas AND ou OR, de forma similar às árvores de falhas (Bobbio,2001). Assim, fazendo uso de uma das principais vantagens das RB, que é sua flexibilidade, é sugerido um novo preenchimento das CPTables, agora com valores mais condizentes com a realidade, entre o intervalo de zero a um, como mostra a Tabela 3. Essa análise de causa e consequência é feita com maior dinamismo nas RB do que nas árvores de falhas. Tabela 3 Tabela de probabilidades do nó V1_Normal com intervalo de zero a um. V1_ ~V1_ V1FC C1FH S1FH Normal Normal Verdadeiro Verdadeiro Verdadeiro Verdadeiro Verdadeiro Falso Verdadeiro Falso Verdadeiro Verdadeiro Falso Falso Falso Verdadeiro Verdadeiro Falso Verdadeiro Falso Falso Falso Verdadeiro Falso Falso Falso Seguindo uma configuração semelhante da Tabela 3 para todos os nós da rede, temos uma rede Bayesiana com probabilidades diferentes da anterior. Assim, atingem-se os resultados da Rede 2 mostrados na Tabela 4. Também na Tabela 4, comparam-se as probabilidades iniciais das duas redes Bayesianas. A primeira modelada com tabelas binárias e outra modelada com tabelas de intervalos de zero a um. Após a quantificação das probabilidades de falhas na rede bayesiana, podem ser realizadas as inferências. Este procedimento basicamente analisa como as probabilidades são influenciadas dado que alguma evidência foi observada. Por exemplo, caso seja observado que o nó Tank_Water_Avalib se tornou falso, outros nós que dependem diretamente e indiretamente deste serão atualizados com novas probabilidades. Os resultados dessa inferência na rede 2 podem ser observados na Tabela 5. Tabela 4 Probabilidade a priori das duas redes. Nós Rede 1 Rede 2 Flow_V V2FC Water_Flows_P3_P Tank_Water_Avalib NWMS P1B P3_Obst_Or_Cracked P4B TR Water_Flows_System P1_Obst_Or_Cracked P1F P3B P3F V1_Normal S1FH Water_Flows_P1_P P2B V1FC C1FH Com essa análise, se torna claro alguns aspectos que sem ajuda de uma ferramenta gráfica como o BR- BayesianExpert seriam menos evidentes. Fazendo uma análise comparativa das probabilidades dos nós-folhas da rede bayesiana após a inferência, percebe-se que as prováveis causas para a falta de água no tanque (representado pelo nó Tank_water_Avalib) possivelmente foi gerada por um dos nós P2B, P1B e P1F, uma vez que suas probabilidades são, respectivamente, 0.113, e 0.112, levando a crer que a causa mais provável para não haver água no tanque é o cano 2 estar obstruído. 2943
6 Outra possível análise feita a partir das redes bayesianas é estudar seu comportamento à variação de probabilidade. Isso pode ser feito de duas formas: através de uma inferência nos nós-folha, gerando uma propagação em direção aos nós subsequentes da rede analisada de forma que é possível perceber o impacto desta variação nos seus nós-filhos, ou ainda fazendo a inferência inversa, observar um fato em um nó subsequente e analisar quais os nós que podem ter ocasionado aquela falha. dispositivos (Figura 8). Esse tipo de análise nos possibilita perceber quais os dispositivos e seções mais criticas do sistema. Dessa forma, definir quais deles são mais passiveis de reparo ou substituição. Dito isso, percebe-se que a falha V2FC seja a causa raiz mais provável para a não existência de fluxo em V2. Esse resultado se justifica pelo fato de que quanto maior a proximidade de dois nós em uma Rede Bayesiana, maior será a influência de um nó com o outro. Tabela 5 Probabilidade após inferência no nó Tank_Water_Avalib na rede 2. Nós Rede 2 após inferência Tank_Water_Avalib 0.0 P2B P1B P1F TR NWMS C1FH S1FH V1FC 0.02 V2FC 0.01 P4B 0.01 P3B 0.01 P3F 0.01 Assim, partido dos dispositivos da planta (V2FC, V1FC, C1FH e S1FH), percebe-se que a primeira análise, onde foi efetuada a variação de Flow_V2 indo de 0% a 100% (eixo das abscissa) e foi analisado o impacto dessa variação sobre cada dispositivo do sistema (eixo das ordenadas), podendo ser visualizado da Figura 7. Assim, se torna possível perceber qual o provável elemento do processo que causou a falta de fluxo em V2. Esse estudo demonstrou que, das falhas de dispositivos, a que tem maior influencia sobre a falta de fluxo em V2 é a válvula 2 ter problema para fechar, uma vez que, quando Flow_V2 foi falso, a maior probabilidade de falha será no nó V2FC. Figura 7 - Probabilidade em Flow_V2 X Probabilidade dos Nós- Folha A segunda análise estudou o comportamento do nó Flow_V2 em função das probabilidades falhas dos Figura 8 - Probabilidade dos Nós-Folha x Probabilidade em Flow_V2 5 Conclusão Esse trabalho abordou a análise de confiabilidade de plantas industriais utilizando uma rede bayesiana. O modelo proposto compreende as etapas de modelagem das situações de falhas, a arquitetura de causalidade, atribuições de valores para ocorrências de falhas e inferências sobre a rede bayesiana. Para melhor compreensão dessa abordagem, ao longo do trabalho foi utilizado um sistema de controle de nível como estudo de caso. Adicionalmente, para as análises quantitativas e de influências de cada elemento na falha do sistema, foi utilizada uma ferramenta computacional, concebida e desenvolvida pelos próprios autores para análise de confiabilidade, denominada de BR-BayesianExpert. Os resultados apresentados neste trabalho mostraram que a rede bayesiana é um formalismo matemático favorável a resolver problemas onde conclusões não podem ser obtidas apenas do domínio do problema, já que o conhecimento total de todas as características de um sistema é muito difícil. Além disso, a modelagem de falhas e inferências são bastante intuitivas e flexíveis. Assim, esse formalismo se apresenta como uma abordagem extremamente promissora na área de análise de confiabilidade de processos industriais. Como trabalho futuro, pretende-se analisar o emprego de redes bayesianas dinâmicas, de modo a incorporar características sequenciais e temporais associadas a falhas. Pretende-se também incorporar outros índices de confiabilidade à ferramenta BR- BayesianExpert, como criticidade e grau de sensibilidade de um componente. 2944
7 Agradecimentos Os autores agradecem a Petrobrás/Cenpes, CAPES, CNPq e a UFRN pela infraestrutura e suporte ao desenvolvimento deste trabalho. applications for dependability, risk analysis and maintenance areas. Engineering Applications of Artificial Intelligence, 25(4), Referências Bibliográficas ACS, R. (1996). Bayesian classification (autoclass): Theory and results. Bobbio, A., Portinale, L., Minichino, M. and Ciancamerla, E. (2001). Improving the analysis of dependable systems by mapping fault trees into bayesian networks, Reliability Engineering System Safety. 71(3): Charniak, E. (1991). Bayesian networks without tears., AI magazine 12(4): 50. Das, B. (2004). Generating conditional probabilities for bayesian networks: Easing the knowledge acquisition problem. Edinburgh. Firmino, P., Menêzes, R. and Droguett, E. L. (2005). Método aprimorado para quantificação do conhecimento em análises de confiabilidade por redes bayesianas, Simpósio Brasileiro De Pesquisa Operacional, SBPO. Fogliato, F., Ribeiro, J. et al. (2009). Confiabilidade e manutenção industrial, Elsevier Brasil. Lampis, M. (2010). Application of bayesian belief networks to system fault diagnostics. Lough borough University. United Kingdom. Lucas, P. (2001). Bayesian networks in medicine: a model-based approach to medical decision making, Proceedings of the EUNITE workshop on Intelligent Systems in patient Care, pp Marques, R. L. and Dutra, I. (2002). Redes bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações, Coppe Sistemas - Universidade Federal do Rio de Janeiro, Rio de Janeiro, Brasil. Miralles, A. (2012). Aplicação de redes bayesianas para a análise de confiabilidade do sistema de regaseificação de uma unidade tipo FSRU, Dissertação de mestrado, Universidade de São Paulo, São Paulo. Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausble Inference, Morgan Kaufmann Pub. Rouvroye JL, Van Den Bliek EG. (2002). Comparing safety analysis techniques. Elsevier Science Publishers. Reliability Engineering and System Safety. Volume 75, Pages Sellitto, M., Miriam Borchardt, D. ARAÚJO. (2002). Manutenção centrada em confiabilidade: aplicando uma abordagem quantitativa. Anais do XXII ENEGEP. Simonetti, M. (2009). A importância da engenharia da confiabilidade e os conceitos básicos de distribuição weibull, Revista Sapere, Tatui, Brasil. Weber, P., Medina-Oliva, G., Simon, C., & Iung, B. (2012). Overview on Bayesian networks 2945
Introdução ao tema das Redes Bayesianas
Introdução ao tema das Redes Bayesianas Seminário de Modelação Cátia Azevedo 25/01/2013 Índice Introdução Redes Bayesianas Aprendizagem Bayesiana Teorema de Bayes Distribuição de probabilidade conjunta
Inteligência Artificial. Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo] Abordagem Estocástica para a Incerteza: Redes Bayesianas Usando a teoria das probabilidades, podemos determinar, frequentemente
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente Rosangela Westphal da Silva 1,2, Priscyla Waleska Targino de Azevedo Simões 1,2,3, Merisandra Côrtes de Mattos 1,2,
Aspectos Computacionais do Desenvolvimento de uma Biblioteca para Desenho de Redes Bayesianas
19 a 21 de mar o de 2010 102 Aspectos Computacionais do Desenvolvimento de uma Biblioteca para Desenho de Redes Bayesianas Thales Lange 1, Raimundo C. G. Teive 1 1 Mestrado em Computação Aplicada Universidade
Modelagem da incerteza pela Inferência Bayesiana em um Estudo de Caso de Doenças Lombares
Modelagem da incerteza pela Inferência Bayesiana em um Estudo de Caso de Doenças Lombares Edroaldo Lummertz da Rocha 1, Priscyla Waleska Targino de Azevedo Simões 1, Merisandra Côrtes de Mattos 1, Cristian
Redes Bayesianas. Introdução. Teoria da Probabilidade. Manipulação de Conhecimento Incerto
Introdução M. Sc. Luiz Alberto lasf.bel@gmail.com As (RBs) são modelos gráficos que codificam relacionamentos probabilísticos entre variáveis de interesse As principais motivações para o estudo e uso de
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 15 Incerteza Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local Agentes
Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS. 2000/1-2o. Trimestre - AULA 05 / FSO
PIP/CA - Programa Interdisciplinar de Pós-Graduação Mestrado em Computação Aplicada da UNISINOS 2000/1-2o. Trimestre - AULA 05 / FSO INTELIGÊNCIA ARTIFICIAL & SISTEMAS INTELIGENTES Professores Responsáveis:
Independência Regra de Bayes Redes Bayesianas
Independência Regra de Bayes Redes Bayesianas Inferência Probabilística Evidência observada: dor. Qual é a probabilidade de cárie dado que foi observado dor? P cárie dor = P(cárie dor) P(dor = 0,6 Independência
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Análise do Algoritmo Amostragem de Gibbs para Cálculo das Probabilidades Marginais em Redes Bayesianas
19 a 21 de mar o de 2010 097 Análise do Algoritmo Amostragem de Gibbs para Cálculo das Probabilidades Marginais em Redes Bayesianas Thales Lange 1, Raimundo C. G. Teive 1 1 Mestrado em Computação Aplicada
Ferramenta para desenvolvimento de Sistemas Inteligentes Baseada em Teorias para Modelagem da Incerteza
Ferramenta para desenvolvimento de Sistemas Inteligentes Baseada em Teorias para Modelagem da Incerteza Edroaldo Lummertz da Rocha 1, Priscyla Waleska Targino de Azevedo Simões 1, Leonardo Assis da Silva
Redes Bayesianas. Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho
Redes Bayesianas Disciplina: Inteligência Artificial Prof.: Cedric Luiz de Carvalho Introdução Tópicos Especificação e topologia das Redes Bayesianas Semântica Construção Tipos de Inferência Conclusões
lnteligência Artificial Raciocínio Probabilístico - Introdução a Redes Bayesianas
lnteligência Artificial Raciocínio Probabilístico - Introdução a Redes Bayesianas Referências Adicionais Russel e Norvig cap. 14 e 15 Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Network
MODELO 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,
Sistema Bayesiano de Avaliação Nutricional Via Web
Sistema Bayesiano de Avaliação Nutricional Via Web Carlos A. G. Tibiriçá, Silvia M. Nassar, Maria M. S. Pires, Isabela C. B. Giuliano {tibirica, silvia}@inf.ufsc.br, marlene@ccs.ufsc.br, isabelag@uol.com.br
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Redes Bayesianas. Prof. Júlio Cesar Nievola PPGIa Escola Politécnica PUCPR
Redes Bayesianas Prof. Júlio Cesar Nievola PPGIa Escola Politécnica PUCPR Raciocínio com Incerteza Incerteza: qualidade ou estado de não ser conhecido com certeza Fontes de incerteza: Ignorância: qual
Metodologia 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
Miolo_Analise_Falhas_2_Edicao_novo_atual:Miolo_Novo.qxd 13/01/ :51 Página 7. Sumário
Miolo_Analise_Falhas_2_Edicao_novo_atual:Miolo_Novo.qxd 13/01/2014 16:51 Página 7 Sumário 1 Confiabilidade e FTA...17 1.1 Introdução...19 1.2 O que é confiabilidade...19 1.3 Fundamentos de confiabilidade...21
Modelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável
Modelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável Maria das Vitórias Alexandre Serafim 1 Manuel Rivelino Gomes de Oliveira 2 Divanilda Maia Esteves 3 Paulo José Duarte-Neto
Diagnóstico Baseado em Modelos
Diagnóstico Baseado em Modelos Wellington R. Pinheiro Departamento de Ciência da Computação Instituto de Matemática e Estatística - Universidade São Paulo wrp@ime.usp.br 8 de janeiro de 2008 MAC5739 2007
Aula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
MODELOS DE APOIO À DECISÃO
MODELOS DE APOIO À DECISÃO Elementos básicos sobre árvores de decisão e diagramas de influência Bibliografia: P. Goodwin & G. Wright (2003) Decision Analysis for Management Judgement, John Wiley and Sons
2 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
Aprendizagem de Máquina
Aprendizagem de Máquina Modelos gráficos probabilísticos Redes bayesianas Modelos gráficos probabilísticos Os modelos gráficos probabilísticos utilizam representações diagramáticas das distribuições de
Estudo da localização de maternidades em Sergipe através de simulação Monte Carlo
Estudo da localização de maternidades em Sergipe através de simulação Monte Carlo João Batista dos Santos-Filho 1, Tatiana Santos de Araujo Batista 2, José Carlos Rodrigues Oliveira 3,Maria Letícia da
Vários 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
Planificação Anual 11º Ano Matemática Aplicada às Ciências Sociais
ESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL 402643 ESTREMOZ Planificação Anual 11º Ano Matemática Aplicada às Ciências Sociais Ano letivo 2018 / 2019 PERÍODO Nº de PREVISTAS 1º 72 2º 72 3º 36 Total: 180 1º
Programa de Pós-Graduação em Modelagem e Otimização, Regional Catalão / UFG
15 CAPÍTULO ABORDAGENS ROBUSTAS PARA PROBLEMAS DE OTIMIZAÇÃO LINEAR COM INCERTEZA NOS DADOS Marques, Raina Ribeiro 1 *; Queiroz, Thiago Alves de 2 ; 1 Programa de Pós-Graduação em Modelagem e Otimização,
MODELAGEM E CONTROLE DE UM TROCADOR DE CALOR FEIXE TUBULAR
PAULO ALEXANDRE MARTIN MODELAGEM E CONTROLE DE UM TROCADOR DE CALOR FEIXE TUBULAR Dissertação apresentada à Escola Politécnica da Universidade de São Paulo para obtenção do título de Mestre em Engenharia.
ESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Modelos Probabilísticos
Modelos Probabilísticos Somente para lembrar... Modelos são extremamente importantes para o estudo do desempenho de um sistema antes de implementá-lo na prática! Foguete proposto tem confiabilidade? Devemos
Teoria da Decisão. Introdução. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Apresentação Sumário
Análise de Decisão. Resolução indicativa
Análise de Decisão Licenciatura em Engenharia e Gestão Industrial Departamento de Engenharia e Gestão, Instituto Superior Técnico Ano lectivo 2014/2015 1.º Semestre Teste 2 17 de Dezembro de 2014 Duração:
Processos Hidrológicos CST 318 / SER 456. Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016
Processos Hidrológicos CST 318 / SER 456 Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016 Camilo Daleles Rennó Laura De Simone Borma http://www.dpi.inpe.br/~camilo/prochidr/ Caracterização
Utilização de uma estratégia para identificação de fontes de informação na fase de elicitação
Edson Andrade de Moraes Utilização de uma estratégia para identificação de fontes de informação na fase de elicitação Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção
ANÁLISE DE CONFIABILIDADE HUMANA VIA REDES BAYESIANAS
27 a 3/9/5, Gramado, RS ANÁLISE DE CONFIABILIDADE HUMANA VIA REDES BAYESIANAS Regilda da Costa Silva Menêzes UFPE, Av. Acadêmico Helio Ramos, s/n, Cidade Universitária, Recife-PE, Cep: 574-53, regildamenezes@yahoo.com.br
Avaliação 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
PROPOSTA INDICATIVA DE RESOLUÇÃO. MODELOS DE APOIO À DECISÃO Departamento de Engenharia e Gestão, Instituto Superior Técnico
PROPOSTA INDIATIVA DE RESOLUÇÃO MODELOS DE APOIO À DEISÃO Departamento de Engenharia e Gestão, Instituto Superior Técnico Ano académico 2008/2009 2º Semestre Exame 2ª Época, 10/07/2009, 13:00 Duração:
Fatores motivadores para funcionários públicos e privados
Fatores motivadores para funcionários públicos e privados Gilberto Corrêa de Souza, Especialista em TW 1 gilberto@inf.ufsc.br Marcelo Buscioli Tenório, Bacharel em CC 2 tenório.marcelo@bol.com.br Silvia
Desenvolvimento de uma Abordagem Híbrida Difuso-Probabilística para a Modelagem de Incerteza
Desenvolvimento de uma Abordagem Híbrida Difuso-Probabilística para a Modelagem de Incerteza Carlos Augusto G. Tibiriçá Silvia Modesto Nassar Departamento de Informática e Estatística Universidade Federal
Cap. 4 - Probabilidade
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 4 - Probabilidade APOIO: Fundação de Apoio à Pesquisa
INTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
Estudo sobre a Utilização de Redes Bayesianas Aplicada a Educação
19 a 21 de mar o de 2010 057 Estudo sobre a Utilização de Redes Bayesianas Aplicada a Educação João Paulo dos Santos, Soraia Silva Prietch Curso de Licenciatura em Informática Universidade Federal de Mato
CE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
ESTATÍSTICA EXPLORATÓRIA
ESTATÍSTICA EXPLORATÓRIA Prof Paulo Renato A. Firmino praf62@gmail.com Aulas 07-08 Probabilidade Apanhado Geral Seguimos nossas discussões sobre a Incerteza Decidir usualmente envolve incerteza Uma presa
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
TECNOLOGIAS E FERRAMENTAS DE GERAÇÃO DE CONHECIMENTO PARA SUPORTE À DECISÃO NO ACESSO E PERMANÊNCIA AS UNIVERDIDADES: APLICAÇÃO NOS DADOS DO ENEM.
TECNOLOGIAS E FERRAMENTAS DE GERAÇÃO DE CONHECIMENTO PARA SUPORTE À DECISÃO NO ACESSO E PERMANÊNCIA AS UNIVERDIDADES: APLICAÇÃO NOS DADOS DO ENEM. MICHELE ANDRÉIA BORGES SILVIA MODESTO NASSAR ARAN BEY
Análise 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
DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500. Planificação Anual /Critérios de avaliação. Disciplina: MACS 11º ano 2014/2015
AGRUPAMENTO DE ESCOLAS ANSELMO DE ANDRADE DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500 Planificação Anual /Critérios de avaliação Disciplina: MACS 11º ano 2014/2015 Início Fim Nº de
Décimo 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
Trabalho da Disciplina Sistemas Lineares: Controle pela Realimentação do Estado Estimado por um Observador
Trabalho da Disciplina Sistemas Lineares: Controle pela Realimentação do Estado Estimado por um Observador Professor José Paulo Vilela Soares da Cunha 13 de maio de 2019 Identificação UERJ Faculdade de
Modelos Espaço-Temporais
p. Modelos Espaço-Temporais para Dados de Área Marco A. R. Ferreira (marco@im.ufrj.br) Universidade Federal do Rio de Janeiro http://www.dme.ufrj.br/marco Colaboração com Juan C. Vivar-Rojas p. Organização
APLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO
APLICAÇÃO DO FILTRO DE KALMAN A UM SISTEMA DE POSICIONAMENTO DE VEÍCULO AQUÁTICO André TEIXEIRA DE AQUINO; André LUIZ CARNEIRO DE ARAÚJO (1) Instituto Federal de Educação, Ciência e Tecnologia do Ceará,
ANÁLISE QUANTITATIVA DE UM PÊNDULO INVERTIDO CONTROLADO POR PID E LÓGICA FUZZY
ANÁLISE QUANTITATIVA DE UM PÊNDULO INVERTIDO CONTROLADO POR PID E LÓGICA FUZZY Adryano Fernandes Resende 1, Jackson Gonçalves Ernesto 2, Fábio Augusto Gentilin³ 1,2 Acadêmicos do Curso de Engenharia de
3URFHGLPHQWRUHFRPHQGDGRSDUDDYDOLGDomRGRPpWRGRGH5LHWYHOG
129 &21&/86 2(5(&20(1'$d 23$5$1292675$%$/+26 Conclui-se a tese apresentando o resultado da pesquisa realizada no Laboratório de Difração de Raio X e elaborando algumas recomendações para outros trabalhos
2 Modelos de sintetização de séries temporais de atenuação por chuva
2 Modelos de sintetização de séries temporais de atenuação por chuva Alguns modelos estocásticos de sintetização de séries temporais de atenuação por chuva são baseados no modelo proposto por Maseng &
CEFET/RJ Inteligência Artificial (2018.1) Prof. Eduardo Bezerra Lista de exercícios 05
. CEFET/RJ Inteligência Artificial (2018.1) Prof. Eduardo Bezerra (ebezerra@cefet-rj.br) Lista de exercícios 05 Créditos: essa lista de exercícios contém a tradução dos exercícios retirados do livro texto
Roteiro. Raciocínio Probabilístico. Sistemas Inteligentes. PARTE I - Introdução. Incerteza. Incerteza. Parte I. Parte II. Parte III.
Roteiro Raciocínio Probabilístico EA072 Inteligência Artificial em Aplicações Industriais Parte I Introdução Parte II Fundamentos da teoria da probabilidade Parte III Redes Parte IV Aprendizado em redes
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Aprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Inteligência Artificial Agentes Inteligentes
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Engenharia Software. Ení Berbert Camilo Contaiffer
Engenharia Software Ení Berbert Camilo Contaiffer Características do Software Software não é um elemento físico, é um elemento lógico; Software é desenvolvido ou projetado por engenharia, não manufaturado
ESTUDO DE CASO PARA VERIFICAR A SEGURANÇA EM DUTOS COM DEFEITOS DE CORROSÃO
ESTUDO DE CASO PARA VERIFICAR A SEGURANÇA EM DUTOS COM DEFEITOS DE CORROSÃO Maylon Dieferson Silva de Sobral 1 ; Juliana Von Schmalz Torres 2 1 Estudante do Curso de Engenharia Civil CAA UFPE. E-mail:
Professora: Susana Costa
Escola Secundária/3 Rainha Santa Isabel Planificação a Médio Prazo 201/2017 Matemática Aplicada às Ciências Sociais BLOCO II (11º ano) Turmas - 11º C e 11º D Professora: Susana Costa Planificação a Médio
Plano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov
Plano Esta apresentação é para pessoas sem conhecimento prévio de HMMs Introdução aos Modelos Escondidos de Markov 2004 Objetivos: Ensinar alguma coisa, não tudo (Visão geral, sem muitos detalhes). Tentar
ANÁLISE DE DECISÃO. Elementos básicos sobre árvores de decisão e diagramas de influência. Conceitos complementares:
ANÁLISE DE DECISÃO Elementos básicos sobre árvores de decisão e diagramas de influência Mónica Oliveira Ano lectivo 2011/2012 2 Conceitos Diagramas de influência Árvores de decisão Conceitos complementares:
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
INTRODUÇÃO 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
Resumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Identificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Classificação. Eduardo Raul Hruschka
Classificação Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada Combinação de Modelos
DETERMINAÇÃO 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
Inteligência Artificial
Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Parte I) Prof. a
Implementação de um Controlador Fuzzy para um Sistema de Controle de Nível
Implementação de um Controlador Fuzzy para um Sistema de Controle de Nível 1 IFPB. e-mail: josue.souza@cear.ufpb.br 2 IFRN. e-mail: jlopes0@gmail.com Josué da Silva Souza 1, José Soares Batista Lopes 2
INTELIGÊNCIA COMPUTACIONAL
Rafael D. Ribeiro, M.Sc. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br A Inteligência Computacional (IC), denominada originalmente de Inteligência Artificial (IA), é uma das ciências
REVISÃO DE PROBABILIDADE E ESTATÍSTICA. Parte 1
REVISÃO DE PROBABILIDADE E ESTATÍSTICA Parte 1 Vivemos tomando decisões baseadas em informações incompletas... Peço uma sopa? As outras opções são tão CARAS, e eu não sei quem está pagando... Será que
Estratégias para a seleção de métodos de avaliação de risco. Rui Azevedo
Estratégias para a seleção de métodos de avaliação de risco Rui Azevedo RISCO? RISCO? Risco: Efeito da incerteza na consecução dos objetivos Um efeito é um desvio, positivo ou negativo, relativamente ao
CONTEÚDO LÓGICA NEBULOSA INTRODUÇÃO INTRODUÇÃO. Lógica Procura modelar o raciocínio. Lógica. Marley Maria B.R. Vellasco
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Evento: XXV SEMINÁRIO DE INICIAÇÃO CIENTÍFICA
COLETA DE UM AMPLO CONJUNTO DE DADOS EXPERIMENTAIS DO TEMPO DE VIDA DE BATERIAS DE LÍTIO-ÍON POLÍMERO ATRAVÉS DE UMA PLATAFORMA DE TESTES E MODELAGEM MATEMÁTICA DOS DADOS UTILIZANDO MODELOS ELÉTRICOS.
Redes Neurais e Sistemas Fuzzy
1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar
Processamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Abordagem Contínua da Equalização Equalização Exemplo de Equalização Prof. Sergio Ribeiro 2 Técnica que procura redistribuir os valores de
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
AMBIENTE DE AUXÍLIO E VERIFICAÇÃO DO APRENDIZADO. Márcia Häfele Islabão. Marcília Andrade Campos, Patrícia Cabral de Azevedo Restelli Tedesco,
AMBIENTE DE AUXÍLIO E VERIFICAÇÃO DO APRENDIZADO Márcia Häfele Islabão Instituto de Informática Universidade Federal do Rio Grande do Sul (UFRGS) Caixa Postal 15064 91501-970 - Porto Alegre RS Brasil mhislabao@inf.ufrgs.br
Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Sistemas Especialistas
Agenda Sistemas Especialistas Revisão Conceitos Básicos Entender uma ferramenta para S.E. Sistemas de Informação Inteligentes Prof. Esp. MBA Heuber G. F. Lima Aula2 Page 2 Conceitos I.A. Sistemas Especialistas
RESOLUÇÃO 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
Estatística Bayesiana EST047
Estatística Bayesiana EST047 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Conceitos iniciais; Distribuições condicionais Conceitos iniciais Questão Como incorporar
Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS. Tese de Doutorado
1 Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS Tese de Doutorado Tese apresentada ao Programa de Pós-graduação em Engenharia Elétrica da PUC-Rio como requisito
Matemática Discreta - 01
Universidade Federal do Vale do São Francisco Curso de Engenharia da Computação Matemática Discreta - 01 Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav
MODELAGEM E ANÁLISE DE REDES DE REGULAÇÃO GÊNICA UTILIZANDO REDES BAYESIANAS. Marcos Vinícius Ferretti Walter José Horning Junior
MODELAGEM E ANÁLISE DE REDES DE REGULAÇÃO GÊNICA UTILIZANDO REDES BAYESIANAS Marcos Vinícius Ferretti Walter José Horning Junior O ARTIGO DOGMA CENTRAL DA BIOLOGIA CELULAR Organismo vivo = rede de moléculas
As aulas anteriores trataram do modelo de Hodgkin-Huxley e do formalismo de Hodgkin- Huxley para modelar neurônios.
Modelos de neurônios do tipo integra-e-dispara Introdução As aulas anteriores trataram do modelo de Hodgkin-Huxley e do formalismo de Hodgkin- Huxley para modelar neurônios. Como a estratégia de Hodgkin
Elisângela Ap. da Silva Lizzi
Elisângela Ap. da Silva Lizzi RESENHA DO ARTIGO "Gravidez na adolescência e características socioeconômicas dos municípios do Estado de São Paulo, Brasil: análise espacial" O artigo trata de um problema
UNIVERSIDADE FEDERAL DA PARAÍBA
UNIVERSIDADE FEDERAL DA PARAÍBA Probabilidade Departamento de Estatística UFPB Luiz Medeiros Introdução Encontramos na natureza dois tipos de fenômenos Determinísticos: Os resultados são sempre os mesmos
Tópicos 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
Prof. Jorge Cavalcanti
Universidade Federal do Vale do São Francisco Curso de Engenharia da Computação Matemática Discreta - 01 Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav