Análise de confiabilidade populacional pelo hibridismo entre redes Bayesianas e bootstrap paramétrico
|
|
- Vitorino Mendes Fraga
- 6 Há anos
- Visualizações:
Transcrição
1 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 Redes Bayesianas (RBs) são um formalismo que modelam determinado contexto da realidade a partir das relações causais entre suas variáveis componentes. A modelagem e análise de sistemas complexos em geral, e em particular problemas da análise probabilística de riscos e de confiabilidade, tornam-se mais realistas e precisas quando se aplica o artefato de RBs. Uma RB acumula conceitos de comportamento humano, matemática, probabilidade e computação, permitindo a estimação de parâmetros das mais diversas naturezas. Uma das características marcantes de RBs reside na possibilidade de se inferir sobre um indivíduo ou sobre a população da qual este faz parte, diante de novas evidências a respeito do mesmo. Contudo, existe uma grande dificuldade em incorporar novas evidências à rede de forma a promover uma atualização de crenças populacionais quando sua quantificação inicial é realizada subjetivamente ou quando não se tem acesso aos dados empíricos utilizados para tal quantificação. Este artigo propõe uma maneira de tratar esse problema através do hibridismo entre RBs e a técnica bootstrap paramétrico. O objetivo é construir um banco de dados por replicagem que retrate a população geradora das informações parametrizadas em uma RB, tornando possível inferências populacionais através do cálculo freqüentista das probabilidades. Palavras chave: Redes Bayesianas; Bootstrap Paramétrico; Inferência Freqüentista.. Introdução Atualmente, RBs despontam como a solução para muitas das deficiências das técnicas componentes da análise probabilística de riscos e de confiabilidade. Suposições irreais de independência, dificuldades para representar incertezas e limitação da escala de possíveis resultados das variáveis envolvidas são alguns dos problemas contornados por RBs quando direcionadas, por exemplo, a problemas das análises de: confiabilidade humana, árvores de falhas e de eventos. A abordagem deste tema é dada por Firmino & Droguett (2004), sendo o problema da análise de confiabilidade humana tratado em detalhes por Menêzes et al. (2005). Além das contribuições já apontadas, um outro importante atrativo para a utilização de RBs refere-se a sua capacidade de realizar inferências tanto sobre indivíduos quanto sobre a população da qual tais indivíduos provém. Porém, a partir das definições de a 4, expõe-se um problema da inferência populacional que requer cuidados. Definição : Um indivíduo é uma unidade populacional em análise que possui todos os atributos (variáveis) modelados por uma específica RB. Definição 2: Diz-se que um indivíduo é parcialmente conhecido quando não se observa todos os seus atributos. Caso contrário, diz-se que o indivíduo em questão é totalmente conhecido. Definição 3: Uma inferência individual permite avaliar probabilisticamente características desconhecidas de um indivíduo parcialmente conhecido provindo da população. Definição 4: Uma inferência populacional permite atualizar a amostra na qual se baseia a RB, a partir de indivíduos total ou parcialmente conhecidos. ENEGEP 2005 ABEPRO 529
2 As definições acima, podem ser visualizadas através da Figura, onde para uma dada população tem-se uma amostra na qual baseia-se a RB. Tal RB permite avaliar indivíduos parcialmente conhecidos (arco ) e atualizar-se devido aos mesmos ou devido a indivíduos totalmente conhecidos, uma vez que a amostra modelada é atualizada (arco 2). 2- Inf. Popul. POPULAÇÃO Amostra RB - Inf. Indiv. Indivíduo Figura - Processo para inferência individual e populacional por RBs Ainda nas definições de a 4, nota-se que inferências individuais são necessárias apenas quando um indivíduo é parcialmente conhecido. Assim, seja um indivíduo parcialmente conhecido Ip da população e seja o seu conjunto de atributos conhecidos (ou evidências) denominados por E. Da amostra populacional na qual baseia-se a RB, seleciona-se os indivíduos cujos atributos do conjunto E coincidem com os de Ip, aqui chamados de CIp. A partir dos indivíduos de CIp, infere-se sobre os atributos desconhecidos de Ip. Já para a inferência populacional, tem-se que independente de um indivíduo I ser parcial ou totalmente conhecido, as inferências populacionais devem ser atualizadas, já que sabe-se mais sobre a população através de I. O exemplo a seguir permite uma compreensão mais intuitiva dos conceitos de inferência individual e populacional: Em um problema de confiabilidade humana, sabe-se que o desempenho de um operador em fase de treinamento (Y) é influenciado pela simples presença de um supervisor (X). No exemplo acima, a população em estudo é na verdade todas as oportunidades em que requisitou-se a atuação de um operador em treinamento (Y) sob os cuidados de um supervisor (X), definido o contexto em questão. Um indivíduo, I, provindo desta população seria cada oportunidade em que se observou ao menos um dos atributos (X I ou Y I ). Se todos os atributos de I são observados, é dito que I é totalmente conhecido, caso contrário I é parcialmente conhecido. Supondo que observou-se apenas Y I =y I (o erro de um operador em treinamento, por exemplo) é possível inferir sobre os atributos não conhecidos de I, X I neste caso, através do procedimento de inferência individual e, além disso, inferir populacionalmente ao menos sobre Y I, já que sabe-se mais a seu respeito. Logo, não é difícil perceber que as inferências populacionais expressam o aprendizado da rede quando posta em uso. Através deste aprendizado, tem-se o suporte para avaliar o comportamento do sistema (ou problema real) modelado diante da implementação da análise probabilística de riscos baseada nas medidas de confiabilidade extraídas da RB. Assim como outros problemas relacionados à análise de RBs, há uma grande dificuldade em introduzir a elas novas evidências de maneira a possibilitar inferências populacionais atualizadas. Tradicionalmente, isto só é possível quando se tem acesso ao banco de dados empíricos usado para a quantificação da RB (também chamado de dados de referência) ou quando esta caracteriza-se como um modelo hierárquico. Infelizmente, são necessárias muitas suposições para que uma dada RB assuma o formato de um modelo hierárquico, assim como é bastante comum que não se tenha acesso ao dados de referência para a quantificação da rede, em se tratando de sistemas modelados por técnicas da análise probabilística de riscos e de confiabilidade. Por exemplo, um dos grandes entraves para a introdução de RBs na análise de confiabilidade é o problema da escassez de dados propriamente ditos. Assim, técnicas da engenharia do conhecimento têm sido adotadas ENEGEP 2005 ABEPRO 530
3 objetivando a quantificação subjetiva de RBs através de processos de edução da opinião de especialistas (ver Firmino et al. 2005). Quando uma RB é inicialmente quantificada por processos de edução, presupõe-se não haver registros capazes de traduzir as experiências dos especialistas; por isso recorre-se a eles. Em casos como este, inferências populacionais tornam-se um grande desafio. Logo, propõe-se neste trabalho uma maneira para tratar das dificuldades encontradas em atualizar estados de crença populacionais em análises de confiabilidade via RBs inicialmente quantificadas de maneira subjetiva ou cujo acesso aos dados de referência não é possível. O que se deseja é, a partir de uma RB quantificada, replicar um banco de dados baseados nos seus parâmetros através da técnica bootstrap paramétrico. Desta forma, a complexidade de se realizar inferências populacionais resume-se ao problema da estimação da probabilidade por freqüências relativas. Na próxima seção, o artigo traz os conceitos básicos de RBs concentrando-se na atualização de crenças individuais e populacionais. Na seção 3, apresenta-se o problema da inferência populacional e na seção 4 propõe-se a introdução do método de replicagem bootstrap paramétrico como possível solução. Na seção 5, são expostas as idéias fundamentais do trabalho através de um exemplo e o artigo conclui-se na seção Inferência por RBs Uma RB é um grafo acíclico direcionado (DAG) onde os nós representam variáveis aleatórias e os arcos direcionados ilustram as relações de causa e efeito entre tais variáveis (Pearl, 988). Para o problema de confiabilidade humana apresentado na seção, tem-se o DAG exibido na Figura 2, onde o desempenho de um operador em fase de treinamento (Y) e a presença de um supervisor (X) são dicotômicas, ou seja, assumem apenas dois valores, 0 ou, por exemplo. Diz-se que X exerce influência sobre Y e que as probabilidades condicionais P(Y=0 X=0) e P(Y=0 X=) informam o poder da causalidade entre X e o resultado Y=0. Essas duas probabilidades junto com P(X=0) compõem o conjunto de parâmetros de quantificação da RB. X Y Figura 2- DAG referente ao exemplo proposto na seção A propagação de evidências em RBs baseia-se no teorema de Bayes, que para um conjunto de evidências, E, atualiza os estados de crença de variáveis não evidenciadas, V, pela seguinte igualdade: P(V E)=αP(V)P(E V), onde α é um fator de normalização Equação Retornando à RB apresentada no início da seção, pode-se calcular os graus de crença sobre X, dado que Y= (dado que não houve um erro do operador em treinamento). Nessas condições, calcula-se a posteriori P(X=0 Y=)=αP(X=0)P(Y= X=0). Se por outro lado evidencia-se X=0 (que o supervisor está presente), tem-se P(Y=0 X=0). Além de evidências empíricas como as citadas acima, Y= e X=0, pode-se incorporar também evidências subjetivas por RBs. Evidências subjetivas são expressas por razões de verossimilhança. Nesse tipo de evidência substitui-se declarações como O supervisor estava presente por É duas vezes mais provável que o supervisor estivesse presente do que ausente. A propagação às demais variáveis é desempenhada mais uma vez pela regra de Bayes (KORB & NICHOLSON, 2003). Embora as inferências apresentadas até aqui direcionem-se geralmente a indivíduos, elas podem caracterizar-se também como populacionais. Isto ocorre quando a rede adequa-se a um modelo hierárquico ou, como Russel & Norvig (2004) denominam, modelo de Bayes ENEGEP 2005 ABEPRO 53
4 ingênuo. Segundo Bernardo & Smith (995), modelos hierárquicos tornaram-se conhecidos como métodos de Bayes empírico por calibrarem as crenças sobre parâmetros diante de dados gerados pelo fenômeno probabilístico baseado em tais parâmetros. Em geral, modelos hierárquicos têm a forma tal como na Figura 3 (a), modelados como na Figura 3 (b). (a) φ Θ Θ 2 Θ X X X (b) ~ 2 i= P( φ ) P( θ φ) = P( θ, θ,..., θ φ) = P( θ φ) P( x θ ) = P( x, x,..., x θ, θ,..., θ ) = P( x θ ) ~ ~ 2 2 i= i i i Figura 3- Modelos hierárquicos As variáveis observáveis são X, X 2,..., X e os parâmetros θ i s podem representar fenômenos probabilísticos de populações locais geradores dos x i s, enquanto que o parâmetro φ pode representar algum parâmetro populacional geral que influencia os θ i s. Quando observa-se um conjunto de evidências x, x 2,..., x, tanto o conjunto de θ i s quanto φ têm seus graus de crença atualizados e representados através das suas posteriores, calculadas pela regra de Bayes. O exemplo de confiabilidade humana citado anteriormente permitiria uma abordagem por modelos hierárquicos apenas se, entre outras coisas, não fosse possível observar a presença (ou ausência) do supervisor. Contudo, há muitas formas de se verificar tal proposição. Infelizmente, problemas modelados por técnicas de análise de confiabilidade, tais como árvores de falhas, árvores de eventos e análise de confiabilidade humana, distanciam-se de modelos hierárquicos. Isto porque apresentam maior facilidade de observação justamente sobre as variáveis chamadas de causas iniciais, isto é, cujas causas não são analisadas (φ no modelo exibido na Figura 3). Árvores de falhas postulam um evento indesejável como topo e deduzem sistematicamente suas causas até que se alcance as causas iniciais passíveis de mensuração; árvores de eventos tradicionalmente são resolvidas hibridamente com árvores de falhas (Modarres et al. 999) e modelos recentes de análise de confiabilidade humana enfatizam fatores de desempenho humano mensuráveis, tais como carga de trabalho, condições climáticas e tempo para realizar a tarefa, como causas iniciais nas modelagens (Mosleh & Chang, 2004). 3. O problema da inferência populacional Inferências populacionais destinam-se ao comportamento da população em vez de indivíduos específicos. Retornando à RB dirigida ao problema de confiabilidade humana apresentado na seção, infere-se sobre a população através das probabilidades P(X=0) e P(Y=0)= x P(X=x)P(Y=0 X=x), onde x=0,. Isso significa dizer que a probabilidade de um supervisor qualquer possuir a característica X=0 (supervisionar adequadamente) e de um operador qualquer em treinamento levar a Y=0 (operação errada) podem ser estimadas. Entretanto, caso evidenciem-se erros tanto de um supervisor quanto de um operador em treinamento [o par (X=, Y=0)] as probabilidades populacionais P(X=0) e P(Y=0) devem ser atualizadas, já que sabe-se mais sobre tais variáveis. De maneira freqüentista, ter-se-ia: P(X=0)=n X=0 /N X e P(Y=0)=n Y=0 /N Y, onde n A=0 é a quantidade de vezes em que se observou A=0 em N A oportunidades. Equação 2 ENEGEP 2005 ABEPRO 532
5 Caso seja observado no problema de confiabilidade humana um erro de um operador em treinamento (Y=0) mas não constate-se a presença ou ausência do seu supervisor (X), é possível inferir populacionalmente sobre X a partir de uma inferência individual sobre o mesmo, dada a evidência Y=0. Para tanto, basta considerar razoável supor que, por exemplo, o evento mais provável entre X=0 Y=0 ou X= Y=0 aconteceria e subseqüentemente utilizar o raciocínio freqüentista da Equação 2. Esta técnica é conhecida como máximo a posteriori (MAP) mas pode-se adotar outras, como a da esperança-maximização (EM) ou a da máxima probabilidade (MP). Ver Russel & Norvig (2004) para maiores detalhes. O problema da inferência populacional por RBs apresenta-se devido à necessidade de dados propriamente ditos. A inferência freqüentista utiliza informações características de bancos de dados ao dividir a quantidade de casos favoráveis pela quantidade de vezes em que determinada variável foi observada (Equação 2). Como comentado na seção, esse tipo de abordagem encontra problemas ao lidar com RBs inicialmente quantificadas através de protocolos de edução do conhecimento de especialistas ou cujos dados de referência não podem ser acessados. Nesses casos não haverá estruturas de dados com indivíduos enumerados e seus respectivos atributos registrados. 4. Hibridismo proposto Nesta seção, propõe-se uma maneira para introduzir novas evidências de forma a atualizar graus de crenças populacionais em RBs inicialmente quantificadas por processos de edução ou cujos dados de referência não podem ser acessados. A idéia é construir um banco de dados baseados nas probabilidades condicionais atribuídas às variáveis componentes da RB em questão. Tal banco de dados é gerado via a técnica de replicagem bootstrap paramétrico auxiliado por técnicas de simulação estocástica. A simulação estocástica é um método de cálculo de probabilidades por contagem da freqüência em que os eventos ocorrem em uma série de iterações executadas (Pearl, 988). Uma RB pode ser usada para gerar amostras aleatórias de suas configurações hipotéticas prováveis. Ordenando-se as variáveis que compõem a RB, atribui-se seus valores iniciais e para cada variável avalia-se a probabilidade de o processo permanecer em seu atual estado ou mudar para um outro, considerando a probabilidade de mudança da variável em questão, condicionada aos atuais valores das demais variáveis. Ao término da avaliação da última variável, completa-se uma iteração e um indivíduo hipotético é gerado. Este método de simulação estocástica é uma extensão do método MCMC, conhecido como Gibbs Sampler (Geman & Geman, 984). O método bootstrap replica uma distribuição desconhecida F através de uma distribuição conhecida Fˆ com o uso do cálculo das probabilidades. Quando tem-se uma amostra de dados provenientes de F, aproxima-se F por Fˆ e então realiza-se as inferências desejadas através da estatística freqüentista. Quando assume-se que Fˆ representa bem F, realiza-se replicagens de Fˆ através da técnica conhecida como bootstrap paramétrico (DeGroot & Schervish, 2002). Como o presente trabalho trata de RBs parametrizadas por experiências de indivíduos ou registros inacessíveis, supõe-se que tais parâmetros são uma boa representação de F e que baseando-se neles pode-se replicar indivíduos regidos por F. Além da utilização de técnicas de simulação estocástica para a replicagem por bootstrap paramétrico, faz-se necessário definir quantos indivíduos devem ser considerados no banco de dados gerado. Sugere-se a utilização de um processo de edução destinado ao número de amostras relacionado a cada variável da rede, tal como o proposto por Firmino et al. (2005). O procedimento para a aplicação de bootstrap paramétrico via Gibbs Sampler adota as seguintes etapas: ENEGEP 2005 ABEPRO 533
6 a) Define-se para cada distribuição de probabilidades (ou função de densidade) condicionais da RB o tamanho amostral relacionado, através de processos de edução; b) Aplica-se o Gibbs Sampler para a geração de n indivíduos, onde n é razoavelmente maior que o maior dos tamanhos amostrais estimados na etapa anterior; c) Seleciona-se dentre os últimos indivíduos gerados, aqueles que representarão os indivíduos nos quais as distribuições de probabilidades (ou funções de densidade) condicionais se basearam; d) Se necessário, trata-se dos indivíduos parcialmente conhecidos devido aos tamanhos amostrais diferentes calculados em (a), através de algoritmos de inferência individual tais como o EM, o MAP ou o MP, por exemplo. Após aplicado o método de bootstrap paramétrico, ter-se-á um banco de dados baseados nos parâmetros da RB. Com a chegada de novos indivíduos, a complexidade da inferência populacional atualizada resumer-se-á a um problema de contagem, sendo necessária apenas a aplicação da Equação 2. Faz-se importante comentar que o algoritmo acima considera os últimos indivíduos gerados devido aos valores iniciais atribuídos às variáveis da rede não satisfazerem qualquer critério. Assim, adota-se um período de burn-in para que as amostras geradas contabilizadas ao final do processo de replicagem não sejam influenciadas pelos estados iniciais das variáveis envolvidas (ver GILKS et al. 996 e GEYER, 992). Mostra-se pertinente ressaltar, também, que o algoritmo proposto apresenta dificuldades para lidar com RBs que possuem probabilidades condicionais extremas, isto é, que tendem a zero ou um. Isto ocorre devido à limitação do próprio processo da simulação estocástica, que requer uma cadeia de Marov irredutível a ser percorrida durante as simulações (YORK, 992). Por fim, alerta-se para as suposições de independência e indêntica distribuição (iid) necessárias para a realização de inferências populacionais pela freqüência relativa. Este problema mostra-se intrínseco, inclusive, ao processo de quantificação inicial da própria rede. Considerando o caso de confiabilidade humana comentado nas seções anteriores, requer-se que a cada observação de supervisão adequada ou inadequada, mesmo em se tratando da mesma pessoa, sejam supostas independência e condições semelhantes às das observações passadas. Para contornar este problema, pode-se identificar variáveis que influenciam a função de supervisionar de forma a tornar os supervisores, ou diferentes atuações de um mesmo supervisor, condicionalmente independentes entre si. Esta abordagem consideraria subpopulações de supervisores que em conjunto permitem inferências sobre a superpopulação, tal como é feito em modelos hierárquicos. Recomenda-se Droguett et al. (2004) para maiores detalhes. 5. Um exemplo Considera-se aqui, a RB X Y apresentada na seção 2. Supondo não haver dados propriamente ditos sobre o problema de confiabilidade humana, eduziu-se as seguintes distribuições: P(X=0)=0,3, P(Y=0 X=0)=0,4 e P(Y=0 X=)=0,5. Através do mesmo processo de edução, inferiu-se sobre os tamanhos amostrais para cada variável modelada na rede, N X =0 e N Y =8. Assim, estima-se que P(X=0), a probabilidade haver uma supervisão adequada, foi obtida de uma amostra com 0 observações enquanto que P(Y=0 X=0) e P(Y=0 X=), as probabilidades de um operador em treinamento errar dado que é ou não supervisionado, baseiam-se em 8 oportunidades avaliadas. A partir do algoritmo proposto na seção anterior, a geração dos indivíduos hipotéticos via bootstrap paramétrico é realizada como a seguir: ENEGEP 2005 ABEPRO 534
7 Define-se o número de indivíduos a serem gerados e são atribuídos valores iniciais para cada variável não evidenciada. Aqui, adota-se indivíduos hipotéticos e atribui-se X 0 =0, Y 0 =0. Para cada variável não evidenciada, calcula-se suas probabilidades condicionadas às instâncias das demais variáveis e gera-se um número uniforme de 0 a para que o método de geração inversa de números aleatórios (Ross, 2002) possa instanciar tal variável: Iteração P(X Y 0 =0)=αP(X)P(Y 0 =0 X)= α[(0,3)(0,4); (0,7)(0,5)]= (0,26; 0,74). u U[0,] =0,504, como P(X ) abrange u U[0,] X =. P(Y X =)= (0,5; 0,5). u U[0,] =0,600, como P(Y ) abrange u U[0,] Y =. Guarda-se o indivíduo hipotético gerado: (X, Y ) = (, ).... Após a geração de indivíduos hipotéticos, tem-se o banco de dados replicados exibido na Tabela. Indivíduo X Y Indivíduo X Y Tabela - Dados hipotéticos gerados sobre a RB exemplificada via bootstrap paramétrico Como no exemplo decidiu-se por um número de iterações pequeno, apenas, despreza-se o º indivíduo gerado como um processo de burn-in e assume-se que os 0 restantes podem representar os indivíduos geradores das opiniões sobre X. Já sobre Y, cujas probabilidades foram estimadas considerando 8 amostras, usa-se os 8 últimos indivíduos gerados. Assim, os dois primeiros indivíduos são passíveis de uma inferência individual sobre a variável Y (Y 2 e Y 3 ). Com essa abordagem, o problema de inferir populacionalmente sobre qualquer variável resume-se a um problema de contagem, tal como em RBs cujo acesso aos dados de referência é possível (através da Equação 2). Para inferir sobre P(X=0), contabiliza-se em quantas oportunidades em que X foi analisado obteve-se X=0. Nesse caso, tem-se P(X=0)=2/0. Vale salientar que a diferença do valor estimado pela freqüência relativa obtida do banco de dados replicados e o valor atribuído como parâmetro da RB (30%) tende a zero à medida que o número de indivíduos considerados cresce. Este comportamento é assegurado pela Lei dos Grandes Números (ver Hogg & Craig, 995). Agora, diante de uma nova evidência, X=, a inferência atualizada sobre X=0 leva a P(X=0)=2/. Além de evidências empíricas, evidências subjetivas também podem ser incorporadas através da técnica proposta. Se, no problema de confiabilidade humana, evidencia-se subjetivamente uma proporção de 2 contra a respeito de o supervisor ter se ausentado ao invés de manter-se supervisionando (Y ser e não 0), considera-se que há 3 evidências empíricas, das quais duas são Y= e uma é Y=0. Ao final, basta aplicar o algoritmo proposto para cada uma das evidências agora empíricas e atualizar as inferências populacionais. 6. Conclusões Neste artigo, propôs-se uma maneira para lidar com a dificuldade em atualizar crenças populacionais quando não se tem acesso aos dados empíricos utilizados para a quantificação ENEGEP 2005 ABEPRO 535
8 inicial de RBs. A técnica proposta é relativamente simples e teoricamente aceitável, tendo como limitações a dificuldade em lidar com probabilidades extremas e a cautela ao supor independência e idêntica distribuição entre os indivíduos observados. De qualquer forma, pode-se considerar razoável supor que dados gerados pela técnica bootstrap paramétrico a partir das distribuições (ou funções de densidade) de probabilidades condicionais das variáveis de uma RB podem ser utilizados para a realização de inferências populacionais atualizadas. Esse artifício leva a complexidade da atualização de inferências populacionais por RBs a problemas de contagem para inferências freqüentistas. Propostas para trabalhos futuros são contrastar o processo de inferência aqui apresentado com o processo de inferência Bayesiano em um enfoque mais conceitual; avaliar a técnica apresentada diante de inferências individuais, que supostamente tornaria o processo mais eficiente, e, por fim, estudar uma maneira para lidar com modelos que envolvem probabilidades extremas. Bibliografia BERNARDO, J. M. & SMITH, A. F. (995)- Bayesian theory. John Wiley & Sons Ltd. 3ª Edição. Chichester. DEGROOT, M. & SCHERVISH, M. (2002)- Probability and statistics. Addison-Wesley. 3ª Edição. Boston. DROGUETT, E. L.; GROEN, F. & MOSLEH, A. (2004) The combined use of data and expert estimates in population variability analysis. Reliability Engineering and System Safety. Vol. 83, p FIRMINO, P. R. & DROGUETT, E. L. (2004)- Redes Bayesianas para a parametrização da confiabilidade em sistemas complexos. Engenharia de Produção, Universidade Federal de Pernambuco, Centro de Tecnologia e Geociências. FIRMINO, P. R.; MENÊZES, R. C. & DROGUETT, E. L. (2005)- Método aprimorado para a quantificação do conhecimento em análises de confiabilidade por redes Bayesianas. Artigo submetido para este Encontro. GEMAN, S. & GEMAN, D. (984)- Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 6, p GEYER, C. J. (992)- Practical Marov chain Monte Carlo. Statictic Science. Vol. 7, GILKS, W. R.; RICHARDSON, S. & SPIEGELHALTER, D. J. (996)- Marov chain Monte Carlo in Practice. Chapman & Hall/CRC. Florida. HOGG, R. V. & CRAIG, A. T. (995)- Introduction to Mathematical Statistics. 5ª Edição. Prentice-Hall. New Jersey. KORB, K. B. & NICHOLSON, A. E. (2003)- Bayesian artificial intelligence. Chapman & Hall/CRC. Florida. MENÊZES, R. C.; FIRMINO, P. R. & DROGUETT, E. L. (2005)- Análise de confiabilidade humana via redes Bayesianas. Artigo submetido para este Encontro. MODARRES, M.; KAMINSKIY, M. & KRIVTSOV, V. (999)- Reliability engineering and ris analyses. Marel Deer. New Yor. MOSLEH, A. & CHANG, Y. H. (2004)- Model-based human reliability analysis: prospects and requirements. Reliability Engineering & System Safety. Vol. 83, p PEARL, J. (988)- Probabilistic Reasoning in Intelligent Systems: Networs of Plausible Inference. Morgan Kaufmann. 2ª Edição. California. ROSS, S. M. (2002)- Simulation. Academic Press. 3ª Edição. California. RUSSEL, S. & NORVIG, P. (2004)- Inteligência artificial. Elsevier. 2ª Edição. Rio de Janeiro. YORK, J. (992)- Use of the Gibbs Sampler in expert systems. Artificial Intelligence. Vol. 56, p ENEGEP 2005 ABEPRO 536
Inferência Bayesiana para estimação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear
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) marciocmoura@gmail.com Enrique López Droguett (UFPE)
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 maisIntrodução 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
Leia maisModelagem 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
Leia maisRedes 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
Leia maisInteligência 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
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 maisESTATÍSTICA 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
Leia maisLinha Técnica Sessão I: Inferência Causal
Impact Evaluation Linha Técnica Sessão I: Inferência Causal Human Development Human Network Development Network Middle East and North Africa Region World Bank Institute Spanish Impact Evaluation Fund www.worldbank.org/sief
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 maisAula 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
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 maisCE001 - BIOESTATÍSTICA TESTE DO QUI-QUADRADO
CE001 - BIOESTATÍSTICA TESTE DO QUI-QUADRADO Ana Paula Araujo Correa Eder Queiroz Newton Trevisan DEFINIÇÃO É um teste de hipóteses que se destina a encontrar um valor da dispersão para duas variáveis
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
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 maisInstrumentação Industrial. Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição
Instrumentação Industrial Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição Introdução a Metrologia O que significa dizer: O comprimento desta régua é 30cm. A temperatura
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
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 maisAprendizado Bayesiano Anteriormente...
Aprendizado Bayesiano Anteriormente... Conceito de Probabilidade Condicional É a probabilidade de um evento A dada a ocorrência de um evento B Universidade de São Paulo Instituto de Ciências Matemáticas
Leia maisCE 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,
Leia maisAula 10 Estimação e Intervalo de Confiança
Aula 10 Estimação e Intervalo de Confiança Objetivos da Aula Fixação dos conceitos de Estimação; Utilização das tabelas de Distribuição Normal e t de Student Introdução Freqüentemente necessitamos, por
Leia maisEstatística Aplicada. Árvore de Decisão. Prof. Carlos Alberto Stechhahn PARTE II. Administração. p(a/b) = n(a B)/ n(b)
Estatística Aplicada Administração p(a/b) = n(a B)/ n(b) PARTE II Árvore de Decisão Prof. Carlos Alberto Stechhahn 2014 1. Probabilidade Condicional - Aplicações Considere que desejamos calcular a probabilidade
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisDesenvolvimento 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
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisUMA METODOLOGIA PARA ANÁLISE DE CONFIABILIDADE DE SISTEMAS COMPLEXOS
UMA METODOLOGIA PARA ANÁLISE DE CONFIABILIDADE DE SISTEMAS COMPLEXOS Regilda da Costa Silva Menêzes UFPE, Av. Acadêmico Helio Ramos, s/n, Cidade Universitária, Recife-PE, Cep: 50740-530, regildamenezes@yahoo.com.br
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 7 de março de 2016 Informação sobre a disciplina Terças e Quintas feiras das 09:30 às 11:20 horas Professor: Evelio
Leia maisMétodos Estatísticos em Física Experimental
Métodos Estatísticos em Física Experimental Compilação de termos e definições gerais de metrologia. Os termos e definições apresentadas a seguir foram extraídos da 1ª edição brasileira do Guia para Expressão
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisTestes de Significância Estatística para Avaliação de Algoritmos
Testes de Significância Estatística para Avaliação de Algoritmos Prof. Eduardo R. Hruschka Departamento de Ciências de Computação Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de
Leia maisAnálise de séries temporais. Prof. Thaís C O Fonseca DME - UFRJ
Análise de séries temporais Prof. Thaís C O Fonseca DME - UFRJ Conteúdo do curso Parte 1: Problemas e objetivos, conceitos básicos, processos estocásticos, estacionariedade, autocorrelação e correlação
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Dentre a grande variedade de sistemas que podem ser modelados e para os quais a simulação pode ser aplicada com proveito, uma classe
Leia maisP. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)
Amostragem: Em pesquisas científicas, quando se deseja conhecer características de uma população, é comum se observar apenas uma amostra de seus elementos e, a partir dos resultados dessa amostra, obter
Leia maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisInteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
Leia maisi. f Y (y, θ) = 1/θ... 0 y θ 0... y < 0 ou y > θ Se a amostra selecionada foi ( ), qual será a estimativa para θ?
Fundação Getulio Vargas Curso: Graduação Disciplina: Estatística Professor: Moisés Balassiano Lista de Exercícios Inferência. Seja (Y, Y 2,..., Y n ) uma amostra aleatória iid, de tamanho n, extraída de
Leia maisPontifícia Universidade Católica de São Paulo Programa de TIDD
Disciplina: 2854 - Sistemas Inteligentes e Ambientes Virtuais Turma A Área de Concentração: Processos Cognitivos e Ambientes Digitais Linha de Pesquisa: Inteligência Coletiva e Ambientes Interativos Professor:
Leia maisFiltro de Kalman. Teoria e Aplicação para Iniciantes. Prof. Dr. Marco Antonio Leonel Caetano. M&V Consultoria e Treinamento
Filtro de Kalman Teoria e Aplicação para Iniciantes Prof. Dr. Marco Antonio Leonel Caetano M&V Consultoria e Treinamento www.mudancasabruptas.com.br A História da Filtragem de Sinais 930 940 960 Filtro
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Teorema Central do Limite (TCL) Se y 1, y 2,...,
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisConhecimento e Raciocínio Agente Lógicos Capítulo 7. Leliane Nunes de Barros
Conhecimento e Raciocínio Agente Lógicos Capítulo 7 Leliane Nunes de Barros leliane@ime.usp.br Agentes Lógicos Agentes que podem formar representações do mundo, usar um processo de inferência para derivar
Leia maisPROPAGAÇÃO DE ERROS Conceitos básicos. Limitação das medições experimentais: há sempre uma incerteza associada.
Erro: Existência Será possível obter o valor verdadeiro pela medição? Não Limitação das medições experimentais: há sempre uma incerteza associada. Qualquer processo experimental está sujeito a erros com
Leia maisPesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho julho/2014 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Leia maisProbabilidade - aula II
2012/02 1 Interpretações de Probabilidade 2 3 Amostras Aleatórias e Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades de eventos conjuntos. Interpretar e calcular probabilidades
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisAvaliação Quantitativa de Sistemas
Avaliação Quantitativa de Sistemas Contexto A Avaliação Quantitativa de Sistemas permite a avaliação de sistemas antes mesmo da sua implementação física. Dessa forma, é possível avaliar um sistema projetado
Leia maisCentro Internacional de Pobreza (PNUD/IPEA) Fabio Veras Soares. Estimação do Impacto de Múltiplos Tratamentos e do. Escore de Propensão Generalizado
Estimação do Impacto de Múltiplos Tratamentos e do Efeito Dosagem: Escore de Propensão Generalizado Fabio Veras Soares Centro Internacional de Pobreza (PNUD/IPEA) Vimos nas aulas anteriores que o escore
Leia maisPrincípios de Bioestatística Teste de Hipóteses
1/36 Princípios de Bioestatística Teste de Hipóteses Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG Tabela 2/36 3/36 Exemplo A concentração de certa substância
Leia maisTeoria dos Jogos Algorítmica Maximização de Lucros no Design de Mecanismos
Teoria dos Jogos Algorítmica Maximização de Lucros no Design de Mecanismos Luis Gustavo Rocha Vianna. Instituto de Matemática e Estatística IME Universidade de São Paulo USP Maximização de Lucros Design
Leia maisI - Introdução à Simulação
1 I - Introdução à Simulação Simulação é, entendida como a imitação de uma operação ou de um processo do mundo real. A simulação envolve a geração de uma história artificial de um sistema para a análise
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 maisAPLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS
APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS Alexandre Ferreira de Pinho, Mestrando Escola Federal de Engenharia de
Leia maisTeste de hipóteses para uma média populacional com variância conhecida e desconhecida
Teste de hipóteses para uma média populacional com variância conhecida e desconhecida Teste de hipóteses para uma média populacional com variância conhecida Tomando-se como exemplo os dados de recém-nascidos
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisCLASSIFICADORES BAEYSIANOS
CLASSIFICADORES BAEYSIANOS Teorema de Bayes 2 Frequentemente, uma informação é apresentada na forma de probabilidade condicional Probabilidade de um evento ocorrer dada uma condição Probabilidade de um
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisModelos e Modelagem. Roteiro
Modelos e Modelagem Lupércio F. Bessegato PUC Minas IEC 2007 Roteiro 1. O processo de modelagem 2. Tipos de modelos 3. Modelos determinísticos e probabilísticos 4. Modelos interativos: 5. Modelagem e tomada
Leia maisAnálise de clusters usando classes latentes
Análise de clusters usando classes latentes João Branco Departamento de Matemática, IST XIV Congresso SPE, 27-30 Set. 2006 Covilhã Poucos dados/muitos dados p. 0/23 Sumário 1. Variáveis latentes 2. Modelos
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto
Leia mais01/06/2016. Semiprobabilística. Amostra. Amostra Probabilística. Bioestatística. Amostra Não probabilística TÉCNICAS DE AMOSTRAGEM
Probabilística Não probabilística Semiprobabilística 01/06/2016 Técnica de gem Não Probabilística Semiprobabilistica probabilística 1 TÉCNICAS DE AMOSTRAGEM Bioestatística 2 Por conveniência Sistemática
Leia maisMATEMÁTICA NÍVEL MÉDIO
MATEMÁTICA NÍVEL MÉDIO 1. CONJUNTOS 1.1. Representação e relação: pertinência, inclusão e igualdade. 1.2. Operações: união, intercessão, diferença e complementar. 1.3. Conjuntos numéricos: Naturais, Inteiros,
Leia maisTeoria das Probabilidades
Capítulo 2 Teoria das Probabilidades 2.1 Introdução No capítulo anterior, foram mostrados alguns conceitos relacionados à estatística descritiva. Neste capítulo apresentamos a base teórica para o desenvolvimento
Leia maisPara ajudar a interpretar os resultados, o Cartão de Relatórios do Assistente do teste de % de defeituosos para 1 amostra exibe os seguintes
Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas no assistente no software estatístico
Leia maisESCOLA SECUNDÁRIA JERÓNIMO EMILIANO DE ANDRADE DE ANGRA DO HEROÍSMO
ESCOLA SECUNDÁRIA JERÓNIMO EMILIANO DE ANDRADE DE ANGRA DO HEROÍSMO PLANIFICAÇÃO ANUAL ANO LECTIVO: 008/009 DISCIPLINA: Matemática ANO: 1º Aulas previstas 1º período: 7 (5 ) º período: 7 (5 ) 3º período:
Leia maisProbabilidade - aula II
25 de Março de 2014 Interpretações de Probabilidade Amostras Aleatórias e Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades de eventos conjuntos. Interpretar e calcular
Leia maisPrincipais Conceitos em Estatística
1 Principais Conceitos em Estatística Ernesto F. L. Amaral 08 de outubro de 2009 www.ernestoamaral.com/met20092.html Fonte: Triola, Mario F. Introdução à estatística. 10 ª ed., Rio de Janeiro: LTC, 2008.
Leia maisTECNOLOGIAS 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
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisAprendizado por Árvores de Decisão
Universidade Federal de Santa Maria Departamento de Eletrônica e Computação Prof. Cesar Tadeu Pozzer Disciplina de Programação de Jogos 3D E-mail: pozzer@inf.ufsm.br Período: 2006/01 Aprendizado por Árvores
Leia maisAnálise Sintática de Frases utilizando Gramáticas Livres de Contexto Probabilísticas
Universidade de São Paulo Mestrado em Ciência da Computação Instituto de Matemática e Estatística Disciplina MAC5725 Lingüística Computacional Análise Sintática de Frases utilizando Gramáticas Livres de
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisUniversidade Federal do ABC Rua Santa Adélia, Bairro Bangu - Santo André - SP - Brasil CEP Telefone/Fax:
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA BC1436 - PRINCÍPIOS DE SIMULAÇÃO
Leia maisEstudo sobre a dependência espacial da dengue em Salvador no ano de 2002: Uma aplicação do Índice de Moran
Estudo sobre a dependência espacial da dengue em Salvador no ano de 2002: Uma aplicação do Índice de Moran Camila Gomes de Souza Andrade 1 Denise Nunes Viola 2 Alexandro Teles de Oliveira 2 Florisneide
Leia maisINE 6006 MÉTODOS ESTATÍSTICOS
INE 6006 MÉTODOS ESTATÍSTICOS Professor Marcelo Menezes Reis http://www.inf.ufsc.br/~marcelo/ Disciplinas em 2016.1 (Métodos Estatísticos) marcelo.menezes.reis@ufsc.br menreis1968@gmail.com Sala INE 510-37217556
Leia maisDISCIPLINA: PROBABILIDADE E ESTATÍSTICA TURMA: Informática de Gestão
Aula # 04 DISCIPLINA: PROBABILIDADE E ESTATÍSTICA TURMA: Informática de Gestão Escala de Medidas de Variáveis. Frequência absoluta e relativa de dados quantitativos. Professor: Dr. Wilfredo Falcón Urquiaga
Leia maisSistema 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
Leia maisResolução de Problemas. Universidade Católica de Pelotas Engenharia da Computação Disciplina: Inteligência Artificial
Resolução de Problemas Universidade Católica de Pelotas Engenharia da Computação Disciplina: Inteligência Artificial 2 Resolução de Problemas Introdução Componentes Solução Busca de soluções 3 Resolução
Leia maisESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Científica Matemática Teóricas Curso Eng. Electrotécnica ECTS 5 Teóricopráticas Distribuição das horas de contacto Trabalho Práticas e de Seminário Estágio Laboratoriais campo Orientação tutória Outras
Leia maisEnunciados Quantificados Equivalentes
Lógica para Ciência da Computação I Lógica Matemática Texto 15 Enunciados Quantificados Equivalentes Sumário 1 Equivalência de enunciados quantificados 2 1.1 Observações................................
Leia maisConjuntos Fuzzy e Lógica Fuzzy
1 Introdução Conjuntos Fuzzy e Lógica Fuzzy users.femanet.com.br/~fabri/fuzzy.htm Os Conjuntos Fuzzy e a Lógica Fuzzy provêm a base para geração de técnicas poderosas para a solução de problemas, com uma
Leia maisTESTE DO QUI-QUADRADO DE INDEPENDÊNCIA
TESTE DO QUI-QUADRADO DE INDEPENDÊNCIA Suponha que numa amostra aleatória de tamanho n de uma dada população são observados dois atributos ou características A e B (qualitativas ou quantitativas), uma
Leia maisRoteiro. 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
Leia maisAnálise dos Resultados da Simulação
Análise dos Resultados da Simulação Prof. Paulo José de Freitas Filho, Dr. Eng. Universidade Federal de Santa Catarina Dep. Informática e Estatística PerformanceLab freitas@inf.ufsc.br Tópicos Introdução
Leia mais17/07/2017. Semiprobabilística. Amostra. Amostra Probabilística. Estatística. Amostra Não probabilística TÉCNICAS DE AMOSTRAGEM NOÇÕES DE AMOSTRAGEM
Probabilística Não probabilística Semiprobabilística 17/07/2017 Técnica de gem Não Probabilística Semiprobabilistica probabilística 1 TÉCNICAS DE AMOSTRAGEM Estatística 2 Por conveniência Sistemática Por
Leia maisPERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas);
O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); A duração de cada atividade na prática, contudo, pode ser diferente daquela prevista no projeto; Existem muitos fatores
Leia maisAULA 02 Distribuição de Probabilidade Normal
1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor
Leia maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
Leia maisPlano. 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
Leia maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia maisAspectos 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
Leia maisMedidas de Dispersão ou variabilidade
Medidas de Dispersão ou variabilidade A média - ainda que considerada como um número que tem a faculdade de representar uma série de valores - não pode, por si mesma, destacar o grau de homogeneidade ou
Leia maisComportamento Unimodal da Distribuição Beta Binomial Negativa
Comportamento Unimodal da Distribuição Beta Binomial Negativa Cícero Carlos Feli de Oliveira 1 Dr. Cláudio Tadeu Cristiano 2 Pedro Ferreira de Lima 3 1 Introdução A distribuição Polya-Eggenberger e sua
Leia mais6.2 Análise da Viabilidade do Lançamento de um Produto 27
159 6.2 Análise da Viabilidade do Lançamento de um Produto 27 Neste caso, o MAB será aplicado em um problema com o qual, constantemente, se deparam os profissionais de marketing: estudar a viabilidade
Leia mais