XLVI Congresso Brasileiro de Engenharia Agrícola - CONBEA 2017 Hotel Ritz Lagoa da Anta - Maceió - AL 30 de julho a 03 de agosto de 2017
|
|
- Walter Coradelli Andrade
- 5 Há anos
- Visualizações:
Transcrição
1 XLVI Cogresso Braslero de Egehara Agrícola - CONBEA 2017 Hotel Rtz Lagoa da Ata - Maceó - AL 30 de julho a 03 de agosto de 2017 USO DE REDES NEURAIS NA PREDIÇÃO DA PRODUTIVIDADE DE FLORES DO KALANCHOE BLOSSFELDIANA POELLN CULTIVADO EM AMBIENTE PROTEGIDO FÁTIMA C. SOARES 1, JUMAR L. RUSSI 2, FRANCIELLE ALTÍSSIMO BORTOLÁS 3, ANA R. COSTENARO PARIZI 4 ; PAOLA DA ROSA LIRA 5, 1 Egª; Agrícola, profª Adjuta, curso de Egehara Agrícola, Uversdade Federal do Pampa Campus de Alegrete, Alegrete-RS, foe (55) , fatmasoares@upampa.edu.br 2 Eg ; Eletrcsta, prof Adjuto, curso de Egehara Elétrca, Uversdade Federal do Pampa Campus de Alegrete, Alegrete-RS. 3 Egª Agrícola, alua de mestrado do Programa de Pós-Graduação em Egehara Agrícola, Uversdade Federal de Sata Mara, Sata Mara-RS. 4 Egª Agrícola, Profª Adjuto, Isttuto Federal Farrouplha Campus de Alegrete, Alegrete-RS 5 Acadêmca curso de Egehara Agrícola, Uversdade Federal do Pampa/Isttuto Federal Farrouplha, Alegrete-RS Apresetado o XLVI Cogresso Braslero de Egehara Agrícola - CONBEA de julho a 03 de agosto de Maceó - AL, Brasl RESUMO: O uso de sstemas telgetes o meo agrícola, a fm de prever a produtvdade, é uma ferrameta de suporte à agrcultura. Assm, objetvou-se através do uso de redes euras artfcas prever a produtvdade de flores do Kalachoe Blossfeldaa Poell. Os dados de campo foram obtdos a área expermetal do curso de Egehara Agrícola, Upampa, Alegrete, RS. Foram testadas dversas redes euras do tpo perceptro, multcamadas com algortmo backpropagato otmzado (Leveberg-Marquardt). As varáves de etrada foram: composção dos substratos (cza da casca de arroz, solo, húmus, dustralzado e pha); rrgação total e evapotraspração da cultura total. A varável de saída fo produtvdade de flores. Os dados foram dvddos em três cojutos: treameto, valdação e teste. Cada arqutetura fo treada 10 vezes, escolhedo-se, ao fal do treameto, aquela com meor erro relatvo médo e meor varâca em relação aos dados de valdação. A efcêca das redes fo aalsada por meo de dcadores estatístcos. A rede com 20 eurôos a camada escodda, apresetou os meores erros os processos de treameto e valdação, detre as dversas arquteturas treadas, com coefcete de determação de 0,90. Coclu-se que o uso de redes euras artfcas propostas para prever a produtvdade de flores do Kalachoe fo satsfatóro. PALAVRAS-CHAVE: modelagem; florcultura; produtvdade USE OF NEURAL NETWORKS IN THE PREDICTION OF FLOWER PRODUCTIVITY OF KALANCHOE BLOSSFELDIANA POELLN CULTIVATED IN A PROTECTED ENVIRONMENT ABSTRACT: The use of tellget systems the agrcultural evromet, amg to predct productvty, s a support tool for agrculture. Thus, t was teded by usg artfcal eural etworks to predct the flower productvty of Kalachoe Blossfeldaa Poell. Feld data were obtaed the expermetal area of the Agrcultural Egeerg course,
2 Upampa, Alegrete, RS. Several eural etworks of perceptro type, multlayer wth optmzed backpropagato algorthm (Leveberg-Marquardt) were tested. The put varables were: composto of the substrates (rce husk ash, sol, humus, dustralzed ad peapple); total rrgato ad total evapotrasprato of the crop. The output varable was flower yeld. Data were dvded to three groups: trag, valdato ad testg. Each archtecture was traed 10 tmes, choosg at the ed of the trag the oe wth the lowest average relatve error ad the lowest varace relato to the valdato data. The effcecy of the etworks was aalyzed through statstcal dcators. The etwork wth 20 euros the hdde layer preseted the smallest errors trag ad valdato processes, amog several traed archtectures, wth a coeffcet of determato of It was cocluded that the use of the proposed artfcal eural etworks to predct the productvty of Kalachoe flowers was satsfactory. KEYWORDS: modelg; florculture; productvty INTRODUÇÃO A florcultura o Brasl vem se expaddo, gahado qualdade, compettvdade e ramfcado-se por todas às regões do país (DE FRANÇA e MAIA, 2008). Cosdera-se atualmete uma mportate atvdade ecoômca o Brasl, com taxas de crescmeto de 20% ao ao (BUAINAIN e BATALHA, 2007). A produção de flores e platas orametas vem tedo resultados postvos, devdo a amplação do cosumo os países desevolvdos e, especalmete, em razão da expasão do mercado tero braslero. Isto se deve, prcpalmete, às codções clmátcas favoráves as regões produtoras, ao acesso facltado a ovas tecologas e ao avaço das téccas de cultvo avaçadas. Etretato, essas téccas de maejo de cultvo, ada precsam ser melhor estudadas, uma vez que há espéces orametas com grade potecal produtvos que dexa de ser explorada por falta de formação sobre seu maejo. Segudo Buaa e Batalha (2007) a adoção de tecologa de pota precsa ser mplemetada o processo produtvo pelos florcultores a fm de melhorar a qualdade do produto. As mesmas apesar de dspoíves são utlzadas por uma mora, a maora dos produtores utlzam ada a produção tecologas rudmetares. Na tetatva de auxlar os produtores agrícolas em processos de tomada de decsão o uso da modelagem matemátca vem gradatvamete demostrado efcêca a predção em sstemas agrícolas. Os modelos de smulação de culturas podem auxlar o etedmeto dos fatores que terferem em seu redmeto, assm como dcar alteratvas o maejo da cultura perate dferetes ceáros para o sstema de produção. Prevsões de safra e outras estmatvas evolvedo culturas agrícolas podem ser utlzadas com grade êxto em dversas stuações a partr de modelos de smulação de culturas (ANDRADE JUNIOR et al., 2006). Detre as vatages da utlzação de modelos, destacam-se a ecooma de tempo, trabalho e quatdade de recursos para plaejameto e tomada de decsões de maejo o setor agrícola. A modelagem vem sedo utlzada a smulação do crescmeto e redmeto de culturas, para quatfcar o mpacto de codções adversas de clma, vsado auxlar o motorameto e a estmatva de safras em grades áreas (YOUNG, 2008). A formulação de um modelo matemátco, para a predção da produção de culturas agrícolas, é muto dfícl e lmtado devdo à complexdade e a ão leardade os dados dos parâmetros relacoados à mesma (BRAGA, et al., 2000). Detro deste cotexto, város autores dcam a utlzação de redes euras artfcas (RNAs) quado se trata de sstemas complexos (SOARES, et al., 2015; SOARES, et al., 2014; YOUNG et al., 2001; ATTOH-OKINE e FEKPE, 1996).
3 Neste ceáro, o uso de sstemas telgetes o meo agrícola, a fm de prever a produtvdade em fução das téccas de maejo aplcadas, vêm cotrbudo para a maxmzação e otmzação a agrcultura. Assm, o uso de redes euras artfcas, pode permtr correlacoar as varáves que terferem a produtvdade (ARRUDA et al., 2013), possbltado o desevolvmeto de modelos que auxlem a tomada de decsões quato ao maejo. Date do exposto, objetvou-se com este trabalho prever a produtvdade de flores do Kalachoe Blossfeldaa Poell., através do uso de redes euras artfcas. MATERIAL E MÉTODOS Os dados utlzados para, trear e valdar as redes euras artfcas (RNAs), foram obtdos de expermeto desevolvdo, com a cultura do Kalachoe Blossfeldaa Poell, o mucípo de Alegrete, regão cetro oeste do Estado do Ro Grade do Sul, localzado a lattude 29º 47, logtude de 55º 46 e 91 m de alttude, publcados por Bortolás (2016). A cultvar utlzada o expermeto fo a Debbe, está fo submetda a dferetes dosages de rrgação e substratos, compostos por resíduos dustras e vegetas. Os substratos eram compostos pelos segutes materas: cza da casca do arroz, solo, húmus, substrato comercal e semete de pus trturada. Foram aplcadas lâmas de rrgação com as dosages em relação a capacdade de reteção de água o vaso (CV), sedo estas, 70, 50, 30 e 20% da CV. Para desevolvmeto da RNA multcamadas fo utlzado o Neural Network Toolbox do software Matlab (versão ), as mesmas foram treadas com o algortmo backpropagato e otmzação Levemberg-Marquadt, fo utlzado a regra de apredzado por correção de erro (BRAGA et al., 2000). Para cada arqutetura de RNA, os dados foram dvddos aleatoramete em cerca de 70% para treameto e 30 % para valdação da mesma (NAGAOKA, et al., 2005; BRAGA et al., 2000). Para o treameto fo matdo costate o úmero de camadas (uma camada de etrada, uma termedára e uma saída). As redes treadas tham a camada de etrada sete varáves, varado-se o úmero de eurôos a camada termedára, treou-se redes com 5, 10, 20, 30, 40 e 50 eurôos a camada escodda. E um úco eurôo a camada de saída. As varáves de etrada a RNA foram: composção dos substratos - cza da casca de arroz (%), solo (%), húmus (%), comercal (%) e pha (%); rrgação total (ml) e evapotraspração da cultura total (mm), a varável de saída fo produtvdade de flores (flores.plata -1 ). As varáves de etrada, rrgação total e evapotraspração total da cultura, ou seja, o cosumo hídrco, foram computadas o fal do cclo da cultura do Kalachoe, aos 163 das após o trasplate (DAT). O cosumo de água pela plata fo determado coforme equação 1, do balaço hídrco, proposta por Thorthwate e Mather (1955): Etr L 1 M L 1 M 1 I D (1) ode, Etr = evapotraspração real da cultvar o íco de um dado tervalo de tempo; M = massa de substrato e água cotda o vaso o íco de um dado tervalo de tempo; M+1 = massa de substrato e água remaescete o fal do tervalo de tempo cosderado;
4 I = rrgação aplcado o tervalo Δt; D = dreagem que ocorre o período Δt. O método do balaço hídrco cosste a pesagem do vaso ates de ser rrgado e após, com retrada da água que percola o perfl (dreada), fazedo com que se obteha a varação etre a massa de substrato e água cotda o tervalo de tempo cosderado, bem como a massa de substrato e água remaescete o fal do tervalo de tempo cosderado, sedo M M+1, obtdos em balaça de precsão de 0,01 g. A cotagem do úmero de flores por plata, obtda o fal do cclo, fo realzada maualmete. No eurôo da camada de saída, empregou-se uma fução de atvação lear. Vsado garatr que cada parâmetro de etrada recebesse gual ateção durate o treameto, aumetado, assm, sua efcêca, tato os dados de etrada quato os de saída foram padrozados para o tervalo etre -1 e 1 pela equação 2 (MATLAB, 2000): 2(p m p) p 1 (2) (max p m p) em que, p é o valor ormalzado, admesoal; p o valor observado; m p é o valor mímo da amostra; e max p o valor máxmo da amostra. No desevolvmeto da RNA, mateve-se costate a fução de atvação a camada termedára (Tagete Hperbólca sgmode), a regra de treameto (Leveberg- Marquardt) e o úmero de épocas. Tedo em vsta que, o íco do treameto, os parâmetros lvres são gerados aleatoramete e que esses valores cas podem fluecar o resultado fal do treameto, a RNA que represetava cada combação das varáves, fo treada 10 vezes. Sedo que em cada treo eram realzadas úmeras terações, até que o erro médo quadrátco etre a saída desejada e calculada fosse mmzado. Escolheu-se como melhor resultado a rede que obteve meor erro relatvo médo e meor varâca em relação aos dados de valdação. Havedo resultados próxmos a escolha da arqutetura, selecoou-se aquela com meor erro quadrátco médo em relação os dados de treo e meor úmero de eurôos (BRAGA et al., 2000). Após o treameto, com os 30% dos dados restates fo realzada a valdação da RNA, e a efcêca da estmatva da produtvdade, pela mesma, fo aalsada grafcamete pela relação 1:1, etre os dados estmados versus os observados e, por meo dos segutes dcadores estatístcos: coefcete de correlação (r); ídce de cocordâca de Wlmot (c); coefcete de determação (r 2 ) e ídce de desempeho (d). O coefcete de correlação (r) permte quatfcar o grau de assocação etre as duas varáves evolvdas a aálse (SCHNEIDER, 1998), sedo seu campo de varação de -1 a 1 e quato maor o seu valor absoluto maor o grau de assocação etre os valores observados e os valores estmados. O respectvo coefcete fo obtdo pela expressão 3: 1 1 r (3) [ (E E)(O (E E) ][ 1 O) (O O)]
5 sedo: r = coefcete de correlação de Perso; E - valores estmados; O - valores observados; E - méda dos valores estmados; O - méda dos valores observados; e - quatdade de padrões de teste. O ídce de cocordâca, fo expresso pela equação c 1 (4) 2 ( E O O 2 (E O ) O ) em que: c = ídce de cocordâca; E - valores estmados; O - valores observados; O - méda dos valores observados; e - quatdade de padrões de teste. Este ídce forece o grau de exatdão etre as varáves evolvdas, uma vez que está relacoada a dfereça etre os valores estmados em relação aos valores observados, sedo seu campo de varação de 0 (zero) (ehuma cocordâca) a 1 cocordâca perfeta (WILLMONT, 1981). Cohecedo-se esses dcadores fo determado o ídce de desempeho d, segudo Camargo e Setelhas (1997), calculado por: Id r. c. RESULTADOS E DISCUSSÃO Foram treadas 6 redes, com 3 camadas (uma camada de etrada, uma camada termedára e uma camada de saída). Para represetar a arqutetura de uma rede fo utlzada a otação NE NCE NS, ode NE é o úmero de etradas da camada de etrada da rede, NCE é o úmero de eurôos da camada escodda, e NS é o úmero de eurôos da camada de saída. A segur, a tabela 1, são apresetados os resultados dos melhores treos, após 10 cclos de treameto, obtdos em cada arqutetura testada. Nota-se que as redes com arqutetura de 7201 e 7501, apresetaram os meores valores de erro quadrátco médo, porém houve um aumeto do erro relatvo médo e da varâca, quado comparadas com as redes de arquteturas 4101 e 4301, ode se observou uma redução dos valores de erro relatvo médo. Isto é, o erro para os dados de treameto dmu, mas ão ecessaramete ocorrerá redução para os valores de valdação. Deve-se ter cudado este caso, pos a rede com mutos eurôos a camada termedára pode memorzar os padrões de treameto, ao vés de extrar característcas para a geeralzação (produzr saídas adequadas para etradas que ão estavam presetes o treameto) (BRAGA et al., 2000). Tabela 1. Valores de erro quadrátco médo, para dados de treameto, erro relatvo médo e varâca para dados de valdação, as dferetes arquteturas treadas. Arqutetura NENCENS Erro quadrátco médo (treameto) Erro relatvo médo (valdação) Varâca (valdação) ,63 0, ,36
6 ,05 0, , ,53 0, , ,26 0, , ,33 0, , ,35 0, ,87 Assm, a partr dos meores valores do erro relatvo médo e varâca para os dados de valdação, além do meor úmero de eurôo a camada escodda, a rede com arqutetura de 7201, fo a que melhor capacdade predtva apresetou para a produção de flores da cultura do Kalachoe (tabela 1). A relação etre a produtvdade observada, obtda o expermeto, e estmada pela RNA com a arqutetura 7201, o mometo da valdação, é apresetada a fgura Y=0,8959 x + 97,312 R 2 = 0,9003 Produtvdade de flores estmada Produtvdade de flores observada Fgura 1. Comparação etre os valores da produção de flores da cultura do Ka lachoe observados, expermetalmete, e estmados, pela rede Observa-se que o coefcete de determação (R 2 ) obtdo da aálse de regressão fo de 0,9003, dcado que cosderável parte da varâca total dos valores de produtvdade da cultura é explcada pela RNA treada. Cotudo, de acordo com Adrade Juor et al. (2006) a adoção do R 2, como úco crtéro de defção da qualdade do método, ão é muto adequada, pos ão estabelece o tpo e a magtude de possíves covarâcas. A observação da forma de dstrbução dos valores orudos do ajustameto etre os valores de produção obtdos e estmados, otados a Fgura 1, permte deduzr que a estmatva da produção, da cultura do kalachoe para a regão em estudo, pode ser estmada pela RNA treada (arqutetura de ) Uma vez que exste pequea dspersão dos potos e, poucos deles estão dstates da reta de clação de 45, sedo que quato meos dstates estverem os potos desta reta, meor é o erro relatvo.
7 Os valores dos coefcetes de correlação r, ídce de cocordâca c, ídce de desempeho d, classe de desempeho e erro médo (Δ), o treameto e valdação da rede 7201, são apresetados a tabela 2. Observa-se que ambos os ídces estatístcos apresetaram-se elevados, com valores de d superores a 0,90, o que as classfca quato ao desempeho comparatvo como ótmo. Nota-se, que o treameto a RNAs apresetou característca de subestmar a produção de flores, equato a valdação ela superestmou a varável. Tabela 2. Valores médos de produtvdade de flores por plata obtdos expermetalmete e o treameto e valdação da rede eural de arqutetura , para o Kalachoe. Valores do coefcete de correlação de Perso (r), ídce de cocordâca (c) e ídce de desempeho (d), obtdos a comparação etre a produtvdade de flores, adqurdos em expermeto de campo e pela RNA. Produtvdade de flores/plata Parâmetros estatístcos Expermeto RNA Δ (%) r c d desempeho treameto 455,07 449,91 1,15 0,9426 0,9695 0,9138 Ótmo valdação 438,30 489,99-10,55 0,9488 0,9684 0,9188 ótmo Gusel, et al. (2010) utlzado modelo de smulação, com redes euras artfcas, aplcado à agrcultura de precsão, voltado prcpalmete para a otmzação do maejo e reposção de água o solo por meo da predção da evapotraspração, a produção da Gerbera jameso cultvada em ambete protegdo, observaram a vabldade de utlzação de RNAs para a predção da evapotraspração da cultura da Gérbera em ambete protegdo com base as varáves, temperatura do ar, umdade relatva e radação solar global. Adrade Juor et al. (2006), observou que os modelos de smulação testados em seu trabalho, tederam à superestmatva. Fretas et al. (2004), quado smulado a produtvdade do mlho pelo modelo CERES-Maze, observou que o modelo subestma a produtvdade da cultura, os tratametos em que ocorreram défct hídrco acetuado e, para os tratametos em que houve aplcação de uma lâma d água superor à adequada, o modelo smulou valores pouco superores aos expermetas. Assm, a produção de flores do Kalachoe, para regão em estudo, pode ser estmada através da RNA com arqutetura Os resultados ecotrados estão de acordo os valores obtdos de Soares et al., (2015), estes ecotraram ídces de desempeho semelhates, quado avalaram o desempeho de redes euras artfcas a predção da produtvdade da cultura do mlho, para as codções clmátcas de Jaguar/RS. CONCLUSÕES Redes euras artfcas do tpo Perceptro de Múltplas Camadas são efcetes, podedo ser utlzadas como ferrameta para estmar a produção de flores do Kalachoe Blossfeldaa Poell. A rede eural artfcal com sete varáves a camada de etrada (composção dos substratos - cza da casca de arroz, solo, húmus, comercal e pha; rrgação total e evapotraspração da cultura total) e 20 eurôos a camada escodda é capaz de estmar a produção de flores da cultvar Debbe de Kalachoe. Essa ferrameta de modelagem vem a somar-se as demas téccas, a tomada de decsão dos maejos a serem adotados, a hora da mplatação da cultura.
8 AGRADECIMENTOS Os autores agradecem aos Programas de Desevolvmeto Acadêmco (PDA) e de Apoo a Grupos de Pesqusa (AGP) da Uversdade Federal do Pampa pelo auxílo recebdo. REFERÊNCIAS ANDRADE JÚNIOR, A. S. et al. Parametrzação de modelos agrometeorológcos para estmatva de produtvdade da cultura do mlho a regão de Paraíba, Pauí. Revsta Cêca Agroômca, v.37, p , ARRUDA, G. P. de; DEMATTÊ, J. A. M.; DA SILVA CHAGAS, C. Mapeameto dgtal de solos por redes euras artfcas com base a relação solo-pasagem. Revsta Braslera de Cêca do Solo, v. 37,. 2, p , ATTOH-OKINE, N. O.; FEKPE, E. K. Stregth characterstcs modelg of latertc sols usg adaptve eural etworks. Costructo ad buldg materals, v.10, p , BORTOLÁS, F. A. Ifluêca de dsttas lâmas de rrgação e percetuas de cza da casca do arroz em substratos o desevolvmeto de cultvar de Kalachoe Blosfeldaa Poell. 56 f. Trabalho de coclusão de curso. Curso de Egehara Agrícola, Uversdade Federal do Pampa, BRAGA, A. P. et al. Redes Neuras Artfcas: teora e aplcações. 1 ed. Ro de Jaero: LTC, CAMARGO, A. P.; SENTELHAS, P. C. Avalação do desempeho de dferetes métodos de estmatva da evapotraspração potecal o Estado de São Paulo, Brasl. Revsta Braslera de Agrometeorologa, v.5, p.89-97, BUAINAIN, A. M.; BATALHA, M. O. Cadeas produtvas de flores e mel. Brasíla: IICA: MAPA/SPA, 2007 DE FRANÇA, C. A. M. MAIA, M. B. R. Paorama do agroegóco de flores e platas orametas o Brasl. XLVI Cogresso da Socedade Braslera de Ecooma, Admstração e Socologa Rural. Uversdade Federal de Rodôa, GUISELINI, C. et al. Uso de redes euras a predção da evapotraspração da Gerbera jameso cultvada em ambete protegdo Dspoível em< Acessado em 11 de mao de SCHNEIDER, P. R. Aálse de regressão aplcada à Egehara Florestal. 1.ed. Sata Mara: UFSM/CEPEF, p. SOARES, F. C. et al. Predção da produtvdade da cultura do mlho utlzado rede eural artfcal. Cêca Rural, v. 45,. 11, p , SOARES, F. C. et al. Redes euras artfcas a estmatva da reteção de água do solo. Cêca Rural, Sata Mara, v.44,.2, p , fev, Thorthwate C. W, Mather J. R. The water balace. Publcatos Clmatology. New Jersey: Drexel Isttute of Techology; 1955, 104p. WILLMONT, C. J. O the valdato of models. Physcal Geography, v. 2, p , YOUNG, M. I. et al. New methods ad models for characterzg structural heterogeety of sol. Sol & Tllage Research, v. 61, p , YOUNG, P. A. The based Culture Model: Costructg the Model of Culture. Educatoal & Techology Socety, v. 11,.2, , 2008.
USO DE REDE NEURAL ARTIFICIAL PARA PREDIÇÃO DA PRODUÇÃO NA CULTURA DO FEIJOEIRO. Apresentado no. 27 a 31 de julho de Campo Grande- MS, Brasil
XLIII Cogresso Braslero de Egehara Agrícola - CONBEA 204 Cetro de Coveções Arquteto Rubes Gl de Camllo - Campo Grade -MS 27 a 3 de julho de 204 USO DE REDE NEURAL ARTIFICIAL PARA PREDIÇÃO DA PRODUÇÃO NA
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisADEQUAÇÃO DE MODELOS PARA ESTIMATIVA DE NÚMERO DE FOLHAS E ÁREA FOLIAR DA BANANEIRA GRAND NAINE
http://dx.do.org/0.70/.ovagr.04-a63 ADEQUAÇÃO DE MODELOS PARA ESTIMATIVA DE NÚMERO DE FOLHAS E ÁREA FOLIAR DA BANANEIRA GRAND NAINE T. K. S. Borges, M. G. Slva, N. T. Satos 3 ; E. F. Coelho 4, E. A. Souza
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisFATORES AMBIENTAIS NO CRESCIMENTO E DESENVOLVIMENTO DA SOJA NA REGIÃO DOS CAMPOS GERAIS, ESTADO DO PARANÁ RESUMO
FATORES AMBIENTAIS NO CRESCIMENTO E DESENVOLVIMENTO DA SOJA NA REGIÃO DOS CAMPOS GERAIS, ESTADO DO PARANÁ GRABARSKI, F.A.P. 1 ; SOUZA J.L.M. 2 ; PAULETTI, V. 2 ; VIANA, J.L. 1 ; COELHO, J.V. 1 1 Pós-Graduado
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisINVESTIGAÇÃO DE UM MODELO DE PREVISÃO BASEADO EM REDES NEURAIS PPS
INVESTIGAÇÃO DE UM MODELO DE PREVISÃO BASEADO EM REDES NEURAIS PPS Reato Juquera Maa Trbual de Cotas da Uão Setor de Admstração Federal Sul, quadra 4, lote 70042-900, Brasíla - DF - BRASIL (55(6 36-7563
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisModelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte
Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação
Leia maisPREVISÃO DE MASSA DE FRUTOS DE ABOBRINHA CULTIVAR ANITA F1
PREVISÃO DE MASSA DE FRUTOS DE ABOBRINHA CULTIVAR ANITA F1 Jhoata Motero de Olvera 1 ; Roberto Rezede 2 ; Adré Maller 3 ; Paulo Sérgo Loureço de Fretas 4 ; Maraa Gomes Brescas 5 ; Rea Soares de Souza 6
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisActa Scientiarum. Agronomy ISSN: Universidade Estadual de Maringá Brasil
Acta Scetarum. Agroomy ISSN: 1679-9275 eduem@uem.br Uversdade Estadual de Margá Brasl Araujo, Marla Alessadra; Morett de Souza, Jorge Luz; Yot Tsukahara, Rodrgo Modelos agro-meteorológcos a estmatva da
Leia maisEVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO O MÉTODO FAO PENMAN-MONTEITH COM DADOS FALTANTES
EVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO O MÉTODO FAO PENMAN-MONTEITH COM DADOS FALTANTES Marcelo Ross Vcete 1*, Cao Vícus Lete 2, Roaldo Medero dos Satos 3, Patríca Olvera Lucas 3, Satos Herque Brat
Leia maisAnálise estatística dos resultados do modelo de previsão atmosférica RAMS para a região do lago de Ilha Solteira (SP)
Aálse estatístca dos resultados do modelo de prevsão atmosférca RAMS para a regão do lago de Ilha Soltera (SP) Beatrz da Slva Berardo, Ismar de A. Satos, Claudo F. Neves 3., Uversdade Federal do Ro de
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia mais6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS
7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda
Leia maisRegressão. Pedro Paulo Balestrassi
Regressão Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 5-696 / 88776958 (cel) Questoametos comus: Como mplemetar a equação Y=f(X) a partr de dados hstórcos ou epermetas? Como fazer
Leia maisUso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii
Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho
Leia maisAPLICAÇÃO DA ANÁLISE HARMÔNICA POR SÉRIES DE FOURIER PARA A PREVISÃO DE PRODUTIVIDADE DA CULTURA DO CAFÉ NO ESTADO DE MINAS GERAIS 1
APLICAÇÃO DA ANÁLISE HARMÔNICA POR SÉRIES DE FOURIER PARA A PREVISÃO DE PRODUIVIDADE DA CULURA DO CAFÉ NO ESADO DE MINAS GERAIS LUIZ G. DE CARVALHO, GILBERO C. SEDIYAMA 3, PAULO R. CECON 4, HELENA M. R.
Leia mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisDESEMPENHO DE MÉTODOS NA ESTIMATIVA DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA PARA O ESTADO DA PARAÍBA, BRASIL
Irrga, Botucatu, v. 1,. 3, p. 481-490, julho - setembro, 016 481 ISSN 1808-3765 DESEMPENHO DE MÉTODOS NA ESTIMATIVA DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA PARA O ESTADO DA PARAÍBA, BRASIL GEFFSON DE FIGUEREDO
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisArquitetura da ART Controle 1 Controle 2
Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisProjeto de rede na cadeia de suprimentos
Projeto de rede a cadea de suprmetos Prof. Ph.D. Cláudo F. Rosso Egehara Logístca II Esboço O papel do projeto de rede a cadea de suprmetos Fatores que fluecam decsões de projeto de rede Modelo para decsões
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisDESENVOLVIMENTO DE METODOLOGIA PARA OBTENÇÃO E PREENCHIMENTO DE FALHAS DE DADOS DIÁRIOS DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA
DESENVOLVIMENTO DE METODOLOGIA PARA OBTENÇÃO E PREENCHIMENTO DE FALHAS DE DADOS DIÁRIOS DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA 1 L. O. Costa 1 ; R. A. O. Leão ; A. S. Texera 3 RESUMO: A evapotraspração é de
Leia maisCOMPARAÇÃO ENTRE MÉTODOS DE ESTIMATIVA DA EVAPOTRANSPIRA- ÇÃO DE REFERÊNCIA PARA O VALE DO JEQUITINHONHA
COMPARAÇÃO ENTRE MÉTODOS DE ESTIMATIVA DA EVAPOTRANSPIRA- ÇÃO DE REFERÊNCIA PARA O VALE DO JEQUITINHONHA Marcelo Ross Vcete *, Juscela Arcajo dos Satos, Roaldo Mederos dos Satos, Cao Vícus Lete RESUMO:
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem
Leia maisCOMPARAÇÃO DE DADOS METEOROLÓGICOS OBTIDOS POR ESTAÇÃO CONVENCIONAL E AUTOMÁTICA EM JABOTICABAL-SP 1
Uversdade Federal Rural do Semárdo Pró-Retora de Pesqusa e Pós-Graduação http://perodcos.ufersa.edu.br/dex.php/sstema ISSN 000-36X (mpresso) ISSN 983-5 (ole) COMPARAÇÃO DE DADOS METEOROLÓGICOS OBTIDOS
Leia maisHIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia
Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e
Leia maisOTIMIZAÇÃO DO USO DA ÁGUA NO PERÍMETRO IRRIGADO FORMOSO UTILIZANDO LÂMINAS MÁXIMAS DE ÁGUA 1
OTIMIZAÇÃO DO USO DA ÁGUA NO PERÍMETRO IRRIGADO FORMOSO UTILIZANDO LÂMINAS MÁXIMAS DE ÁGUA 1 J. L. C. Satos Júor 2, J. A. Frzzoe 3, V. P. S. Paz 4 RESUMO: A otmzação do uso da água é um desafo para os
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia maisTópicos Extras 2ª parte. Análise de Correlação e Regressão
Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO
Leia maisO delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.
Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem
Leia maisPROPOSTA DE UM MODELO PARA ANÁLISE DA ACESSIBILIDADE NO TRANSPORTE DE CARGAS
PROPOSTA DE UM MODELO PARA ANÁLISE DA ACESSIBILIDADE NO TRANSPORTE DE CARGAS Alexadre Coelho Satos Programa de Pós-Graduação em Egehara Cvl - Trasportes Uversdade Federal do Espírto Sato Elaa Zadoade Departameto
Leia maisEstimativa de área plantada com soja no Rio Grande do Sul através de amostragem por segmentos quadrados
Estmatva de área platada com soja o Ro Grade do Sul através de amostragem por segmetos quadrados Rodrgo Rzz 1 Berardo Fredrc Teodor Rudorff 1 Marcos Adam 2 1 Isttuto Nacoal de Pesqusas Espacas - INPE Caxa
Leia maisRevisão de Estatística X = X n
Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisPREVISÃO DE DIÂMETROS AO LONGO DO FUSTE DE EUCALIPTO VIA REDES NEURAIS ARTIFICIAIS
PREVISÃO DE DIÂMETROS AO LONGO DO FUSTE DE EUCALIPTO VIA REDES NEURAIS ARTIFICIAIS Nathala de Pava Medoça¹, Môca Caaa Carvalho², Lucas Rezede Gomde³, Atôo Carlos Ferraz Flho 4, Matheus Adrade Ferrera 5
Leia mais2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais
48 Procedmetos para Ajuste e Tratameto Estatístco de Dados Expermetas. Itrodução Modelos matemátcos desevolvdos para descrever eômeos íscos a partr de observações expermetas devem ser baseados em dados
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisA REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia mais3 Procedimento Experimental
3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5
Leia maisSUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador
INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE GOVERNO DO ESTADO DO CEARÁ Cd Ferrera Gomes Goverador Domgos Gomes de Aguar Flho Vce Goverador SECRETARIA DO PLANEJAMENTO E GES- TÃO (SEPLAG)
Leia mais( k) Tema 02 Risco e Retorno 1. Conceitos Básicos
FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual
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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisJournal of Environmental Analysis and Progress
Joural of Evrometal Aalyss ad Progress ISSN: 2525-815X Joural homepage: www.jeap.ufrpe.br/ http://dx.do.org/10.24221/jeap.2.3.2017.1465.294-301 Umdade volumétrca do solo medda e estmada pelo modelo DSSAT/CROPGRO
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisDETERMINAÇÃO DA ÁREA FOLIAR DE FEIJÃO-VAGEM POR FOTOS DIGITAIS 1
DETERMINAÇÃO DA ÁREA FOLIAR DE FEIJÃO-VAGEM POR FOTOS DIGITAIS 1 TOEBE, Marcos 2 ; CARGNELUTTI FILHO, Alberto 3 ; LOOSE, Lus Herque 4 ; HELDWEIN, Aro Berardo 3 ; ZANON, Alecar Juor 2 ; PETERS, Marcelo
Leia mais(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0
EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisEVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO MÉTODOS DE TANQUE CLASSE A PROPOSTOS PELA FAO, NA REGIÃO DE MOSSORÓ, RN
EVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO MÉTODOS DE TANQUE CLASSE A PROPOSTOS PELA FAO, NA REGIÃO DE MOSSORÓ, RN Tayd Dayvso Custódo Pexoto ; Sérgo Luz Agular Leve ; Adre Herma Frere Bezerra 3 ; José
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisDESEMPENHO DE DIFERENTES MÉTODOS DE ESTIMATIVA DA EVAPOTRANSPIRAÇÃO DE REFERÊNCIA DIÁRIA EM UBERLÂNDIA, MG.
Orgal Artcle 9 DESEMPENHO DE DIFERENTES MÉTODOS DE ESTIMATIVA DA EVAPOTRANSPIRAÇÃO DE REFERÊNCIA DIÁRIA EM UBERLÂNDIA, MG. PERFORMANCE OF DIFFERENT METHODS OF ESTIMATING THE DAILY REFERENCE EVAPOTRANSPIRATION
Leia maisAVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR. José Antonio Stark Ferreira
1 AVALIAÇÃO DE GANHOS E PERDAS EM FUNDOS DE INVESTIMENTOS UTILIZANDO REGRESSÃO LINEAR José Atoo Stark Ferrera I - INTRODUÇÃO O presete estudo fo desevolvdo objetvado mesurar os gahos e perdas patrmoas
Leia maisEstatística Básica - Continuação
Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas
Leia maisA PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA
Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo
Leia mais2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS
2 o CONGRSSO BRASILIRO D P&D M PTRÓLO & GÁS CORRLAÇÕS APLICADAS À PRDIÇÃO DA PRSSÃO D SATURAÇÃO FATOR VOLUM D FORMAÇÃO: STUDO D CASO BACIA POTIGUAR Novaes, W. S., Dutra Jr, T. V. 2, Selvam, P. V. P. 3,2,3
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia maisDESEMPENHO DO MODELO PGECLIMA_R NA SIMULAÇÃO DE SÉRIES DIÁRIAS SINTÉTICAS DE RADIAÇÃO SOLAR GLOBAL PARA DIFERENTES LOCALIDADES DO ESTADO DO PARANÁ
Revsta Braslera de Clmatologa ISSN: 980-055x (Impressa) 2237-8642 (Eletrôca) DESEMPENHO DO MODELO PGECLIMA_R NA SIMULAÇÃO DE SÉRIES DIÁRIAS SINTÉTICAS DE RADIAÇÃO SOLAR GLOBAL PARA DIFERENTES LOCALIDADES
Leia maisINTERPOLADOR INVERSO DA DISTÂNCIA A UMA POTÊNCIA: DETERMINAÇÃO DE MELHORES PARÂMETROS
INTERPOLADOR INVERSO DA DISTÂNCIA A UMA POTÊNCIA: DETERMINAÇÃO DE MELHORES PARÂMETROS GABRIELA K. MICHELON 1, CLAUDIO L. BAZZI 2, ALEXSSANDER A. K. LIESENFELD 3, LÍGIA F. BORGES 4, KELYN SCHENATTO 5 1
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisEstimativa da área foliar de nabo forrageiro em função de dimensões foliares
Estmatva da área folar de abo forragero em fução de dmesões folares Alberto Cargelutt Flho ( *); Marcos Toebe ( ); Cláuda Bur ( 3 ); Adré Lus Fck ( 3 ); Gabrele Casarotto ( ) ( ) Uversdade Federal de Sata
Leia mais8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:
NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos
Leia maisDetermine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período.
ESTATÍSTICA - 01 1. (UERJ 01) Téccos do órgão de trâsto recomedaram velocdade máxma de 80 km h o trecho de uma rodova ode ocorrem mutos acdetes. Para saber se os motorstas estavam cumprdo as recomedações,
Leia maisRACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO
RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x
Leia mais15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações
Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa
Leia maisBruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação
Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia maisCAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
Leia maisINTELIGÊNCIA COMPUTACIONAL APLICADA NA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE PROBLEMAS DE MEDIÇÃO DE ENERGIA ELÉTRICA
INTELIGÊNCIA COMPUTACIONAL APLICADA NA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE PROBLEMAS DE MEDIÇÃO DE ENERGIA ELÉTRICA Adré Nues de Souza, Lucas Imazum Perera, Mara Gorett Zago, Pedro da Costa Juor 4, João Paulo
Leia maisMonitoramento ou Inventário Florestal Contínuo
C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo
Leia maisDESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS
DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral
Leia maisMEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisDados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens
Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se
Leia maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia maisProbabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC
Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se
Leia mais