AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA
|
|
- Lucinda Porto Peralta
- 8 Há anos
- Visualizações:
Transcrição
1 versão mpressa ISSN / versão ole ISSN AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA Luís Alberto Duca Ragel UFF-COPPE/PEP/UFRJ ducauff@hotmal.com Luz Flávo Autra Motero Gomes Faculdades IBMEC RJ autra@bmecrj.br Marcos Perera Estellta Ls Saul Fuks COPPE/PEP/UFRJ ls@pep.ufrj.br Correspodg author / autor para quem as correspodêcas devem ser ecamhadas Recebdo em 05/2002, aceto em 05/2003 após revsão Resumo O processo de avalação em uma orgazação é geralmete muto complexo, prcpalmete o meo acadêmco, ode estão presetes dversos teresses, desempeho dos cursos, magem perate a classe acadêmca e recebmeto de recursos, etre outros. Este artgo procura estmar as fuções de utldades dos crtéros: pesqusa, horas em sala de aula, oretação e admstração, defdos pela Comssão de Avalação de Docetes da Uversdade Federal do Ro de Jaero, para avalar os programas de pós-graduação em egehara da uversdade. Neste estudo, empregou-se o método UTA e uma varate desevolvda do mesmo que cosdera as dfereças de mportâca dos crtéros empregados a avalação. Os resultados obtdos com este procedmeto mostram fuções de utldades mas próxmas das preferêcas dos decsores, uma vez que essas preferêcas são corporadas ao modelo através da clusão de restrções. Palavras-chave: apoo multcrtéro à decsão; método UTA; teora de utldade. Abstract The evaluato process of huma captal a orgazato s usually very complex. Ths s partcularly true the academa, where t s eeded to take to accout several factors such as the dversty of terests, teachg performace, recogto amog hs peers ad grats receved, amog others. Ths paper seeks to estmate the utlty fuctos of the crtera employed the evaluato process: relevace ad qualty of research, teachg load, advsg actvty ad admstratve tasks, as defed by the Comssão de Avalação de Docetes da Uversdade Federal do Ro de Jaero to evaluate the egeerg graduate programs the Uversty. Ths study utlzes the UTA method ad oe of ts varats, whch cosders the dfferet degrees of mportace of the crtera employed the evaluato. Ths methodology produced utlty fuctos that are very close to the decso makers prefereces, sce these prefereces are corporated to the model by cludg the approprate restrctos. Keywords: multple crtera decso ad; UTA method; utlty theory. Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de
2 . Itrodução A Uversdade Federal do Ro de Jaero (UFRJ) possu doze programas de pós-graduação em egehara, que são avalados pela Comssão de Avalação de Docetes (CAD), a qual emprega para este fm, ses crtéros. Este artgo busca determar as fuções de utldade dos crtéros empregados pela CAD, utlzado duas metodologas: o método UTA (Jacquet-Lagrèze & Sskos, 982), e uma varate desevolvda do mesmo método. O método UTA, de Apoo Multcrtéro à Decsão (Barba-Romero & Pomerol, 997), está baseado em modelos de Programação Lear (PL) especas, e tem por objetvo determar: valor global de todas as alteratvas presetes a aálse, partdo de um cojuto que se refere às alteratvas; e as fuções de utldades dos crtéros presetes a aálse (Vcke, 989; Zopouds & Dmtrs, 998). Por ser um método da Teora da Utldade Multatrbuto, todos os crtéros são agregados uma úca sítese (Roy & Bouyssou, 993), e, embora, o UTA orgal ão leve em cosderação a dfereça de mportâca dos crtéros uma vez que as costates de escala podem assumr uma grade dversdade de valores, devdo ao cojuto de restrções do modelo matemátco sua varate, aqu utlzada, faz esta cosderação, pos cada crtéro tem efetvamete uma mportâca para os decsores. Neste artgo, os própros autores são os decsores. A varate do método UTA proposta este estudo, emprega, a pror, a ordeação das alteratvas como o método UTA orgal. A dfereça é que esta varate do método, a ordeação das alteratvas a ser utlzada é obtda de modo dreto. Prmeramete, os decsores exprmem suas preferêcas em relação ao cojuto de crtéros, atrbudo-lhe costates de escala aos mesmos. Empregado o método multcrtéro de agregação adtva, determa-se a ordeação das alteratvas que, agora, é empregada como formação adcoal a mplemetação do método UTA. Esta varate, também permte corporar aos modelos, as opões dos decsores, em relação ao cojuto de crtéros. Com esta faldade, duas ovas restrções são adcoadas às já exstetes os modelos matemátcos, que descrevem o método, uma represetado o lmte superor e outra o lmte feror, para cada crtéro, de acordo com as preferêcas dos decsores, em relação ao cojuto de crtéros. A próxma seção apreseta a varate do método UTA. O estudo de caso é apresetado a seção segute ode foram fetas duas aálses empregado os dados da CAD; uma utlzado o método UTA orgal e outra a varate do método UTA. As coclusões deste artgo são apresetadas a últma seção. No Apêdce A, apreseta-se o método UTA a formulação orgal (Jacquet-Lagrèze & Sskos, 982). 2. A Varate do Método UTA O cojuto de crtéros a serem empregados, o método UTA (Jacquet-Lagrèze & Sskos, 982), ecessta respetar os axomas da Teora de Utldade Multatrbuto, como por exemplo, a depedêca em termos da preferêca. Exstem dversos métodos de Auxílo Multcrtéro à Decsão de ordeação da alteratva (Gomes, 998). O método empregado fo o de agregação adtvo dos crtéros, apresetado a equação (), que é a soma da costate de escala de cada crtéro, multplcado pelo desempeho das alteratvas, em relação a este crtéro. 286 Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de 2003
3 VG( a ) = wu ( a ) para todo e j () ode, VG(a ) é o valor global da alteratva a j. Por exemplo, um processo de maxmzação, quato maor o valor global de uma alteratva, melhor o seu desempeho, podedo-se ordear assm as alteratvas de forma decrescete, da alteratva de maor valor global para a alteratva de meor valor; w represeta a costate de escala do crtéro, sto é, a mportâca desse poto de vsta, aos olhos dos decsores, de acordo com o objetvo do problema abordado; u (a ) é o desempeho da alteratva a j em relação ao crtéro. Este método de agregação cosdera a ormalzação de todos os valores da matrz de avalação, sto é, o desempeho de cada alteratva, em relação a todos os crtéros. Esta ormalzação é feta para cada crtéro, dvddo o desempeho de cada alteratva pelo somatóro dos desempehos de todas as alteratvas, em relação a este mesmo crtéro. As costates de escala dos crtéros, empregados este método de agregação, também, são ormalzados. Para levar em cosderação as preferêcas dos decsores, em relação ao cojuto de crtéros os modelos de programação lear, que descrevem o método UTA, restrções são corporadas ao mesmo. Duas restrções para cada crtéro, uma represetado o lmte superor e outra o lmte feror da costate de escala. Outro fato mportate cosderado as preferêcas dos decsores, é que, é muto mas fácl para os decsores exprmrem suas preferêcas, em relação a um cojuto pequeo como os cojutos de crtéros do que o fazer em relação a grades cojutos, como ormalmete são os cojutos das alteratvas. As fuções de utldade estmada sob esta cosderação, represetam mas felmete as preferêcas dos decsores, pos, os modelos matemátcos que descrevem esta varate do método UTA, buscam obter soluções para as varáves, passíves de ovas restrções que foram corporadas aos modelos. Os problemas de programação lear (PPL), PPL, PPL2 e PPL3 apresetados o apêdce A, descrevem o método UTA orgal. A estes PPLs corporam-se as restrções (2) e (3): ( ) ( ) u g < w + 2 δ u g > w 2 δ gerado outros problemas de programação lear PPL, PPL2 e PPL3. δ é um valor pequeo defdo pelos decsores, detro da faxa estpulado pelo método UTA, de acordo com o úmero de alteratvas do problema, a fm de separar duas classes cosecutvas das alteratvas. Portato, o PPL, ao ser mplemetado sob esta cosderação, estará sujeto as restrções (2) e (3), além das restrções do modelo UTA orgal, apresetados o apêdce A; (8), (9), (20), (2), (22), (23), (24). O PPL2 e PPL3, além destas restrções do PPL, tem a restrção (25), apresetado o apêdce A. A clusão destas restrções busca cosderar as preferêcas dos decsores, aos modelos que descrevem o método UTA, a fm de obter a fução de utldade de cada crtéro, o mas próxmo possível das preferêcas dos decsores. (2) (3) Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de
4 3. Estudo de Caso 3. A Comssão de Avalação de Docetes A Comssão de Avalação de Docetes (CAD) da Coordeação dos Programas de Pós- Graduação de Egehara (COPPE) da Uversdade Federal do Ro de Jaero (UFRJ) está ecarregada de estabelecer formas de acompahameto e cotrole do desempeho do corpo docete e dos grupos de pesqusa da COPPE/UFRJ, sob este propósto, a CAD elaborou um sstema de avalação aual, que teta cotemplar múltplas característcas desejáves em docetes de Pós-Graduação compromssados fortemete com a pesqusa cetífca e tecológca (CAD, 997). Este sstema de avalação mpõe exgêcas para a progressão a carrera de docete. No sstema de avalação da CAD-UFRJ foram estabelecdos strumetos de potuação de atvdades de ENSINO, ORIENTAÇÃO (de teses), PESQUISA e APOIO, correspodedo estas atvdades aos crtéros de avalação de docetes da CAD. No crtéro ENSINO, cosdera-se a carga ddátca de cada docete em dscplas de graduação, mestrado e doutorado. No crtéro ORIENTAÇÃO de teses, avala-se o úmero de teses de mestrado e doutorado oretadas pelo docete e o úmero de teses efetvamete cocluídas. O crtéro PESQUISA refere-se à cotrbução de pesqusa de cada docete. Este crtéro é avalado através de um sstema mas elaborado, baseado, prcpalmete, em dcadores de qualdade dos veículos de publcações. O crtéro APOIO, segudo o sstema de avalação da CAD-UFRJ, ão tem muta fluêca para a progressão a carrera do docete. Este crtéro valorza o esforço realzado pelos docetes em cargos admstratvos, em cargos de Dreção, Chefa de Departametos, Orgazação de Evetos, além de Comssões Iteras/Exteras. A avalação deste crtéro basea-se o total de horas dedcadas a cada atvdade, havedo, o etato, um lmte máxmo o úmero de horas que podem ser cosderadas. Os crtéros PESQUISA e ORIENTAÇÃO de teses foram dvddos pela CAD-UFRJ em dos sub-crtéros, defdos a segur: a Pesqusa Tpo I, correspodedo a publcações em revstas dexadas pelo I.S.I. (Isttute for Scetfc Iformato) e/ou publcações as revstas mas mportates em cada especaldade, em âmbto teracoal; lvros com coteúdo orgal relevate, com dstrbução teracoal; e, capítulos de lvros quado forem equparáves teccamete às publcações do Tpo I; e a Pesqusa Tpo II refere-se a publcações em revstas ão classfcadas o Tpo I; publcações em Aas de Coferêcas; lvros de caráter emetemete ddátco ou de dstrbução acoal; capítulos de lvros ão classfcáves o Tpo I; e, processos e protótpos com patete. O tem Teses Totas correspode a todas as teses oretadas pelo docete, já o crtéro Teses de Doutorado, só leva em cosderação as teses de doutorado oretadas pelo docete. A CAD-UFRJ, resposável pelo fucoameto do sstema de avalação, coleta e processa os dados aualmete para a avalação e, complemeta a potuação com uma avalação qualtatva de cada docete, tedo em vsta um padrão mímo de desempeho, bem como o perfl mímo para a promoção. 288 Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de 2003
5 3.2 Implemetação Os dados empregados este estudo dzem respeto aos doze programas de pós-graduação em egehara da UFRJ que foram avalados pela CAD: Bomédca, Cvl, Elétrca, Mecâca, Metalúrgca e de Materas, Nuclear, Oceâca, Plaejameto Eergétco, Produção, Químca, Sstemas e Computação, e Trasportes (CAD, 999). Neste estudo, os decsores são os própros autores do artgo, pos todos são professores uverstáros experetes, já tedo trabalhado em dversas avalações o meo acadêmco. Os programas são detfcados através de letras, e a ordem apresetada a Tabela I ão está relacoada com a ordem do parágrafo ateror, para ão serem detfcados. Os crtéros, coforme descrto a trodução, são detfcados a segur: Crtéro C (Pesqusa Tpo I), Crtéro C2 (Pesqusa Tpo II), Crtéro C3 (Educação), Crtéro C4 (Teses Totas), Crtéro C5 (Teses Doutorado) e Crtéro C6 (Suporte). Admte-se que o método de agregação empregado pela CAD é descohecdo. A Tabela I apreseta os mpactos médos dos programas obtdos para cada crtéro as avalações fetas em (96/97), (97/98) e (98/99) (CAD, 999). Duas mplemetações foram fetas empregado os dados da CAD. Na prmera mplemetação, empregou-se o método UTA orgal (Jacquet-Lagrèze & Sskos, 982), cosderado como dado de etrada a formação adcoal forecda pelos decsores, que são os potos obtdos pelos programas e a matrz de avalação. A codção de depedêca em termos de preferêca ecessára ao emprego do método UTA fo garatda através de uma aálse feta pelos decsores empregado as teoras de Keeey & Raffa (993). Tabela I Matrz dos Programas x Crtéros Programas Crtéros C C2 C3 C4 C5 C6 Potos A,4 6,75 2,57 3,29,37 0,97 3,58 B,35 6,42 2,64 3,52,8 0,60 3,8 C 2,00 5,66 2,65 2,75 0,97 0,34,40 D, 4,45 2,04 2,84,25 0,58 9,92 E 2,09 5,98 3,07 2,3 0,82 0,5,98 F 2,74 6,7 2,49 3,27,2 0,93 3,40 G 0,39 2,63 3,04 2,64,06 0,74 9,05 H 0,82 3,00,75 4,4,,38 0,53 I 0,23 2,47 2,82 5,2 2,64 0,63,04 J 6,45 6,36 2,4 4,06 2,2,45 24,28 K 0,97 4,57,77 2,93,33 0,4 9,68 L 0,2 5,06,89 3,02 0,84 0,87 0,84 A Tabela II costtu uma mera arrumação dos dados da Tabela I. A Tabela II apreseta os programas ordeados de acordo com seus respectvos desempehos fas. Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de
6 Tabela II Ordeação dos Programas Programas Crtéros C C2 C3 C4 C5 C6 J 6,45 6,36 2,4 4,06 2,2,45 E 2,09 5,98 3,07 2,3 0,82 0,5 C 2,00 5,66 2,65 2,75 0,97 0,34 B,35 6,42 2,64 3,52,8 0,60 A,4 6,75 2,57 3,29,37 0,97 D, 4,45 2,04 2,84,25 0,58 G 0,39 2,63 3,04 2,64,06 0,74 I 0,23 2,47 2,82 5,2 2,64 0,63 L 0,2 5,06,89 3,02 0,84 0,87 F 2,74 6,7 2,49 3,27,2 0,93 H 0,82 3,00,75 4,4,,38 K 0,97 4,57,77 2,93,33 0,4 Os valores máxmos (g ) e mímos (g ) de cada crtéro ; o úmero de potos (α ) cosderados a costrução de cada fução de utldade correspodete a cada crtéro, sto é, os trechos retos que rão represetar cada fução cosderada como sedo lear por partes; bem como a folga (s ) etre potos cosecutvos de cada crtéro são apresetados a Tabela III. Os dos últmos parâmetros são defdos pelos decsores. Outro parâmetro desse método é o δ, empregado os modelos matemátcos do método UTA, cujo valor o estudo de caso fez-se gual a 0,0. Esse valor fo defdo pelos agetes de decsão e pertece ao tervalo sugerdo pelos autores do método UTA, (Jacquet-Lagrèze & Sskos, 982) [ver Apêdce A] coforme o úmero de classes Q cosderadas o problema abordado. A faxa do valor de δ sugerda pelos decsores vara de [0,0083; 0,0833]. Neste estudo, cada alteratva fo cosderada como sedo uma classe, como o cojuto de referêca possu 2 elemetos, portato, 2 são as classes cosderadas este trabalho. Esta descrção apresetada dca que ão exste relação de dfereça etre as alteratvas, somete foram cosderadas relações de preferêca etre as alteratvas presetes a aálse. Tabela III Dados para a mplemetação do método UTA Crtéros g g α s C 0,2 6, C2 2,47 6, C3,75 3, C4 2,3 5,2 5 0 C5 0,82 2, C6 0,34, Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de 2003
7 A Tabela IV apreseta as costates de escala dos crtéros. A prmera mplemetação, empregado o método UTA orgal ão cosdera as costates escala dos crtéros. Tabela IV Costate de Escala dos Crtéros Costates de Escala Crtéros C C2 C3 C4 C5 C6 0,0002 0, ,2507 0, , ,24830 A fução objetvo do método UTA vsa mmzar os erros que são assocados ao valor global de cada alteratva para obter a ordeação, proposta a pror pelos decsores. As varáves dos modelos de programação lear do método UTA são aquelas que represetam as folgas que são adcoadas ao valor global de cada alteratva e aquelas varáves que defem a utldade de cada crtéro. Para resolver os problemas de programação lear dos dos métodos aalítcos utlzados esse estudo de caso, o método UTA (Jacquet-Lagrèze & Sskos, 982) a sua formulação orgal e a varate desevolvda do método UTA, empregou-se o software Ldo. Os resultados obtdos através do método UTA orgal, prmera aálse, são apresetados a Tabela V. A Colua - 3 apreseta os resultados das varáves ode o valor da fução objetvo fo gual a zero, mplemetação do PPL, dcado que o modelo coseguu obter a mesma ordeação forecda pela CAD, ão atrbudo ehum valor dferete de zero as varáves que são adcoadas ao valor global das alteratvas, para auxlar a ordeação dos programas de acordo com a ordeação da CAD. A Colua 4 da Tabela V apreseta os valores médos das varáves após aálse de pós-otmzação, mplemetação dos PPL2 e PPL3. Tabela V Comparação dos Resultados Sem cosderar as costates Cosderado as costates de Crtéro Varável de escala dos Crtéros escala dos Crtéros F = 0 Pós-Otmzação F = 0 Pós-Otmzação Colua Colua 2 Colua 3 Colua 4 Colua 5 Colua 6 u (g ) 0,000 0,000 0,000 0,000 u (g 2 ) 0,000 0,03 0,020 0,005 C u (g 3 ) 0,000 0,03 0,020 0,005 u (g 4 ) 0,000 0,03 0,020 0,007 u (g 5 ) 0,484 0,43 0,020 0,00 u 2 (g 2 ) 0,000 0,000 0,000 0,000 u 2 (g 2 2 ) 0,208 0,8 0,270 0,266 C2 u 2 (g 3 2 ) 0,208 0,252 0,270 0,266 u 2 (g 4 2 ) 0,208 0,252 0,270 0,266 u 2 (g 5 2 ) 0,208 0,544 0,270 0,266 (cotua...) Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de
8 Tabela V (cotuação) Comparação dos Resultados Sem cosderar as costates Cosderado as costates de Crtéro Varável de escala dos Crtéros escala dos Crtéros F = 0 Pós-Otmzação F = 0 Pós-Otmzação u 3 (g 3 ) 0,000 0,000 0,000 0,000 u 3 (g 2 3 ) 0,08 0,029 0,9 0,03 C3 u 3 (g 3 3 ) 0,08 0,032 0,30 0,26 u 3 (g 4 3 ) 0,08 0,039 0,46 0,26 u 3 (g 5 3 ) 0,08 0,057 0,230 0,23 u 4 (g 4 ) 0,000 0,000 0,000 0,000 u 4 (g 2 4 ) 0,000 0,034 0,60 0,58 C4 u 4 (g 3 4 ) 0,068 0,040 0,60 0,58 u 4 (g 4 4 ) 0,3 0,082 0,60 0,58 u 4 (g 5 4 ) 0,3 0,25 0,236 0,253 u 5 (g 5 ) 0,000 0,000 0,000 0,000 u 5 (g 2 5 ) 0,024 0,008 0,00 0,009 C5 u 5 (g 3 5 ) 0,024 0,0 0,00 0,009 u 5 (g 4 5 ) 0,024 0,0 0,00 0,009 u 5 (g 5 5 ) 0,024 0,049 0,020 0,02 u 6 (g 6 ) 0,000 0,000 0,000 0,000 u 6 (g 2 6 ) 0,032 0,0 0,000 0,000 C6 u 6 (g 3 6 ) 0,072 0,028 0,000 0,006 u 6 (g 4 6 ) 0,072 0,057 0,096 0,075 u 6 (g 5 6 ) 0,072 0,082 0,224 0,228 Colua Colua 2 Colua 3 Colua 4 Colua 5 Colua 6 A Tabela VI apreseta os valores lmtes das costates de escala. A Colua - 3 apreseta os lmtes superores e a Colua - 4 apreseta os lmtes ferores. Tabela VI Lmtes das Costates de Escala Lmtes da Costate de Escala de Cada Crtéro Crtéros Sem Cosderar as Costates de Cosderado as Costates de Escala Escala Iferor Superor Iferor Superor C g 0,00 0,8 0,00 0,02 C2 g 2 0,07 0,9 0,23 0,27 C3 g 3 0,00 0,30 0,23 0,24 C4 g 4 0,00 0,46 0,23 0,27 C5 g 5 0,00 0,38 0,00 0,02 C6 g 6 0,00 0,39 0,22 0,25 Colua Colua 2 Colua 3 Colua 4 Colua 5 Colua Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de 2003
9 A seguda mplemetação, a varate desevolvda do método UTA, cosderou as costates de escala dos crtéros (Ragel et al., 2000), baseado-se as formações da avalação dos programas de pós-graduação em egehara feta pela CAD, apresetadas a Tabela I. A ordeação dos programas a ser utlzada esta seguda mplemetação fo obtda empregado o método de agregação adtvo dos crtéros. A ordeação obtda fo a mesma apresetada a Tabela II. Os lmtes extremos dos crtéros, úmero de potos que vão defr a fução de utldade de cada crtéro e folga etre os potos cosecutvos de um mesmo crtéro cosderados esta seguda mplemetação são os mesmos da prmera mplemetação, apresetados a Tabela III. O lmte superor e feror cosderado para a costate de escala de cada crtéro, sto é, a faxa de varação do valor extremo máxmo de cada crtéro a seguda mplemetação, que represeta uma folga das costates de escala, fo adcoado ao modelo buscado restrgr o cojuto de soluções ótmas, de modo a obter soluções tão próxmas quato possível às preferêcas dos decsores. Esses lmtes foram estabelecdos em fução do valor de delta, valor este, defdos pelos agetes de decsão para detfcar as classes das alteratvas presetes a aálse. Em fução desse valor delta estabeleceu-se os valores lmtes para a costate de escala de cada crtéro. O lmte feror é obtdo dmudo o valor da costate de escala do crtéro meos duas vezes o valor de delta, e o lmte superor é obtdo somado ao valor da costate de escala duas vezes o valor de delta. As restrções (2) e (3) determam esses valores. A Tabela VII apreseta os lmtes cosderados para cada crtéro. Tabela VII Lmtes de Varação dos Crtéros Lmtes Crtéros C C2 C3 C4 C5 C6 Mímo 0,00 0,23 0,23 0,23 0,00 0,22 Máxmo 0,02 0,27 0,27 0,27 0,02 0,26 Os resultados obtdos através da varate do método UTA, cosderado as restrções as costates de escala, lmtes superores e ferores, são apresetados a Tabela V. A Colua - 5 desta tabela apreseta os resultados das varáves obtdos através da mplemetação do PPL, ode o valor da fução objetvo fo gual a zero, dcado que o modelo coseguu obter a mesma ordeação forecda pela CAD. A Colua - 6 apreseta os valores médos das varáves após aálse de pós-otmzação, mplemetação dos PPL2 e PPL3. Comparado-se os valores das varáves que defem as fuções de utldade obtdas para cada crtéro a aálse pós-otmzação, vê-se a grade dfereça dos mesmos as duas mplemetações. No crtéro C, o valor extremo máxmo a prmera mplemetação é de 0,43 e a seguda 0,00. No crtéro C2, o valor extremo máxmo a prmera mplemetação é de 0,544 e a seguda 0,266. No crtéro C3, o valor extremo máxmo a prmera mplemetação é de 0,057 e a seguda 0,23. No crtéro C4, o valor máxmo extremo a prmera mplemetação é de 0,25 e a seguda 0,253. No crtéro C5, o valor extremo máxmo da varável a prmera mplemetação é de 0,049 e a seguda 0,02. No crtéro C6, o valor extremo máxmo a prmera mplemetação é de 0,082 e a seguda 0,228. Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de
10 A Tabela VI apreseta os valores lmtes das costates de escala. A Colua - 5 apreseta os lmtes superores e a Colua 6 apreseta os lmtes ferores. As fuções de utldade dos ses crtéros são apresetadas a Fgura. Verfca-se a dfereça das fuções obtdas através da mplemetação das duas metodologas. Fgura Fuções de Utldade dos Crtéros (Aálse de Pós-Otmzação), Sem Cosderar ( ) e Cosderado ( ) as Costates de Escala dos Crtéros. 4. Coclusões Empregaram-se dos métodos aalítcos de apoo à decsão o estudo de caso relatado o presete artgo o método UTA, a sua formulação orgal, que ão leva em cota as costates de escala atrbuídos aos crtéros pelos decsores, e, uma varate do referdo método, que as cosdera para os crtéros. As mplemetações dos modelos de programação lear foram fetas empregado o software Ldo. Através dos resultados da aálse pós-otmzação de ambas as mplemetações, apresetadas Tabela V, verfca-se que a prmera mplemetação, empregado o método UTA orgal, atrbu grade mportâca ao crtéro C2, e valorza muto pouco os crtéros C3 e C6. Já a seguda mplemetação, varate do método UTA, apreseta uma dstrbução das costates de escala mas realsta, de acordo com as preferêcas dos decsores, determado as 294 Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de 2003
11 costates de escala de todos os crtéros aproxmadamete, com os mesmos valores que foram atrbuídos pelos decsores. As fuções de utldade obtdas para cada crtéro as duas mplemetações foram apresetadas a Fgura. A explcação para essas dfereças é que os modelos de programação lear, que descrevem o método UTA, apresetam soluções degeeradas, sto é, mutas soluções represetam perfetamete a ordeação forecda pela CAD. Buscado restrgr o cojuto de soluções dos modelos é que restrções para os valores extremos máxmos para cada crtéro foram corporadas aos mesmos. Portato, as fuções de utldades obtdas pela varate do método UTA, cosderado as costates de escala dos crtéros, são mas coeretes com as preferêcas dos decsores, uma vez que, os mesmos são cosderados pelo modelo através de duas restrções para cada crtéro. A clusão de ovas restrções ao modelo matemátco, que descreve o método UTA, reduz o cojuto de soluções ótmas do problema, ao mesmo tempo em que busca soluções mas próxmas das preferêcas dos decsores. Referêcas Bblográfcas () Barba-Romero, S.C. & Pomerol, J.C. (997). Decsoes Multcrtero Fudametos Teórcos y Utlzacó Práctca. Uversdade de Alcalá, Espaha. (2) CAD Comssão de Avalação de Docetes (997). Regulameto da Comssão de Avalação de Docetes da COPPE-UFRJ. (3) CAD Comssão de Avalação de Docetes (999). Apresetação dos Resultados da Avalação CAD-98/99, COPPE-UFRJ. (4) Gomes, L.F.A.M. (998). Avalação e Apoo à Tomada de Decsão. XVIII ENEGEP Ecotro Nacoal de Egehara de Produção, Uversdade Federal Flumese, Nteró-RJ, Brasl. (5) Keeey, R. & Raffa, H. (993). Decsos wth Multple Objectves Preferece ad Value Tradeoff. New York, Cambrdge Uversty Press. (6) Jacquet-Lagrèze, E. & Sskos, J. (982). Assessg a set of Addtve Utlty Fuctos for Multcrtera Decso-Makg, The UTA Method. Europea Joural of Operatoal Research, 0, (7) Ragel, L.A.D.; Gozalez-Araya, M.C.; Ls, M.P.E. & Gomes, L.F.A.M. (2000). Estmatva da Estrutura de Preferêca da CAD-UFRJ para os Crtéros de Avalação de Docetes. XXXII SBPO Socedade Braslera de Pesqusa Operacoal, Vçosa-MG, Brasl. (8) Roy, B. & Bouyssou, D. (993). Ade Multcrtère à la Décso: Méthodes et Cas. Pars, Ed. Ecoômca. (9) Vcke, Ph. (989). L Ade Multcrtère à la Décso. Bruxells, Édtos de l Úversté de Bruxells. (0) Zopouds, C. & Dmtrs, A.I. (998). Multcrtera Decso Ad Methods for the Predctos of Busess Falure. Kluwer Academc Publshers, Amsterdam. Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de
12 Apêdce A: Uma represetação do método UTA O método UTA é um método aalítco do Apoo Multcrtéro à Decsão, desevolvdo por Jacquet-Lagrèze e Sskos em 982 (Barba-Romero & Pomerol, 997). Esse método estma as fuções de utldade dos crtéros, cosderados o problema. As fuções são agregadas em um úco crtéro, chamado de crtéro de sítese. Para estmar as fuções de utldade adtva é ecessáro uma ordeação de um cojuto de referêca, subcojuto ou cojuto de alteratvas, forecda pelo decsor; e dos desempehos das alteratvas em relação aos crtéros, sto é, a matrz de avalação. Desta maera, o método UTA começa por pedr ao decsor que ordee um cojuto de referêca, empregado seu julgameto, sto é, sua preferêca em relação aos elemetos deste cojuto (Zopouds & Dmtrs, 998). Posterormete, através da resolução de problema de programação lear determam-se as varáves, e desta maera, as formas das fuções de utldade de cada crtéro. A fução objetvo do modelo vsa mmzar uma fução dos erros assocados às restrções que refletem às preferêcas, a pror, dado pelo decsor. A costrução das fuções de utldade será tão mas fel quato maor for o úmero de alteratvas que o agete de decsão cosga ordear de forma subjetva. Para aplcar o método UTA assumem-se as bases axomátcas, que estão por trás da teora de utldade multatrbuto, buscado determar as fuções de utldade adtva (Keeey & Raffa, 993). A segur descreve-se resumdamete a teora que aborda as fuções de utldade adtvas (Vcke, 989), relacoado-as com o método UTA. Cosdere-se um cojuto de alteratvas A, que é avalado por uma famíla de crtéros g = {g, g 2, g 3,..., g }, sedo o úmero de crtéros e g o desempeho o crtéro. A agregação de todos os crtéros em um úco crtéro coduz à fução de utldade multatrbuto, a qual represeta-se por U(g) = U(g, g 2, g 3,..., g ). Desga-se de P a relação de preferêca estrta, e por I a relação de dfereça (Roy & Bouyssou, 985) etre duas alteratvas, respectvamete. Se g(a) = [g (a), g 2 (a), g 3 (a),..., g (a)] é a avalação multcrtéro de uma alteratva a (Gomes, 998), etão valem as segutes propredades da fução de utldade U: U[g(a)] > U[g(b)] a P b, (4) U[g(a)] = U[g(b)] a I b (5) e a relação R = P I defe uma ordeação fraca das alteratvas. A fução de utldade é adtva se é da forma abaxo: U[g] = u ( g ), (6) = ode cada u (g ) é a utldade margal do desempeho g o crtéro. Uma hpótese fudametal que é precso ão esquecer quado se aplca uma fução de utldade adtva é a codção de depedêca mútua dos crtéros em fução das preferêcas (Keeey & Raffa, 993). Cosdere-se g o valor mas alto e g o valor mas baxo em termos de preferêca do crtéro. Assumdo-se um ão decréscmo das preferêcas em cada crtéro, etão as utldades margas u são fuções moótoas crescetes. Portato, pode-se ormalzar as fuções de utldade detro do tervalo [0, ], tedo-se: 296 Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de 2003
13 u ( g ) =, (7) = u (g ) = 0 para todo. (8) O método UTA emprega a programação lear para determar os valores das varáves que descrevem as fuções de utldade de cada crtéro. Para fazer a mplemetação do método UTA são ecessáras duas formações fudametas em relação às alteratvas: a avalação multcrtéro e a ordeação fraca R defda em A, ode A é subcojuto das alteratvas presetes em A. Este cojuto A serve como cojuto de referêca para que se terrogue o agete de decsão. Para cada par (a, b) A, o agete de decsão expressa sua preferêca ou sua dfereça global. Para cada alteratva de A, a fução de utldade calculada U [g(a)] dfere da verdadera U[g(a)] por um erro σ(a): U'[g(a)] = u[ g ( a)] + σ ( a), para todo a A' (9) = Cosderado-se as relações de preferêca (4) e de dfereça (5), bem como a fução de utldade (9), tem-se: U [g(a)] U [g(b)] δ se o agete de decsão dca a P b (0) U [g(a)] U [g(b)] = 0 se o agete de decsão dca a I b () sedo δ > 0, um úmero real pequeo empregado a fm de separar sgfcatvamete duas classes da ordeação fraca R. Jacquet-Lagrèze e Sskos estabeleceram que este úmero tem que pertecer ao tervalo [/0Q, /Q], sedo Q o úmero de classes de dfereça. Assumdo a exstêca de trastvdade, o agete decsor só precsará fazer (m ) comparações etre alteratvas, ode m correspode ao úmero de alteratvas de A. Substtudo (9) em (0) e (), tem-se: { u[ g ( a)] u[ g ( b)]} + σ( a) σ( b) δ apb, (2) = = { u[ g ( a)] u[ g ( b)]} + σ( a) σ( b) = 0 aib, (3) Cosdera-se as fuções u como sedo leares por tervalos. Para defr tas tervalos, escolhem-se α potos do tervalo [g,g ] ode a fução u está defda. Cada poto g j é determado pela segute fórmula: j g g ( g g ) j = + α e j varado de até α, sedo o parâmetro α estabelecdo pelo agete de decsão. Obtdos os potos g j, deve-se estmar os valores das varáves u (g j ). A utldade margal de uma alteratva a é aproxmada por uma terpolação lear. Etão, para g (a) [g j, g j+ ], tem-se: (4) j j g( a) g j+ j = + j j + g g u [ g ( a)] u ( g ) [ u ( g ) u ( g )] (5) Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de
14 Satsfaz-se a hpótese da mootocdade das preferêcas das utldades margas u (g ), exgda pelo método, através do segute cojuto de restrções: j+ j u ( g ) u ( g ) s, j =, 2, 3,..., α, =, 2, 3,...,. (6) ode s > 0 é o lmte de dfereça defdo em cada crtéro. Estma-se as varáves que represetam as utldades u (g j ) e os erros σ(a) por meo de programação lear, cosderado as restrções apresetadas aterormete, quas sejam: restrções segudo as preferêcas e as dfereças etre as alteratvas a A, restrções que garatem a hpótese da mootocdade das utldades margas, restrções aos lmtes superores e ferores de cada crtéro; e restrções relatvas a hpótese de ão egatvdade das varáves. A fução objetvo do problema de programação lear (PPL) correspode à mmzação dos erros σ(a) assocados às utldades de cada alteratva a A. Assm, a formulação matemátca do PPL é: (PPL) M F = ' σ ( a) (7) Sujeto a: = a A { u[ g ( a)] u[ g ( b)]} + σ( a) σ( b) δ se a P b, (8) = { u[ g ( a)] u[ g ( b)]} + σ( a) σ( b) = 0 se a I b, (9) j+ j u ( g ) u ( g ) s, para todo e j, (20) u ( g ) = = (2) u (g ) = 0, para todo (22) u (g j ) 0, para todo e j (23) σ(a) 0, para todo a A. (24) A solução ótma de PPL será aquela(s) que obteha(m) o melhor valor para a fução objetvo. Seja F o valor ótmo. A experêca de uso do método UTA dca que, mutas vezes, podem exstr soluções acetáves (F > F) que apresetam, por exemplo, um melhor desempeho em relação às dstâcas de Kedall ou Spearma que a solução ótma. Isto é, a ordem fraca R obtda por soluções acetáves está mas próxma da ordem fraca R determada pelo agete de decsão que a ordem fraca determada pela solução ótma. Por este motvo, o método UTA ão para com a obteção de uma solução ótma, seão que explora, através de efcetes procedmetos de pós-otmzação, os vértces de um ovo poledro, o qual obtém-se acrescetado a restrção segute ao cojuto de restrções de PPL: F F + k(f) (25) A restrção (25) estabelece que a fução objetvo F ão deve ultrapassar F além de um lmte postvo k(f), sedo k(f) uma proporção muto pequea de F. 298 Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de 2003
15 Os vértces deste ovo poledro correspodem às fuções de utldade ode um ou mas crtéros atgem um valor extremo (ou máxmo ou mímo). Assm, a exploração do ovo poledro pode ser feta resolvedo os segutes problemas de programação lear: (PPL2) M u (g ) e (PPL3) Max u (g ), =,...,. Os PPL2 e PPL3 estão sujetos às restrções (8), (9), (20), (2), (22), (23), (24) e (25). Falmete, o método UTA propõe-se calcular as médas das fuções de utldade margas u (g j ) obtdas pela aálse de pós-otmzação. Com estas médas pode-se avalar a U(g(a)) de todas as alteratvas a A, sejam ou ão estas alteratvas do cojuto de referêca A. Pesqusa Operacoal, v.23,.2, p , Mao a Agosto de
Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático
Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças
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 maisMA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04
MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de
Leia maisMatemática. Resolução das atividades complementares. M18 Noções de Estatística
Resolução das atvdades complemetares Matemátca M8 Noções de Estatístca p. 3 (UFRJ) Dos estados do país, um certo ao, produzem os mesmos tpos de grãos. Os grácos de setores lustram a relação etre a produção
Leia maisIND 1115 Inferência Estatística Aula 9
Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca
Leia maisMAE116 Noções de Estatística
Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,
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 maisAlgoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações
Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do
Leia maisMÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA
XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA Luís Alberto Duca Rael (UFF) duca@metal.eemvr.uff.br Nlso Bradalse
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 maisFINANCIAMENTOS UTILIZANDO O EXCEL
rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas
Leia maisAnálise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
Leia maisPerguntas Freqüentes - Bandeiras
Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisINTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA
INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO - Estatístca Descrtva Podemos dvdr a Estatístca em duas áreas: estatístca dutva (ferêca estatístca) e estatístca descrtva. Estatístca Idutva: (Iferêca Estatístca)
Leia maisMatemática Financeira
Cocetos Báscos de Matemátca Facera Uversdade do Porto Faculdade de Egehara Mestrado Itegrado em Egehara Electrotécca e de Computadores Ecooma e Gestão Na prátca As decsões faceras evolvem frequetemete
Leia maisEmprego dos métodos Utilité Additive e Utilité Additive CRiteria na avaliação de imóveis: um estudo de caso
Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso Resumo Luís Alberto Duca Ragel Luz Flávo Autra Motero Gomes Este artgo apreseta uma aplcação do método Utlté
Leia maisCapítulo 1: Erros em cálculo numérico
Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas
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 maisLEASING UMA OBSERVAÇÃO Economista Antonio Pereira da Silva
LEASING UMA OBSERVAÇÃO Ecoomsta Atoo Perera da Slva AMOR POR DINHEIRO TITÃS Composção: Sérgo Brtto e To Bellotto Acma dos homes, a le E acma da le dos homes A le de Deus Acma dos homes, o céu E acma do
Leia maisOlá, amigos concursandos de todo o Brasil!
Matemátca Facera ICMS-RJ/008, com gabarto cometado Prof. Wager Carvalho Olá, amgos cocursados de todo o Brasl! Veremos, hoje, a prova do ICMS-RJ/008, com o gabarto cometado. - O artgo º da Le.948 de 8
Leia mais2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria
Avalação da seguraça dâmca de sstemas de eerga elétrca: Teora. Itrodução A avalação da seguraça dâmca é realzada através de estudos de establdade trastóra. Nesses estudos, aalsa-se o comportameto dos geradores
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 maisCapitulo 8 Resolução de Exercícios
FORMULÁRIO Audades Peródcas, Crescetes e Postecpadas, com Termos em P. A. G 1 1 1 1 G SPAC R R s s 1 1 1 1 1 G G C R a R a 1 1 PAC Audades Gradetes Postecpadas S GP G 1 1 ; C GP G 1 1 1 Audades Gradetes
Leia maisUERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes
UERJ CTC IE Departameto de Iormátca e Cêca da Computação Udade I - Erros as apromações umércas. I. - Cosderações geras. Há váras stuações em dversos campos da cêca em que operações umércas são utlzadas
Leia maisPerguntas freqüentes Credenciadores
Pergutas freqüetes Credecadores Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte pelo facameto da compra pelo emssor?
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 maisFaculdade de Economia, Administração e Contabilidade de Ribeirão Preto
Faculdade de Ecooma, Admstração e Cotabldade de Rberão Preto Ecooma Moetára Curso de Ecooma / º. Semestre de 014 Profa. Dra. Rosel da Slva Nota de aula CAPM Itrodução Há dos modelos bastate utlzados para
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: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores
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 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 mais2 Estrutura a Termo de Taxa de Juros
Estrutura a Termo de Taxa de Juros 20 2 Estrutura a Termo de Taxa de Juros A Estrutura a termo de taxa de juros (também cohecda como Yeld Curve ou Curva de Retabldade) é a relação, em dado mometo, etre
Leia maisRESUMO DE MATEMÁTICA FINANCEIRA. Juro Bom Investimento C valor aplicado M saldo ao fim da aplicação J rendimento (= M C)
RESUMO DE MATEMÁTICA FINANCEIRA I. JUROS SIMPLES ) Elemetos de uma operação de Juros Smples: Captal (C); Motate (M); Juros (J); Taxa (); Tempo (). ) Relação etre Juros, Motate e Captal: J = M C ) Defção
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 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 maisFERRAMENTA AVALIATIVA DINÂMICA A PARTIR DA TEORIA DE RESPOSTA AO ITEM
FERRAMENTA AVALIATIVA DINÂMICA A PARTIR DA TEORIA DE RESPOSTA AO ITEM Fabríca D. Satos, Lucla G. Rbero, Leoardo G. de R. Guedes, Weber Marts Uversdade Católca de Goás, Departameto de Computação Uversdade
Leia maisEstatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc.
Estatístca Notas de Aulas ESTATÍSTICA Notas de Aulas Professor Iáco Adrus Gumarães, DSc. Professor Iáco Adrus Gumarães, DSc. Estatístca Notas de Aulas SUMÁRIO CONCEITOS BÁSICOS 5. Estatístca. Estatístca
Leia mais1 SISTEMA FRANCÊS DE AMORTIZAÇÃO
scpla de Matemátca Facera 212/1 Curso de Admstração em Gestão Públca Professora Ms. Valéra Espídola Lessa EMPRÉSTIMOS Um empréstmo ou facameto pode ser feto a curto, médo ou logo prazo. zemos que um empréstmo
Leia maisEducação e Pesquisa ISSN: 1517-9702 revedu@usp.br Universidade de São Paulo Brasil
Educação e Pesqusa ISS: 1517-972 revedu@usp.br Uversdade de São Paulo Brasl Helee, Otavao Evolução da escolardade esperada o Brasl ao logo do século XX Educação e Pesqusa, vol. 38, úm. 1, marzo, 212, pp.
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia maisCapítulo 6 - Centro de Gravidade de Superfícies Planas
Capítulo 6 - Cetro de ravdade de Superfíces Plaas 6. Itrodução O Cetro de ravdade (C) de um sóldo é um poto localzado o própro sóldo, ou fora dele, pelo qual passa a resultate das forças de gravdade que
Leia maisELECTROTECNIA TEÓRICA MEEC IST
ELECTROTECNIA TEÓRICA MEEC IST º Semestre 05/6 3º TRABALHO LABORATORIAL CIRCUITO RLC SÉRIE em Regme Forçado Alterado Susodal Prof. V. Maló Machado Prof. M. Guerrero das Neves Prof.ª Mª Eduarda Pedro Eg.
Leia maisProjeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão
Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.
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 maisPROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS
PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS Prof José Leoardo Noroha M Eg Departameto de Egehara de Prodção Escola Federal de Egehara de Itabá EFEI RESUMO: Neste trabalho
Leia maisO Apoio Multicritério à Decisão na avaliação de candidatos
Produção, v. 20,., ja./mar. 200, p. 92-0 do: 0.590/S003-65320000500006 O Apoo Multcrtéro à Decsão a avalação de caddatos Luís Alberto Duca Ragel a,, Luz Flávo Autra Motero Gomes b a, duca@metal.eemvr.uff.br,
Leia mais3 Precificação de resseguro
Precfcação de Resseguro 35 3 Precfcação de resseguro Este capítulo traz prmeramete uma oção ampla das aplcações das metodologas de precfcação de resseguro para melhor compreesão do mesmo Da seção 3 até
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
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 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 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 maisUnidade II ESTATÍSTICA
ESTATÍSTICA Udade II 3 MEDIDAS OU PARÂMETROS ESTATÍSTICOS 1 O estudo que fzemos aterormete dz respeto ao agrupameto de dados coletados e à represetação gráfca de algus deles. Cumpre agora estudarmos as
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 maisE-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno.
Matemátca Facera 2007.1 Prof.: Luz Gozaga Damasceo 1 E-mals: damasceo1204@yahoo.com.br damasceo@terjato.com.br damasceo12@hotmal.com http://www. damasceo.fo www. damasceo.fo damasceo.fo Obs.: (1 Quado
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 maisUma Calculadora Financeira usando métodos numéricos e software livre
Uma Calculadora Facera usado métos umércos e software lvre Jorge edraza Arpas, Julao Sott, Depto de Cêcas e Egeharas, Uversdade Regoal ItegradaI, URI 98400-000-, Frederco Westphale, RS Resumo.- Neste trabalho
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 mais12.2.2 CVT: Coeficiente de Variação de Thorndike...45 12.2.3 CVQ: Coeficiente Quartílico de Variação...45 13 MEDIDAS DE ASSIMETRIA...46 13.
SUMARIO 2 MÉTODO ESTATÍSTICO...3 2. A ESTATÍSTICA...3 2.2 FASES DO MÉTODO ESTATÍSTICO...4 3 FERRAMENTAS DE CÁLCULO PARA O ESTUDO DA ESTATÍSTICA...5 3. FRAÇÃO...5 3.. Adção e subtração...5 3..2 Multplcação
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisM = C( 1 + i.n ) J = C.i.n. J = C((1+i) n -1) MATEMÁTICA FINANCEIRA. M = C(1 + i) n BANCO DO BRASIL. Prof Pacher
MATEMÁTICA 1 JUROS SIMPLES J = C.. M C J J = M - C M = C( 1 +. ) Teste exemplo. ados com valores para facltar a memorzação. Aplcado-se R$ 100,00 a juros smples, à taxa omal de 10% ao ao, o motate em reas
Leia maisCálculo de média a posteriori através de métodos de integração numérica e simulação monte carlo: estudo comparativo
INGEPRO Iovação, Gestão e Produção Jaero de 010, vol. 0, o. 01 www.gepro.com.br Cálculo de méda a posteror através de métodos de tegração umérca e smulação mote carlo: estudo comparatvo Helto Adre Lopes
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 maisProfessor Mauricio Lutz ESTATÍSTICA BÁSICA
Proessor Maurco Lutz ESTATÍSTICA BÁSICA. Coceto Exstem mutas deções propostas por autores, objetvado estabelecer com clareza o que é estatístca, como por exemplo: Þ A Estatístca é um cojuto de métodos
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 maisA Medição e o Erro de Medição
A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro
Leia maisExercícios de Cálculo Numérico Interpolação Polinomial e Método dos Mínimos Quadrados
Eercícos e Cálculo Numérco Iterpolação Polomal e Métoo os Mímos Quaraos Para a ução aa, seja,, 6 e, 9 Costrua polômos e grau, para apromar, 5, e ecotre o valor o erro veraero a cos b c l Use o Teorema
Leia maisAvaliação da Localização de Base de Atendimento para Equipamentos de Movimentação de uma Empresa Siderúrgica
Avalação da Localzação de Base de Atedmeto para Equpametos de Movmetação de uma Empresa Sderúrgca Leadro Ferades da Slva Leadro.Ferades@cs.com.br UFF Ilto Curty Leal Juor ltocurty@gmal.com UFRJ Paul Adrao
Leia maisANAIS O JOGO DA LOGÍSTICA E SUAS VARIANTES NO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES
O JOGO DA LOGÍSTICA E SUAS VARIANTES NO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES MARCOS RICARDO ROSA GEORGES ( marcos.georges@puc-campas.edu.br, marcos_georges@yahoo.com.br ) PUC-CAMPINAS Resumo Este artgo
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 maisModelo Computacional Unidimensional do Transporte de solutos na Zona Não-saturada do Solo
ISSN 984-828 Modelo Computacoal Udmesoal do Trasporte de solutos a Zoa Não-saturada do Solo Mara de ourdes Pmetel Pzarro Academa da Força Aérea 64-, Prassuuga, SP E-mal: malu@vgaova.com.br Edso Wedlad,
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 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 maisProf. Dr. Marco Antonio Leonel Caetano Projeção de Cenários Aplicados ao Orçamento Empresarial Com revisão das Ferramentas de Estatística
Projeção de Ceáros Aplcados ao Orçameto Empresaral Com revsão das Ferrametas de Estatístca Prof. Dr. Marco Atoo Leoel Caetao TÓPICO Tratameto, Quatfcação e Vsualzação de Dados Faceros. Itrodução Na dvulgação
Leia maisAPLICAÇÕES DE MÉTODOS DE ENERGIA A PROBLEMAS DE INSTABILIDADE DE ESTRUTURAS
PONTIFÍCI UNIVERSIDDE CTÓLIC DO RIO DE JNEIRO DEPRTMENTO DE ENGENHRI CIVIL PLICÇÕES DE MÉTODOS DE ENERGI PROBLEMS DE INSTBILIDDE DE ESTRUTURS Julaa Bragh Ramalho Raul Rosas e Slva lua de graduação do curso
Leia maisMarília Brasil Xavier REITORA. Prof. Rubens Vilhena Fonseca COORDENADOR GERAL DOS CURSOS DE MATEMÁTICA
Maríla Brasl Xaver REITORA Prof. Rubes Vlhea Foseca COORDENADOR GERAL DOS CURSOS DE MATEMÁTICA MATERIAL DIDÁTICO EDITORAÇÃO ELETRONICA Odvaldo Texera Lopes ARTE FINAL DA CAPA Odvaldo Texera Lopes REALIZAÇÃO
Leia maisNota Técnica n o 037/2013-SRG/ANEEL. Em 17 de maio de 2013. Processo: 48500.002907/2010-89
Nota Técca o 037/2013-SRG/ANEEL Em 17 de mao de 2013. Processo: 48500.002907/2010-89 Assuto: Cosoldação de todas as regulametações referetes à apuração de dspobldades de empreedmetos de geração de eerga
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 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 maisOptimização e controlo da poluição atmosférica
Optmzação e cotrolo da polução atmosférca A. Ismael F. Vaz e Eugéo C. Ferrera Departameto de Produção e Sstemas, Escola de Egehara, Uversdade do Mho Emal: avaz@dps.umho.pt Cetro de Egehara Bológca, Escola
Leia maisEm atendimento à solicitação de V.Sa., apresentamos, na seqüência, os resultados do estudo referenciado.
1 Belo Horzote, 14 de abrl de 2007. À UNAFISCO SAÚDE AT.: Glso Bezerra REF: AVALIAÇÃO ATUARIAL Prezado Sehor, Em atedmeto à solctação de V.Sa., apresetamos, a seqüêca, os resultados do estudo referecado.
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisJUROS SIMPLES. i 100 i 100. TAXA PROPORCIONAL: É aquela que aplicada ao mesmo capital, no mesmo prazo, produze o mesmo juros.
JUROS MONTANTE JUROS SIMPLES J = C 0 * * t 00 M = C * + * t 00 TAXA PROPORCIONAL: É aquela que aplcada ao mesmo captal, o mesmo prazo, produze o mesmo juros. * = * JUROS COMPOSTOS MONTANTE M = C * + 00
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 maisProjeção Populacional 2013-2020 para a Cidade do Rio de Janeiro: uma aplicação do método AiBi
ISSN 1984-7203 Projeção Populacoal 2013-2020 para a Cdade do Ro de Jaero: uma aplcação do método AB Nº 20130102 Jaero - 2013 Iva Braga Ls 1, Marcelo Pessoa da Slva, Atoo Carlos Carero da Slva, Sérgo Gumarães
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
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 maisLealdade à Marca e Sensibilidade ao Preço: Um Estudo da Escolha da Marca pelo Consumidor. Autoria: Delane Botelho, André Torrres Urdan.
Lealdade à Marca e Sesbldade ao Preço: Um Estudo da Escolha da Marca pelo Cosumdor Autora: Delae Botelho, Adré Torrres Urda Resumo Este artgo usa dados em pael do tpo escaeados, desagregados ao ível de
Leia maisTotal Bom Ruim Masculino
UNIDADE I - ESTUDO DIRIGIDO Questão - Classfque as varáves em qualtatva (omal ou ordal ou quattatva (cotíua ou dscreta: a. População: aluos de uma Uversdade. Varável: cor dos cabelos (louro, castaho, ruvo,
Leia maisAMOSTRAGEM EM DOIS ESTÁGIOS COM UNIDADES PRIMÁRIAS DE TAMANHOS DIFERENTES SUBSAMPLING TO TWO PROBATION WITH PRIMARY UNITS OF UNEQUAL SIZES
Cêca Florestal, v.6,., p.47-55 47 ISS 003-9954 AMOSTRAGEM EM DOIS ESTÁGIOS COM UIDADES PRIMÁRIAS DE TAMAHOS DIFERETES SUBSAMPLIG TO TWO PROBATIO WITH PRIMARY UITS OF UEQUAL SIZES Sylvo Péllco etto RESUMO
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 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 maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
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 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 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 maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
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 mais