Splines. Ana Júlia e Arthur Tarso. Departamento de Estatística Universidade Federal de Minas Gerais
|
|
- Marta Raminhos
- 5 Há anos
- Visualizações:
Transcrição
1 Splines Ana Júlia e Arthur Tarso Departamento de Estatística Universidade Federal de Minas Gerais Novembro 2018
2
3 Contents 1 Introdução O que são splines? Vantagens Desvantagens Método de Ajuste Spline Linear Spline Cúbica Spline Natural Aplicação Dados gerados Spline Linear Spline Cubica Spline Natural Código R Bibliography 21 3
4
5 1 Introdução 1.1 O que são splines? Spline é uma função definida por partes por polinômios. Ao invés de modelar um conjunto de observações por um único polinômio, escolhe-se pontos distintos no intervalo de observações (nós) e é definido um polinômio para cada intervalo, de forma a modelar curvas complexas por polinômios mais simples. Figure 1.1: Exemplos do uso de splines para modelar uma curva Vantagens Maior flexibilidade para o ajuste dos modelos se comparado ao modelo de regressão linar ou polinomial; Permite modelar comportamento atípico dos dados, o que não seria possível com apenas uma função/modelo; Uma vez determinados a quantidade e localização dos nós, o modelo é de fácil ajuste Desvantagens Pode gerar overfitting, prejudicando a capacidade preditiva do modelo; Incluir mais nós que o necessário pode levar a uma piora do ajuste do modelo; Dificuldade em escolher a quantidade/localização ideal dos nós. 5
6
7 2 Método de Ajuste A ideia básica do método é substituir o vetor de inputs X, por variáveis adicionais, que serão combinações de X e então utilizar a aproximação linear nesse novo espaço gerado pelos inputs. Denotando por h m (X) : R p R a m-ésima transformação de X, m=1,...,m, temos então o modelo: f(x) = M m=1 β mh m (X), obtendo-se assim uma expansão linear de bases em X. Após a definição de h m os modelo são lineares sob essas novas variáveis e os métodos propostos podem então ser aplicados nesse novo espaço. Alguns problemas praticos irão exigir para uma escolha particular das funções de base h m, como logaritmos ou funções de exponencias. Comumente, escolhe-se as funções de base h m para aumentar a flexibilidade de f(x) e consequentemente do modelo. Polinômios são um exemplo dessa flexibilizacão, porém, devido a sua natureza tendem a distorcer a realidade em regiões remotas. Nesse trabalho vamos focar nos ajustes polinomiais. Utilizando um polinômio de ordem n 1 temos um ajuste perfeito aos dados, ou seja, o polinomio é capaz de passar por todos os pontos dos dados. No entanto, apesar do ajuste ser perfeito, é fácil ver que a curva ajustada não é robusta para prever novos dados. Uma alternativa é ajustar polinômios de menor grau por partes. Figure 2.1: Ajuste obtido usando um polinomio de terceiro grau (sem Splines). Supondo que X é unidimensional, um polinômio por partes é obtido separando o dominio de X em intervalos conectados e definindo f como um polinômio por intervalo. 7
8 O polinômio por partes é definido da seguinte forma: h 1 (X) = I(X < ξ 1 ), h 2 (X) = I(ξ 1 X < ξ 2 ), h 3 (X) = I(ξ 2 X) Então para as três sub-regiões definidas anteriormente o estimador de mínimos quadrados para o modelo f(x) = 3 m=1 β mh m (X) é igual a β m = (Y ) m, no qual (Y ) m é a média dos Y s pertencentes ao m-ésimo intervalo É importante destacar que os exemplos anteriores não se preocupam com a continuação da função f(x). Para garantir a continuidade é necessário incluir restrições no modelo, como por exemplo: f(ξ1 ) = f(ξ+ 1 ) e f(ξ 2 ) = f(ξ+ 2 ) ou seja, β 1 + β 4 ξ 1 = β 2 + β 5 ξ 1 e β 2 + β 5 ξ 2 = β 3 + β 6 ξ 2 Nesse caso, como temos duas restrições perdemos 2 graus de liberdade, deixando apenas 4 parâmetros. Uma maneira mais direta é utilizar uma base que diretamente incorpora tais restrições: h 1 (X) = 1, h 2 (X) = X, h 3 (X) = (X ξ 1 ) +, h 4 (X) = (X ξ 2 ) + Em relação à escolha da posição dos nós ξ k, não se trata de uma decisão tão importante no resultado do modelo, pois o bom ajuste depende muito mais da quantidade de nós internos k. Popularmente, costuma-se utilizar de três a sete nós, por isso, um bom método é utilizar os quantis (tercis, quartis, quintis, etc). Harrel (2001) recomenda que o número de nós seja decidido levando em conta o tamanho da amostra disponível. Para uma amostra menor que 100, o uso de 4 nós internos geralmente produz um ajuste adequado e retorna um modelo balanceado em relação à flexibilidade e à perda de precisão. Para amostras grandes, o uso de 5 nós é um ponto de partida razoável. Para 7 ou mais nós a classificação passa a perder significado, tornando a análise subjetiva. 2.1 Spline Linear Uma spline linear, ou de primeira ordem, é definida (para um conjunto de pontos ordenados) por um conjunto de polinômios de grau um ligados entre si através dos nós. Considerando os n + 1 pontos ordenados de forma que: x 0 < x 1 < x 2 <... < x n 1 < x n e os correspondentes valores da função f(x 0 ), f(x 1 ),..., f(x n ) e, designando o intervalo [x i 1, x i ] por segmento i, i = 1, 2,..., n. A spline linear pode ser escrita em cada subintervalo i como: s i (x) = f(x i 1 ) x i x x i x i 1 + f(x i ) x x i 1 x i x i 1, para i = 1, 2,..., n A spline linear resultante é uma função contínua no intervalo [x 0, x n ], no entanto, a primeira derivada é descontínua nos nós (ponto de união dos polinômios) 8
9 2.2 Spline Cúbica As splines cúbicas são as de menor ordem nas quais a descontinuidade nos nós são suaves o suficiente para não serem vistas a olho nu. Portanto, existe pouca justificativa para utilizar splines de maior ordem, a não ser que por algum motivo específico seja necessário mais derivadas suavizadas. Dessa forma, é necessário escolher a ordem da spline, o número de nós e suas localizações. A spline cúbica pode ser dividida em duas categorias: Restrita e Irrestrita. Se as caudas (partes do polinômio antes do primeiro nó e depois do último nó) forem modeladas através de funções lineares, temos o caso restrito ou também conhecido como spline natural. Se as caudas não forem modeladas através de funções lineares temos o caso irrestrito. Seja f uma função em [a, b]. Uma spline cúbica interpolada para f é a função contínua S tal que: (i) para i = 1,..., N, em cada intrvalo [x i 1, x i ] seja S(x) = s i (x), onde cada um dos s i é um polinômio cúbico; (ii)s i (x i 1 ) = f(x i 1 ), para i = 1,..., N; (iii)s i (x i ) = f(x i ), para i = 1,..., N; (iv)s i (x i) = s i+1 ( x i ), para i = 1,..., N 1; (v)s i (x i) = s i+1 ( x i ), para i = 1,..., N 1 A spline cúbica é uma função que interpola f em N +1 pontos, possui a primeira e a segunda derivada contínuas em [x 0, x N ] A função spline cúbica com k pontos pode ser escrita, de forma geral, como: f(x) = β 0 + β 1 x + β 2 (x ξ 1 ) β 3 (x ξ 2 ) β k+1 (x ξ k ) 3 + A vantagem de utilizarmos a spline cúbica é a possibilidade de garantir continuidade da função e até de sua derivada de segunda ordem, mesmo quando especifica-se a primeira derivada da função a ser interpolada nos extremos do intervalo. A desvantagem é que as primeiras derivadas da spline não coincidem com a função original, mesmo nos nós. Figure 2.2: Splines cúbicas e suavização 9
10 2.3 Spline Natural Uma spline natural (ou spline cúbica restrita) utiliza a suposição de que a funções são lineares além das fronteiras. Essa hipótese de linearidade nas regiões próximas às fronteiras é considerada adequada já que essa é uma região com pouca informação. Temos uma spline natural se: (i) para i = 1,..., N, em cada intrvalo [x i 1, x i ] seja S(x) = s i (x), onde cada um dos s i é um polinômio cúbico; (ii)s i (x i 1 ) = f(x i 1 ), para i = 1,..., N; (iii)s i (x i ) = f(x i ), para i = 1,..., N; (iv)s i (x i) = s i+1 ( x i ), para i = 1,..., N 1; (v)s i (x i) = s i+1 ( x i ), para i = 1,..., N 1; (vi)s i (x 0) = s i (x N) = 0. Os pedaços de polinômios de spline cúbico acabam se tornando uma única curva contínua, pois o encontro das funções no ponto de corte é forçado através de uma restrição implícita no modelo, onde as derivadas das funções se igualam, com o intuito de atender a restrição de continuidade do modelo. 10
11 3 Aplicação 3.1 Dados gerados Os dados para este exemplos foram gerados da função: y = sin ( πx ) 2 cos 24 ( 4(x 6) 24 ) + ɛ, ɛ N(0, 1) Figure 3.1: Plot dos dados gerados. A linha vermelha representa a curva real (sem os erros ɛ) 3.2 Spline Linear Primeiro define-se a posição dos nós, para permitir que a curva mude de direcao e trace uma nova linha. Para este exemplo, foram fixados pontos igualmente espaçados em (6, 12, 18). O modelo especificado é: Ŷ = β 0 + β 1 X + β 2 max(0, X 6) + β 3 max(0, X 12) + β 4 max(0, X 18) (3.1) Esse modelo permite que uma curva seja ligada a próxima, para que não haja descontinuidade. A inclinacao da curva muda somente quando ela passa pelo nó. Os preditores auxiliares max( 0, X-k ) fazem com que a inclinação só mude a partir de max(0, X k) = X k. 11
12 Figure 3.2: Preditores auxiliares. O ajuste então é realizado usando a função lm. fit <- lm( y ~ x + x6 + x12 + x18 ) Figure 3.3: Ajuste obtido usando a Spline Linear. 3.3 Spline Cubica Primeiro é realizado um ajuste utilizando um polinômio de grau 3, sem o uso de Splines, para posterior comparação. O ajuste do polinômio já oferece maior flexibilidade que o ajuste da spline linear. fit <- lm( y ~ x + x.squared + x.cubed ) 12
13 Figure 3.4: Ajuste obtido usando um polinomio de terceiro grau (sem Splines). Agora utilizando uma Spline Cubica para impedir que haja mudança de direção brusca entre as retas. Ŷ = β 0 + β 1 X + β 2 X 2 + β 3 X 3 +β 4 max(0, X 6) 3 + β 5 max(0, X 12) 3 + β 6 max(0, X 18) 3 Semelhante ao que foi feito na Spline Linear, agora adiciona-se os termos cubicos auxiliares ao invés de termos lineares. O modelo resultante permite maior flexibilidade que o modelo polinomial sem as splines. Os preditores auxiliares max(0, X k) 3 fazem com que a inclinação só mude a partir de max(0, X k) 3 = (X k) 3. Figure 3.5: Preditores auxiliares. O ajuste então é realizado usando a função lm. fit <- lm( y ~ x + x.squared + x.cubed + x6.cubed + x12.cubed + x18.cubed ) 13
14 Figure 3.6: Ajuste obtido usando a Spline Cubica. 3.4 Spline Natural Para o ajuste da Spline Natural foi utilizado o pacote splines do R. Para esse ajuste os nós foram especificados por meio do parâmetro knots. fit <- lm( y ~ ns( x, knots=c(6,12,18) ) ) Figure 3.7: Ajuste obtido usando a Spline Natural. Um segundo ajuste Spline Natural foi realizado, dessa vez sem especificar a posição dos nós. Para esse ajuste são especificados os graus de liberdade df. A função ns() então escolhe df intercept nós em quantis de x adequadamente escolhidos. fitk <- lm( y ~ ns( x, df = k ) ) Figure 3.8: Ajuste obtido usando a Spline Natural para diferentes nós. 14
15 3.5 Código R Gerando dados Preditor tem valores entre 1:24 x <- c(1:24) x <- seq(1,24,by=0.05) Variavel de saida e predita pela variavel X, de maneira nao linear: mu < * sin( x * pi / 24 ) - 2 * cos( (x-6)*4/24 ) Gerando erros de medida set.seed(2010) e <- rnorm( length(mu) ) Dados gerados y <- mu + e plot( x, y ) lines( x, mu, col="red" ) title("simulated data") Spline Linear Define preditores auxiliares x6 <- ( x - 6 ) x6[ x6<0 ] <- 0 x12 <- ( x - 12 ) x12[ x12<0 ] <- 0 15
16 x18 <- ( x - 18 ) x18[ x18<0 ] <- 0 print( cbind( x, x6, x12, x18 ) ) plots x11() grid = seq(1,24,0.05) plot(grid,x6, ylab = "X-k", xlab = "Value", main = "New predictors", type = "l") lines(grid,x12,col="red") lines(grid,x18,col="blue") lines(grid,x,col="darkgreen") legend("topleft", inset = 0.05, col=c("darkgreen","black","red","blue"), lty = c(1,1,1,1),legend = c("x","x-6","x-12","x-18")) Ajusta spline linear fit <- lm( y ~ x + x6 + x12 + x18 ) print( summary( fit ) ) fitted.mean <- predict( fit ) plot( x, y ) lines( x, mu, col="red" ) lines( x, fitted.mean, col="blue", lwd=2 ) title("data, true mean curve (red), and fitted (blue) using linear spline") abline(v = 6, lty = 2) abline(v = 12, lty = 2) abline(v = 18, lty = 2) A spline linear permite uma mudanca de direcao na posicao dos nos. Spline Cubica Aqui usamos um modelo polinomial cubico para dar flexibilidade ao ajuste. 16
17 x.squared <- x^2 x.cubed <- x^3 Ajuste sem usar Splines fit <- lm( y ~ x + x.squared + x.cubed ) print( summary( fit ) ) fitted.mean.pol <- predict( fit ) plot( x, y ) lines( x, mu, col="red" ) lines( x, fitted.mean.pol, col="green", lwd=2 ) title("data, true mean curve (red), and fitted (green) using cubic pol.(no Splines)") CUBIC SPLINE Termos da Spline Cubica x6.cubed <- x6^3 x12.cubed <- x12^3 x18.cubed <- x18^3 print( cbind( x, x.squared, x.cubed, x6.cubed, x12.cubed, x18.cubed ) ) plots x11() grid = seq(1,24,0.05) plot(grid,x6.cubed, ylab = "(X-k)^3", xlab = "Value", main = "New predictors", type = "l") lines(grid,x12.cubed,col="red") lines(grid,x18.cubed,col="blue") lines(grid,x^3,col="darkgreen") legend("topleft", inset = 0.05, col=c("darkgreen","black","red","blue"), lty = c(1,1,1,1),legend = c("x^3","(x-6)^3","(x-12)^3","(x-18)^3")) Ajuste do modelo fit <- lm( y ~ x + x.squared + x.cubed + x6.cubed + x12.cubed + x18.cubed ) print( summary( fit ) ) fitted.mean.cub <- predict( fit ) plot( x, y ) 17
18 lines( x, mu, col="red" ) lines( x, fitted.mean.pol, col="green", lwd=2 ) lines( x, fitted.mean.cub, col="blue", lwd=2 ) title("data, true mean curve (red), fitted (blue) using cubic spline and polynomial (green)") abline(v = 6, lty = 2) abline(v = 12, lty = 2) abline(v = 18, lty = 2) Spline Natural install.packages("splines") library( splines ) fit <- lm( y ~ ns( x, knots=c(6,12,18) ) ) print( summary( fit ) ) fitted.mean <- predict( fit ) plot( x, y ) lines( x, mu, col="red" ) lines( x, fitted.mean.cub, col="green", lwd=2 ) lines( x, fitted.mean, col="blue", lwd=2 ) title("data, true mean curve (red), fitted (blue) using natural spline and (green) cubic spline") abline(v = 6, lty = 2) abline(v = 12, lty = 2) abline(v = 18, lty = 2) Spline Natural, sem fixar nos fit1 <- lm( y ~ ns( x, df = 1 ) ) 18
19 fit3 <- lm( y ~ ns( x, df = 3 ) ) fit5 <- lm( y ~ ns( x, df = 5 ) ) fit10 <- lm( y ~ ns( x, df = 10 ) ) print( summary( fit1 ) ) print( summary( fit3 ) ) print( summary( fit5 ) ) print( summary( fit10 ) ) fitted.mean.1 <- predict( fit1 ) fitted.mean.3 <- predict( fit3 ) fitted.mean.5 <- predict( fit5 ) fitted.mean.10 <- predict( fit10 ) plot( x, y ) lines( x, mu, col="red" ) lines( x, fitted.mean.1, col="goldenrod", lwd=2 ) lines( x, fitted.mean.3, col="blue", lwd=2 ) lines( x, fitted.mean.5, col="green", lwd=2 ) lines( x, fitted.mean.10, col="orange", lwd=2 ) title("natural Splines for 1,3,5 and 10 Degrees of Freedom") 19
20
21 Bibliography [1] CRAN. R documentation on splines function. [2] Harrell, F. Regression Modeling Strategies with Applications to Linear Models, Logistic Regression and Survival Analysis. New York: Springer-Verlag [3] Hastie, T., Tibshirani, R and Friedman, J. The Elements of Statistical Learning. California: Springer Second Edition. 21
étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno
étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA
Leia maisSupport Vector Machines
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Support Vector Machines Eduardo Vargas Ferreira Definição Support Vector Machines são baseados no conceito de planos de decisão
Leia maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisLane Alencar Lane Alencar 2016
Lane Alencar 2016 Podemos decompor o processo Z = {Z(t), t T} em: Z t = T t + S t + a t com T t : tendência S t : componente sazonal a t : erro aleatório com E(a t )=0 e Var(a t ) = s 2. Métodos para estimar
Leia maisME613 - Análise de Regressão
ME613 - Análise de Regressão Parte 2 Propriedades dos estimadores Samara F. Kiihl - IMECC - UNICAMP Suposições do modelo de regressão linear simples Suposições do modelo de regressão linear simples Até
Leia maisAula 3 11/12/2013. Integração Numérica
CÁLCULO NUMÉRICO Aula 3 11/12/2013 Integração Numérica Objetivo: Calcular integrais utilizando métodos numéricos Cálculo Numérico 3/64 Integração Numérica Cálculo Numérico 4/64 Integração Numérica Em determinadas
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisAnálise da capacidade de processos
Análise da capacidade de processos CE219 - Controle Estatístico de Qualidade Prof. Cesar Taconeli taconeli@ufpr.br Prof. Walmes Zeviani walmes@ufpr.br Laboratório de Estatística e Geoinformação Departamento
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018
A função plot.gamlss() CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018 Considere os dados de circunferência abdominal discutido anteriormente. relacionamos a circunferência
Leia maisMAP Segundo exercício programa Splines cúbicos
MAP-2121 - Segundo exercício programa - 26 Splines Cúbicos Instruções gerais - Os exercícios computacionais pedidos na disciplina Cálculo Numérico têm por objetivo fundamental familiarizar o aluno com
Leia maisProf. MSc. David Roza José 1/27
1/27 Splines e Interpolação por Partes - A Objetivos: Compreender que splines minimizam oscilações ao ajustar polinômios de menor ordem a partições do domínio; Aprender a desenvolver um código para procurar
Leia maisExemplo Chamadas Telefônicas
Exemplo Chamadas Telefônicas Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Chamadas Telefônicas 2 o Semestre 2016 1 / 25 Chamadas
Leia maisAula Prática 1. Uso do R com exemplos Adaptação: Flávia Landim/UFRJ
Aula Prática 1 Uso do R com exemplos Adaptação: Flávia Landim/UFRJ Objetivos Analisar duas variáveis quantitativas: traçando diagramas de dispersão, para avaliar possíveis relações entre as duas variáveis;
Leia maisMétodos Numéricos Interpolação / Aproximação. Renato S. Silva, Regina C. Almeida
Métodos Numéricos Interpolação / Aproximação Renato S. Silva, Regina C. Almeida Interpolação / Aproximação situação: uma fábrica despeja dejetos no leito de um rio; objetivo: determinar a quantidade de
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisMAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Interpolação e Integração. φ(x k ) ψ(x k ).
MAP 22 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Interpolação e Integração : Sejam x =, x =, x 2 = 2 e x 3 = 3. (a) Determine os polinômios de Lagrange L i (x) correspondentes a estes pontos
Leia maisInterpolação polinomial: Polinômio de Lagrange
Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA. Jayme Gomes dos Santos Junior Luciana Helena Kowalski
UNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA Jayme Gomes dos Santos Junior Luciana Helena Kowalski MODELAGEM DA EXPECTATIVA DE VIDA NOS MUNICÍPIOS DO PARANÁ A PARTIR DE COVARIÁVEIS DO CENSO 2010
Leia maisRegressão Local (LOESS)
Regressão Local (LOESS) Wagner Hugo Bonat 14 de novembro de 2007 1 Regressão Local Regressão Local (Loess) é um método não paramétrico que estima curvas e superfícies através de suavização (smoothing).
Leia maisSpline cúbica. Clarimar J. Coelho. November 8, 2013
Interpolação polinomial Spline cúbica Clarimar J. Coelho November 8, 2013 1 Splines cúbicos 2 Cálculo dos coeficientes 3 Sistema linear subdeterminado 4 Splines cúbicos naturais 5 Splines cúbicos extrapolados
Leia maisModelos de Regressão Múltipla - Parte VII
1 Modelos de Regressão Múltipla - Parte VII Erica Castilho Rodrigues 26 de Janeiro de 2016 2 3 Vimos como ajustar um modelo não linear fazendo transformações das variáveis, como, por exemplo Y = exp{β
Leia maisTE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira
TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira Sumário 1. Como obter raízes reais de uma equação qualquer 2. Métodos iterativos para obtenção de raízes 1. Isolamento das raízes 2. Refinamento
Leia maisCurvas e Superfícies. Profª Soraia Raupp Musse
Curvas e Superfícies Profª Soraia Raupp Musse Classificação Curvas Apenas comprimento 2 Classificação Superfícies Apenas área Cascas infinitesimalmente finas, ocas Abertas ou fechadas 3 Classificação Sólidos
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisModelagem Computacional. Parte 2 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 2 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 2 e 3] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisInterpolação polinomial
Cálculo Numérico Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Motivação: População do Brasil Ano População (milhões) 1960 70, 992343 1970 94, 508583 1980
Leia maisCCI-22 FORMALIZAÇÃO CCI-22 MODOS DE SE OBTER P N (X) Prof. Paulo André CCI - 22 MATEMÁTICA COMPUTACIONAL INTERPOLAÇÃO
CCI - MATEMÁTICA COMPUTACIONAL INTERPOLAÇÃO Prof. Paulo André ttp://www.comp.ita.br/~pauloac pauloac@ita.br Sala 0 Prédio da Computação -Gregory DEFINIÇÃO Em matemática computacional, interpolar significa
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia mais3.6 Erro de truncamento da interp. polinomial.
3 Interpolação 31 Polinômios interpoladores 32 Polinômios de Lagrange 33 Polinômios de Newton 34 Polinômios de Gregory-Newton 35 Escolha dos pontos para interpolação 36 Erro de truncamento da interp polinomial
Leia maisÁrvores de decisão e seus refinamentos na predição genômica da resistência à ferrugem alaranjada em café arábica
Árvores de decisão e seus refinamentos na predição genômica da resistência à ferrugem alaranjada em café arábica Ithalo Coelho de Sousa ithalo.coelho@gmail.com Programa de Pós-Graduação em Estatística
Leia maisCurvas e Superfícies. Profª Soraia Raupp Musse
Curvas e Superfícies Profª Soraia Raupp Musse Classificação Curvas Apenas comprimento 2 Classificação Superfícies Apenas área Cascas infinitesimalmente finas, ocas Abertas ou fechadas 3 Classificação Sólidos
Leia maisAjuste de Splines a um Conjunto de Dados
Ajuste de Splines a um Conjunto de Dados Reginaldo J. Santos Departamento de Matemática-ICE Universidade Federal de Minas Gerais http://www.mat.ufmg.br/~regi regi@mat.ufmg.br 7 de junho de Seja C (I) o
Leia maisMÉTODOS NUMÉRICOS. ENGENHARIA ELECTRÓNICA INDUSTRIAL e de COMPUTADORES
UNIVERSIDADE DO MINHO MÉTODOS NUMÉRICOS ENGENHARIA ELECTRÓNICA INDUSTRIAL e de COMPUTADORES EXERCÍCIOS PRÁTICOS- 1 a parte Ano lectivo de 2004/2005 Exercícios práticos - CONUM Solução de uma equação não
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018
CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018 Examplo usando gamlssnp(): dados de cérebros de animais O tamanho do cérebro (brain) e peso corporal (body) foram registrados
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisBIE5782. Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES
BIE5782 Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES ROTEIRO 1.Motivação 2. Método dos mínimos quadrados 3. Ajuste no R: função lm 4. Resultado no R: objeto lm 5. Premissas, interpretação e diagnóstico 6.
Leia maisAjuste de dados por mínimos quadrados
Cálculo Numérico por mínimos quadrados Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Motivação: População do Brasil Ano População (milhões) 1960 70, 992343
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Leia maisModelos de Regressão Múltipla - Parte IV
1 Modelos de Regressão Múltipla - Parte IV Erica Castilho Rodrigues 01 de Fevereiro de 2017 2 3 4 Nos modelos vistos até agora a mudança de um grupo para o outro estava apenas no intercepto. Podemos também
Leia maisMÉTODOS NUMÉRICOS. ENGENHARIA e GESTÃO INDUSTRIAL
UNIVERSIDADE DO MINHO MÉTODOS NUMÉRICOS ENGENHARIA e GESTÃO INDUSTRIAL EXERCÍCIOS PRÁTICOS Ano lectivo de 2005/2006 Métodos Numéricos - L.E.G.I. Exercícios práticos - CONUM Solução de uma equação não linear
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisMétodos de reamostragem
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Métodos de reamostragem Eduardo Vargas Ferreira Função custo 2 Função custo Matriz de confusão: é um layout de tabela que
Leia maisANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
Leia maisEstudar a relação entre duas variáveis quantitativas.
Estudar a relação entre duas variáveis quantitativas. Exemplos: Idade e altura das crianças Tempo de prática de esportes e ritmo cardíaco Tempo de estudo e nota na prova Taxa de desemprego e taxa de criminalidade
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 6. Os Modelos fatoriais 2 k Trataremos agora de um caso especial de experimentos fatoriais no qual todos os fatores têm apenas dois níveis. Tais níveis podem ser quantitativos
Leia maisInterpolação. Série 1D. Interpolação polynomial, Interpolação por troços: linear, splines. Sensibilidade à amostra. Geração de amostras aleatórias.
AULA 4 Interpolação. Série 1D. Interpolação polynomial, Interpolação por troços: linear, splines. Sensibilidade à amostra. Geração de amostras aleatórias. Laboratório Numérico 1 Porquê interpolar? Produzir
Leia maisCálculo Numérico - Splines
Cálculo Numérico - Splines Prof a Dr a Diane Rizzotto Rossetto Universidade Tecnológica Federal do Paraná 13 de março de 2016 D.R.Rossetto Splines 1/27 Exemplo 1 Considere f (x) = 1 1+25x 2 tabelada no
Leia maisMétodo dos Mínimos Quadrados
Método dos Mínimos Quadrados Laura Goulart UESB 4 de Abril de 2019 Laura Goulart (UESB) Método dos Mínimos Quadrados 4 de Abril de 2019 1 / 22 Objetivos O Método dos Mínimos Quadrados (MMQ) é uma técnica
Leia maisAula 19 06/2014. Integração Numérica
CÁLCULO NUMÉRICO Aula 19 06/2014 Integração Numérica Objetivo: Calcular integrais utilizando métodos numéricos Cálculo Numérico 3/41 Integração Numérica Cálculo Numérico 4/41 Integração Numérica Em determinadas
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisRegressão Logística utilizando b-splines: uma maneira de lidar com relações não lineares
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA Regressão Logística utilizando b-splines: uma maneira de lidar com relações não lineares Autor:
Leia maisCurvas e Superfícies
Curvas e Superfícies Fontes: M.C.F. de Oliveira D.F. Rogers & J.A. Adams, Mathematical Elements for Computer Graphics, McGraw-Hill, 1999 Hearn & Baker, Cap. 8 (8-8 a 8-18) An Interactive Introduction to
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisModelo de Variáveis discretas. Regressão com uma variável dependente Binária. Variáveis dependentes Binárias. Modelo de Probabilidade Linear
Regressão com uma variável dependente Binária Capítulo 9 Stock e Watson. Econometria. Modelo de Variáveis discretas P(y = 1 x) = G(β 0 + xβ) y* = β 0 + xβ + u, y = max(0,y*) 1 2 Variáveis dependentes Binárias
Leia maisRegressão Linear. Prof. Dr. Leandro Balby Marinho. Análise de Dados II. Introdução Regressão Linear Regressão Múltipla
Regressão Linear Prof. Dr. Leandro Balby Marinho Análise de Dados II Prof. Leandro Balby Marinho 1 / 36 UFCG DSC Roteiro 1. Introdução 2. Regressão Linear 3. Regressão Múltipla Prof. Leandro Balby Marinho
Leia maisInterpolação Polinomial. Ana Paula
Interpolação Polinomial Sumário 1 Interpolação Polinomial 2 Forma de Lagrange 3 Revisão Interpolação Polinomial Interpolação Polinomial Interpolação Polinomial Interpolação Polinomial Suponha que se tenha
Leia maisModelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018
Modelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018 1. Introdução O objetivo deste trabalho é apresentar uma análise estatística,
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia maisCálculo Numérico BCC760 Raízes de equações algébricas e transcendentes
Cálculo Numérico BCC760 Raízes de equações algébricas e transcendentes Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ Introdução Dada uma função y = f(x), o objetivo deste
Leia mais3 Estimação e Compensação de movimento na codificação de vídeo
Estimação e Compensação de movimento na codificação de vídeo 36 3 Estimação e Compensação de movimento na codificação de vídeo O objetivo do modelo temporal (que engloba as fases de estimação e compensação
Leia maisAULAS 17 E 18 Análise de regressão múltipla: estimação
1 AULAS 17 E 18 Análise de regressão múltipla: estimação Ernesto F. L. Amaral 22 e 24 de outubro de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia mais1 AULA 3 - MODELO DE REGRESSÃO LINEAR
1 AULA 3 - MODELO DE REGRESSÃO LINEAR 1.1 Análise exploratória Fazer um modelo de regressão linear envolve modelar uma variável de desfecho contínua em função de uma ou mais variáveis explanatórias. Como
Leia maisTestes Formativos de Computação Numérica e Simbólica
Testes Formativos de Computação Numérica e Simbólica Os testes formativos e 2 consistem em exercícios de aplicação dos vários algoritmos que compõem a matéria da disciplina. O teste formativo 3 consiste
Leia maisANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD)
ANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD) Stênio R. Lima (bolsista do ICV-UFPI), Fernando F. Nascimento (orientador, Dept. de Estatística - UFPI)
Leia maisINTERPOLAÇÃO POR INTERPOLAÇÃO SPLINE INTERPOLAÇÃO SPLINE INTERPOLAÇÃO SPLINE INTERPOLAÇÃO SPLINE 1/12/2008
FUNDAÇÃO UNIVERSIDADE FEDERAL DE RONDÔNIA NCT-NÚCLEO DE CIÊNCIA E TECNOLOGIA DENFI-DEPARTAMENTO DE ENGENHARIA E FISÍCA DOCENTE: PROF. º Dr. Carlos Tenório DISCIPLINA : CÁLCULO NUMÉRICO INTERPOLAÇÃO POR
Leia maisAula 16. Integração Numérica
CÁLCULO NUMÉRICO Aula 16 Integração Numérica Integração Numérica Cálculo Numérico 3/41 Integração Numérica Em determinadas situações, integrais são difíceis, ou mesmo impossíveis de se resolver analiticamente.
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 6 Resolução Numérica de Equações Diferenciais Ordinárias Objetivo: Resolver Equações Diferenciais Ordinárias utilizando métodos
Leia maisAjuste de mínimos quadrados
Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisLane Alencar
Lane Alencar www.ime.usp.br/~lane ?AirPassengers ts.plot(airpassengers) Fonte: IPEA www.ipeadata.gov.br Media de 2002=100 Fonte: Shumway e Stoffer (2006) Podemos decompor o processo Z = {Z(t), t T} em:
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia mais5 CARACTERÍSTICAS DINÂMICAS DA ATENUAÇÃO POR CHUVAS
5 CARACTERÍSTICAS DINÂMICAS DA ATENUAÇÃO POR CHUVAS Na literatura técnica tem sido dada pouca atenção ao modelamento das características dinâmicas da atenuação por chuvas em enlaces terrestres. O conhecimento
Leia maisUso da linguagem R para análise de dados em ecologia
Uso da linguagem R para análise de dados em ecologia Objetivo da aula Apresentar os princípios básicos de modelagem numérica em Biologia. Modelagem numérica em Biologia O que é um modelo? Uma representação,
Leia maisRelatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão generalizado com resposta Binomial
UNIVERSIDADE FEDERAL DO PARANÁ Rafael Morciani Alves da Silva Maike Willian Martins dos Santos Mateus Gemelli Ramos Relatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisAULA 17 - Variáveis binárias
AULA 17 - Variáveis binárias Susan Schommer Econometria I - IE/UFRJ Variáveis binárias A variável binária (ou dummy) é um simples exemplo de variável aleatória, o qual é chamada de função indicadora de
Leia maisLucia Catabriga e Andréa Maria Pedrosa Valli
1-35 Lucia Catabriga e Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo - UFES, Vitória, ES, Brasil 2-35
Leia maisTUTORIAL DO ORIGIN 8.0 AJUSTE DE CURVA NÃO LINEAR
TUTORIAL DO ORIGIN 8.0 AJUSTE DE CURVA NÃO LINEAR Prof. Henrique M.J. Barbosa Versão 0.1 9 de Maio 2009 FUNÇÃO DE AJUSTE Para fazer um ajuste não linear é preciso saber qual função queremos ajustar. Neste
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação
Leia maisREGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Leia mais6 Ajuste de mínimos quadrados
6 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }} n Tipicamente quando m < n esse polinômio
Leia mais0.1 Expansão em Série de Taylor de Uma Função
0. Expansão em Série de Taylor de Uma Função Numa análise de propriedade de uma função, um conceito fundamental é a expansãoemsériedetaylordeumafunção. Sejaf = f(x) uma função arbitrária, contínua e suave.
Leia maisi j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisExame (1º Teste) de Análise Numérica (LMAC, MEIC, MMA) Instituto Superior Técnico, 11 de Janeiro de 2016, 15h00-16h15 (1º Teste)
Exame (º Teste) de Análise Numérica (LMAC, MEIC, MMA) Instituto Superior Técnico, de Janeiro de 6, h-6h (º Teste) ) [] a) Determine p, o polinómio de menor grau tal que p() = a, p() = b, p () = p () =
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Regressão Polinomial e Análise da Variância Piracicaba Setembro 2014 Estatística Experimental 18 de Setembro de 2014 1 / 20 Vimos
Leia mais