Notas de aulas de Sistemas de Transportes (parte 4)
|
|
- Antônio Borges Andrade
- 5 Há anos
- Visualizações:
Transcrição
1 1 Notas de aulas de Sstemas de Transportes (parte 4) Helo Marcos Fernandes Vana Tema: Demanda por transportes (2. o Parte) Conteúdo da parte 4 1 Acuráca (ou precsão) nas prevsões da demanda 2 Modelos sequencas 3 Dados auxlares para a elaboração da matrz orgem-destno
2 2 1 Acuráca (ou precsão) nas prevsões da demanda 1.1 Introdução Exstem mutas dfculdades para realzar uma prevsão acurada (ou precsa) do FUTURO VOLUME DE USUÁRIOS de um determnado componente do sstema de transporte. OBS. Componente do sstema de transporte pode ser: o modo (ou o tpo) de transporte, um termnal de transporte, um ponto de acesso ao transporte, ou etc. As dfculdades para realzar uma prevsão acurada (ou precsa) estão relaconadas bascamente a 2 (duas) causas, as quas são: a) Os erros na nterpretação dos concetos relaconados ao problema; e b) Os erros de aplcação dos prncípos relaconados à modelagem do problema. 1.2 Os 8 (oto) tpos de erros mas comuns relaconados à prevsão da demanda A segur, são apresentados e comentados os tpos de erros mas comuns que ocorrem na prevsão da demanda. ) ERRO de não consderar a elastcdade (ou varação) da demanda com o preço da passagem Por uma questão de smplcdade, mutos estudos de planejamento supõem que os volumes (ou demanda) de vagens são CONSTANTES. Esta postura é geralmente INCORRETA ou INJUSTIFICÁVEL, portanto sto é um erro grasso (ou grosso). ) ERROS causados pelo cálculo errôneo da elastcdade da demanda () A varação da demanda deve ser calculada com um valor recente da elastcdade da demanda () de uma varável de estudo. Por exemplo: SE a elastcdade da demanda () for calculada com um peço muto antgo da passagem; Então, a elastcdade da demanda do preço não deve ser usada para calcular a varação da demanda, porque pode causar erro no cálculo da varação da demanda. Pos, além do preço da passagem, sabe-se outras varáves que nfluencam na demanda (por exemplo: pedágo, população, renda percapta, etc.) também varam no tempo.
3 3 OBS(s). a) Como vsto em aula anteror, é possível estmar rapdamente a varação percentual da demanda com base na varação da varável de estudo, a partr da segunte fórmula: D(%) x..100 x 1 D(%) = varação percentual da demanda; x 2 = valor fnal da varável de estudo; x 1 = valor ncal da varável de estudo; x = x 2 x 1 = ntervalo de varação da varável de estudo; e x = elastcdade da demanda (para varável de estudo). x (1.1) (*) A fórmula anteror, eq. (1.1), é baseada na lteratura, e é usada para varações máxmas de até 10% da varável de estudo. b) Como vsto em aula anteror, a elastcdade da demanda para uma varável x de um modelo de demanda (D) é calculada pela segunte equação: x D. x x D (1.2) x = elastcdade da demanda (para varável de estudo); D/x = dervada parcal da função demanda (D) em relação a x ; x = varável em análse, ou varável em estudo; e D = função demanda. c) Exemplos de cálculo da elastcdade da demanda (), e também da varação percentual da demanda em função da elastcdade da demanda () serão apresentados em aulas futuras. ) ERROS por uso de dados mprópros para calbrar os modelos de demanda Os dados usados para calbração dos parâmetros de um modelo de demanda devem ser homogêneos. Por exemplo: É necessáro consderar na calbração do modelo da demanda os seguntes aspectos: a) Se os dados utlzados na calbração do modelo são orundos da própra regão em estudo; e b) Se os dados usados na calbração do modelo são de pesqusas recentes (Por exemplo: Últmos 5 anos ou últmos 10 anos).
4 4 v) ERROS causados pela extrapolação das condções exstentes A utlzação de modelos para extrapolar stuações que não sejam smlares às condções exstentes FORNECE RESULTADOS POUCO CONFIÁVEIS. Assm sendo, os resultados de um modelo de prevsão da demanda tendem a ser mas precsos quanto mas smlar, ou mas próxmo, for o cenáro de prevsão em relação ao cenáro a que fo calbrado o modelo. Por exemplo: -> Um modelo pode fazer boas prevsões para a demanda para até 5 anos, após a sua calbração; pos o cenáro de prevsão está próxmo do cenáro de calbração do modelo. -> Para prevsões da demanda superores a 5 anos, após a calbração do modelo, as prevsões serão menos confáves, pos o cenáro de prevsão está longe do cenáro de calbração do modelo. v) Erros de medção A calbração (ou estmação) dos parâmetros dos modelos de demanda é feta com base na MEDIÇÃO de dados de campo, tas como: custo do transporte, número de empregos, população, etc. Assm sendo, o ERRO NA MEDIÇÃO dos dados de campo conduz a uma estmação errônea dos parâmetros do modelo, o que conduz a erros nas prevsões da demanda fetas com o modelo. OBS. Exemplo de parâmetros do modelo Seja o modelo de perversão de demanda: K 2 k3 k 4 Dauto k1.p G.P P. P (1.3) k 1, k 2, k 3, k 4 = parâmetros do modelo; P G, P P e P = varáves explcatvas do modelo, respectvamente: preço da gasolna, preço do pedágo e população na cdade ; e D auto = varável resposta do modelo = demanda, ou número de vagens de carro entre as cdades e j. v) Erros nerentes (ou própros) à ncerteza dos parâmetros estmados estatstcamente As técncas dsponíves para a estmação (ou calbração) dos parâmetros dos modelos são estatístcas, ou seja, baseadas em predções (ou prevsões), de modo que os valores resultantes são ncertos. Assm sendo, mesmo que os testes estatístcos forneçam medda de sgnfcânca dos parâmetros do modelo, e um valor de R 2 elevado para o modelo, sto não garante o bom resultado com o uso do modelo. OBS. R 2 é coefcente de determnação do modelo, quando mas próxmo R 2 é de 1 (um) melhor é o modelo.
5 5 v) ERROS nerentes (ou própros) da ncerteza dos valores futuros das varáves sóco-econômcas Para prevê a demanda futura (por exemplo: volume de vagens no futuro) é necessáro prevê o valor das varáves que nfluencam na demanda no futuro. Assm sendo, exstem evdêncas que fortes erros no cálculo da demanda futura ESTÁ RELACIONADO A ERROS DE PREVISÃO DAS VARIÁVEIS usadas no cálculo da demanda. Por exemplo: Se um modelo usa a varável população para estmar o número de vagens; Então, sso sgnfca que se houver um erro no cálculo da população, mplca que também haverá um erro na prevsão feta com o modelo para número de vagens. v) Erros sstemátcos São os erros causados devdo a nteração (ou relação) exstente entre as dversas varáves, por exemplo: a) Erro devdo a nteração (ou relação) entre as varáves volume de passagero de ônbus e o horáro do da Pos, sabe-se que o volume de passagero de ônbus vara sgnfcatvamente em dferentes horas do da; e b) Erro devdo a nteração entre as varáves custo da passagem de ônbus e a renda percapta do usuáro Pos, sabe-se que quanto maor a renda percapta menor será o peso da passagem no orçamento do usuáro. Portanto, é muto dfícl consderar em únco modelo de demanda todas as varáves nterrelaconadas, ou que sejam correlatas (ou seja, varáves que possuem correlação entre s). 1.3 Consderações fnas acerca da acuráca (ou precsão) nas prevsões da demanda Fnalmente, com relação a acuráca nas prevsões da demanda, é mportante destacar que: a) A prevsão da demanda de médo prazo (até 5 anos), é mas precsa do que para futuro dstante (mas de 5 anos). b) Apenas, uma parcela de projetos, como construção de estradas, aeroportos ou metrô, é que requerem prevsão de demanda à logo prazo. c) Os modelos de demanda permtem, apenas, que se tenha uma déa da demanda futura; Portanto, não é uma prevsão exata da demanda futura.
6 6 2 Modelos sequencas 2.1 Dferença entre modelos dretos e modelos sequencas ) Modelos dretos ou smultâneos de demanda Até agora, foram estudados os modelos dretos ou smultâneos para prevsão da demanda; Os modelos dretos apresentam as seguntes característcas: a) Representam a demanda entre, apenas, 1 (um) par de orgem e destno; b) Representam a demanda em relação, apenas, a 1 (um) modo (ou meo) de transporte; e c) Representam a demanda em relação, apenas, a 1 (um) motvo de vagem (por exemplo: trabalho, educação, lazer, etc.). OBS. A demanda geralmente esta relaconada com número de vagens, entre uma orgem () e um destno (j). ) Modelos sequencas de demanda Geralmente os modelos sequencas apresentam 2 (duas) característcas, que são apresentadas como se seguem. PRIMEIRA característca dos modelos sequencas Modelos sequencas são modelos que permtem prevê a demanda, mesmo ocorrendo, pelo menos uma, das seguntes varações: a) Varação do número de pares orgem () e destno (j) (Por exemplo: O modelo aceta város pares de vagem orgem e destno); b) Varação dos modos (ou meos) de transporte (Por exemplo: O modelo aceta vagens de ônbus e metrô); e c) Varação dos motvos de vagem (Por exemplo: O modelo aceta város motvos de vagem: trabalho, estudo, lazer, etc.). SEGUNDA característca dos modelos sequencas Outra característca dos modelos sequencas é que o problema de prevsão da demanda e dvddo em etapas (ou partes) menores. Assm sendo, um modelo sequencal, geralmente, apresenta as seguntes etapas: a) A prmera etapa, ou etapa da geração ou atração de vagens; b) A segunda etapa, ou etapa da dstrbução de vagens; c) A tercera etapa, ou etapa da dvsão modal; e d ) A quarta etapa, ou etapa de alocação de tráfego às rotas.
7 7 OBS(s). a) A prmera, segunda e tercera etapas serão apresentadas à segur, contudo a quarta etapa será apresentada em aulas futuras. b) A quarta etapa corresponderá ao método de alocação de tráfego tpo tudo-ounada que será apresentado futuramente. 2.2 Geração e atração de vagens ) Característca da etapa de geração e atração de vagens A geração e atração de vagens é a prmera etapa do modelo sequencal. Nesta etapa, procura-se expressar através de modelos o número de vagens GERADAS de uma regão, ou o número de vagens ATRAÍDAS para uma regão. Assm sendo, nesta etapa, procura-se determnar as varáves explcatvas dos modelos de GERAÇÃO de vagens e dos modelos de ATRAÇÃO de vagens. Os modelos utlzados para representar o número de vagens GERADAS ou ATRAÍDAS numa regão, geralmente, é lnear. OBS. Modelo lnear é um modelo cujo gráfco tem forma de uma reta. ) Exemplo de modelos usados para estmar o número de vagens GERADAS e ATRAÍDAS A segur são apresentados alguns modelos usados para estmar o número de vagens GERADAS e ATRAÍDAS na regão metropoltana de São Paulo em OBS(s). a) Não se recomenda a aplcação destes modelos, na atualdade, tendo em vsta que os modelos são antgos; Além dsso, a conjuntura (stuação) sóco-econômca do Brasl em 1968 (época em que fo desenvolvdo os modelos) era bem dferente da atual, por exemplo: -> A renda percapta do Brasl em 1968 era dferente da atual; e -> A partcpação da mulher no mercado de trabalho era menor. b) Mesmo se os modelos fossem atuas, não se recomendara a aplcação destes modelos para regões com característcas sóco-econômcas dferentes da regão metropoltana de São Paulo.
8 8 a) Exemplo de modelos usados na prevsão de vagens GERADAS a partr de uma regão a1) A eq.(2.1) representa um modelo para prevsão do número de vagens GERADAS, do tpo domcílo-educação. P de ,0273.x 3 0,0845.x 11 ; (R 2 0,82) (2.1) P de = número de vagens geradas do domcílo para a educação (OBS. o modo, ou tpo, de transporte não fo especfcado); x 3 = renda méda por domcílo; e x 11 = densdade demográfca bruta da população (população/área). OBS. a) x 3 e x 11 são as varáves explcatvas do modelo, ou seja, são as varáves usadas para explcar (ou determnar) a ncógnta do modelo; Enquanto, P de é a varável resposta do modelo, ou seja, ncógnta do modelo. b) Incógnta é a varável desconhecda do modelo, ou seja, P de. a2) A eq.(2.2) representa um modelo para prevsão do número de vagens GERADAS, do tpo domcílo-trabalho (este modelo era váldo para Santo André - SP). P dt 0,8153 0,1772.log x 3 1,0181.log x 11 0,036.z ; 1 (R 2 0,98) (2.2) P dt = número de vagens geradas do domcílo para o trabalho (OBS. o modo, ou tpo, de transporte não fo especfcado); x 3 = renda méda por domcílo; x 11 = densdade demográfca bruta (população/área); e z 1 = varável não defnda na lteratura (provavelmente, vagas de trabalho onde as vagens chegam). OBS. Talvez a varável z 1 não fo especfcada na lteratura, para que pessoas não utlzem o modelo específco para Santo André - SP em outras cdades.
9 9 b) Exemplo de modelos usados na prevsão de vagens ATRAÍDAS b1) A eq.(2.3) representa um modelo para prevsão do número de vagens ATRAÍDAS, para uma regão, do tpo domcílo-educação. A de 2,0273 1,9463.x 12 17,8197.x 13 ; (R 2 0,85) (2.3) A de = número de vagens atraídas do domcílo para a educação (OBS. o modo, ou tpo, de transporte não fo especfcado); x 12 = x 7 / x 1 ; x 7 = vagas escolares em cursos médos e superores; x 1 = área da regão que está sendo estudada (hectares); x 13 = x 8 / x 2 ; x 8 = total de vagas escolares; e x 2 = população (hab). b2) A eq.(2.4) representa um modelo para prevsão do número de vagens ATRAÍDAS, para uma regão, do tpo domcílo-trabalho. A dt 611,9509 4,8493.x 4 3,2890.x 5 ; (R 2 0,97) (2.4) A dt = número de vagens atraídas do domcílo para o trabalho (OBS. o modo, ou tpo, de transporte não fo especfcado); x 4 = mão de obra ocupada na ndústra; e x 5 = mão de obra ocupada no setor tercáro (Por exemplo: Comérco e prestação de servços). 2.3 Dstrbução de vagens Característcas da etapa de dstrbução de vagens A etapa de dstrbução de vagens apresenta as seguntes característcas: ) A dstrbução de vagens é a segunda etapa do modelo sequencal; ) As vagens geradas na etapa anteror (prmera etapa) são dstrbuídas nesta etapa; ) Geralmente, o que se procura nesta etapa de dstrbução de vagens é: a) Entender os fatores que nfluem no volume de vagens que ocorrem para cada destno; e b) Saber como as varáves nfluem na dstrbução de vagens.
10 Característcas dos modelos de dstrbução de vagens Os modelos de dstrbução de vagens, geralmente, apresentam as seguntes característcas: a) Alguns modelos são baseados no fator de crescmento (F); b) Alguns modelos não fornecem a ndcação da causas (exemplo: trabalho, educação, etc.) da dstrbução de vagens; c) Os modelos de dstrbução de vagens são muto utlzados na prátca, prncpalmente, pela smplcdade destes modelos. d) Os modelos são recomendados para prevsão de curto prazo, onde a varação da demanda é pequena. OBS. O modelo de dstrbução de vagens mas antgo fo desenvolvdo em 1885 por Ravensten, que estudou o fluxo de mgrantes da Europa para os EUA Modelo de Fratar ) Aspectos relaconados ao modelo de Fratar Os aspectos relaconados ao modelo de Fratar que merecem destaque são os seguntes: a) O modelo de Fratar é relatvamente antgo, data de 1954; b) O modelo de Fratar utlza o fator crescmento (F); c) O modelo de Fratar é um modelo de prevsão de vagens futuras; e d) O modelo de Fratar consta nos prncpas pacotes de programas computaconas para transportes; Como por exemplo no programa EMME2, que fo desenvolvdo no Canadá. ) Formulação do modelo de Fratar A prevsão do volume de vagens futuras entre um par de zonas (orgem e destno) pode ser feta através do modelo de Fratar, o qual corresponde à segunte equação: Q Q.F.F. L t j 0 j j (2.5) Q t j = número de vagens no ano t futuro, de para j; Q 0 j = número de vagens atuas de para j; F = fator de crescmento da zona de orgem (ou zona ); F j = fator de crescmento da zona de destno (ou zona j); e L = fator de ajuste das orgens.
11 11 Anda, sendo que: L n j1 Q 0 F.Q j (2.6) L = fator de ajuste das orgens. Q 0 = número total de vagens que partem da zona de orgem, no ano atual; F j = fator de crescmento da zona de destno (ou zona j); e Q 0 j = número de vagens atuas de para j. OBS. No caso do somatóro lê-se: somatóro de F j.q 0 j com j varando de 1 até n. 0 j De acordo com Bruton (1979), os fatores de expansão podem ser estmados pelas seguntes expressões: Q F Q t 0 ; F j Q Q t j 0 j F j = fator de crescmento da zona de destno (ou zona j); F = fator de crescmento da zona de orgem (ou zona ); Q t = número total de vagens futuras (ou no ano t) que partem de ; Q 0 = número total de vagens que partem de na atualdade; Q t j = número total de vagens futuras (ou no ano t) destnadas à j; e Q 0 j = número total de vagens que são destnas à j na atualdade. A Fgura 2.1 lustra o esquema de cálculo, do número de vagens futuras (ou no ano = t) que partem de e tem destnos 1, 2,..., j,..., n; Utlzando-se o modelo de Fratar.
12 12 Fgura Esquema de cálculo, do número de vagens futuras (ou no ano = t) que partem de e tem destnos 1, 2,..., j,..., n; Utlzando-se o modelo de Fratar Observa-se, na Fgura 2.1, os seguntes aspectos: a) No esquema vetoral, representa a orgem das vagens, e os vetores ndcam os destnos das vagens que podem ser 1, 2, 3,..., j,..., n; b) As equações mostradas, na Fgura 2.1, são as equações usadas para calcular o número de vagens no futuro (ou no ano = t); c) Observe, na Fgura 2.1, que cada equação apresentada corresponde a um número de vagens futuras (ou no ano = t) de um par orgem e destno. Assm sendo, a orgem das vagens é a zona e os destnos das vagens são as zonas 1, 2,..., j,..., n. OBS. Maores dúvdas sobre aplcação do modelo de Fratar serão tradas nas aulas de exercícos.
13 Modelo de gravdade ) Aspectos relaconados ao modelo de gravdade Os aspectos relaconados ao modelo de gravdade que merecem destaque são os seguntes: a) O modelo de gravdade (ou gravtaconal) é um modelo analógco, pos se basea por analoga (comparação) com o modelo gravtaconal de Newton. b) É um modelo para prevsão do número de vagens presentes e futuras; e c) A partr da segunda metade do século XX, o modelo gravtaconal passou a ser aplcado na área de transportes. ) Formulação do modelo de gravdade (ou gravtaconal) O modelo de gravdade, que permte prevê o número de vagens presentes e futuras, corresponde à segunte equação: V j k.a.b. C j j (2.7) V j = número de vagens com orgem em e destno em j; C j = varável que pode ser o custo (ou o preço) da vagem, ou tempo; A = varável relaconada a geração de vagens na zona (ou orgem); Esta varável pode ser: número de empregos, população, vagas na educação, etc.; B j = varável relaconada a atração de vagens na zona j (ou destno); Esta varável pode ser: número de empregos, população, vagas na educação, etc.; k = constante de proporconaldade da orgem ; e = expoente da varável C j. OBS (s). a) Calbrar o modelo gravtaconal sgnfca defnr os valores de k e (teta), a partr dos danos obtdos na pesqusa de campo. b) O modelo gravtaconal pode ser faclmente calbrado com uso de programas estatístcos de computador, que realzam regressões não lneares múltplas Propredades báscas dos modelos de dstrbução de vagens Para que um modelo de dstrbução de vagens seja consstente, ele deve apresentar as seguntes propredades: ) Propredade da conservação Num sstema de transportes de n regões, ou n cdades ou n zonas; as seguntes condções devem ser satsfetas:
14 14 1. o ) O total de vagens dstrbuídas a partr de uma orgem, deve ser gual ao número de vagens geradas a partr de ; Ou seja: n O V j j (2.8) O = total de vagens dstrbuídas a partr de ; V j = número de vagens com orgem em e destno em j; e j = número da zona de destno da vagem que vara até n. OBS. O é gual o somatóro de V j, com j varando até n. 2. o ) O total de vagens que se destnam a um destno j, deve ser gual ao número de vagens atraídas pelo destno j; Ou seja: n D j V j D j = total de vagens que se drgem a um destno j; V j = número de vagens com orgem em e destno em j; e = número da zona de orgem da vagem que vara até n. (2.9) OBS. D j é gual o somatóro de V j, com varando até n. 3. o ) O somatóro das vagens produzdas nas n orgens é gual ao somatóro das vagens atraídas pelos n destnos; Ou seja: n n O D j j (2.10) O = total de vagens dstrbuídas a partr da orgem (ou zona de orgem) ; = número da zona de orgem de vagem que vara até n; D j = total de vagens que se drgem a um destno j; j = número da zona de destno da vagem que vara até n. OBS. Quanto à eq. (2.10), lê-se: somatóro de O com varando até n é gual ao somatóro de D j com j varando até n. ) Propredade da não negatvdade Esta propredade estabelece que o número de vagens ocorrdas entre qualquer par orgem e destno não deve ser negatvo.
15 15 ) Propredade da dvsbldade Esta propredade estabelece que se uma zona de orgem for dvdda em duas, ou seja, dvdda na zona e na zona a segunte gualdade é válda: v ' j v "j v j (2.11) V j = número de vagens com orgem em e destno em j; V j = número de vagens com orgem em e destno em j; e V j = número de vagens com orgem e e destno em j. v) Propredade da compressbldade Esta propredade estabelece que se duas zonas de destno j e j forem agrupadas, a segunte gualdade é válda: v j' v j" v j (2.12) V j = número de vagens com orgem em e destno em j; V j = número de vagens com orgem em e destno e j ; e V j = número de vagens com orgem em e destno em j. 2.4 Dvsão Modal Característcas da etapa da dvsão modal A etapa da dvsão modal corresponde a tercera etapa do modelo sequencal. Nesta etapa são realzados os estudos de vagens que levam em conta os dferentes modos de transportes (ônbus, carro, metrô, etc.) Modelo agregado de dvsão modal ) Aspectos relaconados ao modelo agregado O modelo agregado fo utlzado no Northeast Corrdor Transportaton Project (Projeto do Corredor de Transporte do Nordeste). O modelo agregado fo o objetvo de város estudos (por exemplo: Shuldner, 1970; Blhemer, 1972; e Sóra, 1977).
16 16 O modelo agregado é baseado em duas hpóteses, as quas são: a) Numa determnada lgação, a partcpação de uma modaldade de transporte nas vagens é proporconal ao nível de servço ofertado pela modaldade de transporte. b) O nível de servço ofertado por uma modaldade de transporte pode ser meddo por uma expressão matemátca. OBS(s). -> Uma lgação é caracterzada por uma orgem e por um destno j. -> Como exemplo de modo ou modaldade de transporte tem-se: ônbus, metrô, avão, carro, etc. ) Formulação do modelo agregado O número de vagens a serem realzadas entre uma orgem e um destno j, por ntermédo de um modo (ou meo de transporte) m, é fornecdo pela segunte equação: N jm W j1 W W jm j2.n j... W jm (2.13) N jm = número de vagens entre a orgem e o destno j, usando-se o modo m; N j = número total de vagens entre a orgem e o destno j, usando-se todos os modos de transporte m. W jm = nível de servço do modo m, entre a orgem e o destno j; e W j1, W j2,..., W jm = níves de servço dos modos 1, 2,..., m; entre a orgem e o destno j. Sendo que o nível de servço do modo m pode ser estmado pela segunte equação: W a.t jm b jm.c c jm. F d jm (2.14) W jm = nível de servço do modo m, entre a orgem e o destno j; T b jm = tempo de vagem entre a orgem e o destno j, pelo modo m; C c jm = custo monetáro da vagem entre a orgem e o destno j, pelo modo m; F d jm = frequênca de vagem entre a orgem e o destno j, que é oferecda pelo modo m; e a, b, c, d = constantes de calbração do modelo. OBS. Modo m é o modo de transporte que pode ser: ônbus, metrô, carro, etc.
17 17 3 Dados auxlares para a elaboração da matrz orgem-destno A matrz orgem destno é um quadro que mostra o provável volume de vagens que a população de uma área ou de uma regão realza, ou que têm o potencal (ou capacdade) de realzar. A matrz orgem-destno é mportante, pos ela é utlzada tanto para o modelo de Fratar quanto para o modelo gravtaconal. 3.1 A matrz orgem-destno usada para dmensonar frota de veículos na ATUALIDADE Quando a matrz orgem-destno é voltada para o dmensonamento de uma frota de veículos para atender os usuáros de uma regão no presente; Então, o número de vagens é determnado por meo de pesqusas domclares. Por exemplo: Para se determnar a demanda por vagens pelo modal ônbus, em uma regão anda sem ônbus, é necessáro defnr número de usuáros de ônbus da regão, através de entrevstas aos moradores da regão. OBS(s). a) Uma vagem corresponde a um usuáro, que toma um modo de transporte m (ônbus, metrô, etc.) da orgem para o destno j; b) Na Europa a pesqusa da demanda por vagens é feta durante o recenseamento populaconal; e c) Modal tem o mesmo sgnfcado de modaldade ou modo de transporte. 3.2 A matrz orgem-destno usada para dmensonar frota de veículos no FUTURO Quando a matrz orgem-destno é voltada para o dmensonamento de uma frota de veículos para atender os usuáros de uma regão no FUTURO, procede-se da segunte forma: a) Incalmente, são realzadas pesqusas nas lnhas de transporte coletvo com os usuáros que vajam de um ponto para outro; Assm, obtém-se os dados da matrzorgem destno NO PRESENTE. b) Fnalmente, de posse da matrz orgem-destno, no tempo presente, é possível determnar o número de vagens (ou de usuáros) do transporte públco NO FUTURO.
18 18 OBS(s). Aspectos relaconados à pesqusa de campo realzada nas lnhas de transporte públco (Por exemplo: Na lnha ou na rota do ônbus): a) As pesqusas de campo são realzadas através de cartões que ndcam a orgem e o destno dos usuáros; e b) Os cartões de pesqusa que são entregues no embarque do usuáro, devem ser recolhdos, se possível, antes do desembarque. 3.3 Aspectos da pesqusa nos domcílos para elaboração da matrz orgemdestno Quando, a matrz orgem-destno e construída com dados de pesqusa domclares recomenda-se que a pesqusa apresente as característcas que se seguem: ) Tamanho das amostras de pesqusa para construção da matrz orgemdestno A pesqusa domclar procura obter a orgem e o destno de todas as vagens dáras das pessoas resdentes, de forma temporára ou permanente, na área pesqusada. O tamanho da amostra a ser pesqusada nos domcílos é proporconal ao da população da área de estudo. A Tabela 3.1 ndca o tamanho da amostra a ser pesqusada com base na população da área de pesqusa. Tabela Tamanho da amostra a ser pesqusada com base na população da área de pesqusa População da área Tamanho da amostra Tamanho da amostra (habtantes) recomendado (habtantes) mínmo (habtantes) menor que em cada 5 hab. 1 em cada 10 hab em cada 8 hab. 1 em cada 20 hab em cada 10 hab. 1 em cada 35 hab em cada 15 hab. 1 em cada 50 hab em cada 20 hab. 1 em cada 70 hab. Acma de em cada 25 hab. 1 em cada 100 hab.
19 19 ) Aspecto do questonáro feto aos resdentes do domcílo Sorteados os domcílos a serem pesqusados, deve-se submeter a seus resdentes ao segunte questonáro: -> Indcação do endereço da resdênca; -> Defnção número de pessoas resdentes fxas ou temporáras; -> Determnação do número de caros da resdênca; e -> Determnação do nível de renda dos resdentes. ) Aspectos das vagens fetas pelos resdentes Para cada resdente, deve-se dentfcar: -> O número de vagens dáras fetas por cada resdente; -> O propósto de cada vagem (trabalho, estudo, saúde, etc.); -> A orgem e destno de cada vagem; -> O horáro de níco e duração de cada vagem; e -> O modal usado em cada vagem (ônbus, metrô, carro, etc.). v) Determnação do número total de vagens realzadas na zona de pesqusa O número total de vagens dáras realzadas, com o modal m, na zona de pesqusa, pode ser determnado com base na segunte equação: PTZ TVRZP NVP. (3.1) PPZ TVRZP = número total de vagens dáras realzadas, com o modal m, no sentdo de para j, na zona de pesqusa (ou barro, ou cdade); NVP = número de vagens dáras pesqusadas, com o modal m, no sentdo de para j, na zona de pesqusa (ou barro, ou cdade); PTZ = população total da zona de pesqusa (ou barro, ou cdade); e PPZ = população pesqusada na zona de pesqusa (ou barro, ou cdade). OBS(s). a) Modal m é o modo de transporte, que pode ser ônbus, metrô, carro, etc; e b) Em aluas futuras será apresentado um exercíco, que é um exemplo da utlzação da matrz orgem-destno. Referêncas Bblográfcas KAWAMOTO, E. Análse de sstemas de transporte. 2.ed. São Carlos - SP: Escola de Engenhara de São Carlos - Unversdade de São Paulo, p. (Bblografa Prncpal) NOVAES, A. G. Sstemas de transportes - análse da demanda. Vol.1. São Paulo - SP: Edgard Blücher Ltda, p. CARVALHO, C. A. B.; SOUZA, A. C. V. Planejamento de transportes. Apostla 266. Vçosa - MG: Unversdade Federal de Vçosa, p. BRUTON, M. J. Introdução ao planejamento dos transportes. São Paulo - SP: EDUSP - Unversdade de São Paulo, p.
3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisGabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisMETODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO
Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisMedidas e resultados em um experimento.
Meddas e resultados em um expermento. I- Introdução O estudo de um fenômeno natural do ponto de vsta expermental envolve algumas etapas que, mutas vezes, necesstam de uma elaboração préva de uma seqüênca
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisMedidas de Tendência Central. Prof.: Ademilson Teixeira
Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central
Leia maisSELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP., NO PÓLO GESSEIRO DO ARARIPE
SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP, NO PÓLO GESSEIRO DO ARARIPE Jáder da Slva Jale Joselme Fernandes Gouvea Alne Santos de Melo Denns Marnho O R Souza Kléber Napoleão Nunes de
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisCQ110 : Princípios de FQ
CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?
Leia maisMETOLOGIA. 1. Histórico
METOLOGIA A Sondagem da Construção Cvl do RS é uma sondagem de opnão empresaral realzada mensalmente e fo crada pela Confederação Naconal da Indústra (CNI) com o apoo da Câmara Braslera da Indústra da
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisMECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor
1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos
Leia maisCap. 6 - Energia Potencial e Conservação da Energia Mecânica
Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma
Leia mais