PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA"

Transcrição

1 658 Gaudo & Zandonade Qum. Nova Qum. Nova, Vol. 4, No. 5, , 001. Dvulgação PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA Anderson Coser Gaudo * Departamento de Físca, Centro de Cêncas Exatas, Unversdade Federal do Espírto Santo, Campus de Goaberas, Vtóra - ES Elana Zandonade Departamento de Estatístca, Centro de Cêncas Exatas, Unversdade Federal do Espírto Santo Recebdo em 7/4/00; aceto em 15/1/00 PROPOSITION, VALIDATION AND ANALSIS OF QSAR MODELS. The present paper ams to brng under dscusson some theoretcal and practcal aspects about the proposton, valdaton and analyss of QSAR models based on multple lnear regresson. A comprehensve approach for the dervaton of extrathermodynamc equatons s revewed. Some examples of QSAR models publshed n the lterature are analyzed and crtczed. Keywords: quanttatve structure-actvty relatonshps; multple lnear regresson; valdaton of QSAR models. INTRODUÇÃO Em sua sétma edção do ano de 1973, o Journal of Medcnal Chemstry publcou um artgo de autora de Unger e Hansch 1 que é consderado por mutos como um marco no desenvolvmento de QSAR, abrevação em nglês para Relações Quanttatvas entre Estrutura e Atvdade. O artgo tornou-se célebre por estabelecer regras geras para a elaboração e valdação dos modelos matemátcos que correlaconam estrutura químca e atvdade bológca. A publcação desse artgo fo conseqüênca da publcação anteror de dos outros artgos, em que seus autores apresentaram modelos matemátcos dstntos para analsar a atvdade bológca da mesma sére de compostos. Tudo começou com o artgo de Hansch e Len, em que se analsou a atvdade antadrenérgca de vnte e dos compostos dervados da N,N-dmetl-α-bromo-fenletlamna (1), substtuídos nas posções meta e para do anel fenla, cujos valores havam sdo determnados cnco anos antes 3. * e-mal: 1 CHCH NMe Segundo Hansch e Len, a atvdade antadrenérgca dos compostos dervados da estrutura 1 podera ser representada como uma função lnear dos efetos lpofílco e eletrônco que os grupos e proporconam à estrutura 1 (eq 1). log 1/C = 1, π - 1,59 σ + 7,89 (1) (n = ; R = 0,918; s = 0,38) Na eq 1, C representa a concentração do fármaco, em moles/kg de peso corporal, capaz de produzr 50% de antagonsmo à ação vasopressora de uma dose padrão de epnefrna em ratos, π é a constante lpofílca de Hansch 4, σ é a constante eletrônca de Hammett 5, n é o número de compostos ncluídos no modelo, R é o coefcente de correlação do modelo e s é o Br desvo-padrão do modelo. Neste ponto cabe um esclarecmento. Optou-se por apresentar as equações ctadas em sua forma orgnal. Assm que o formato aproprado de apresentação dos modelos matemátcos de QSAR for mostrado (ver adante), o letor poderá comparar as dversas formas de apresentação já utlzadas ao longo do tempo. Em 197, Cammarata 6 apresentou a eq como alternatva para a representação da atvdade dos compostos dervados da estrutura 1. log 1/C = 0,747 (±0,13) π m - 0,911 (±0,49) σ m + 1,666 (±0,14) r v p + 5,769 () (n = ; R = 0,961; s = 0,168) Na eq, π m e σ m são as constantes lpofílca e eletrônca dos grupos químcos presentes na posção meta do anel fenla p da estrutura 1 (), r v é o rao de van der Waals do substtunte na posção para () e os números entre parênteses correspondem aos desvos-padrão dos coefcentes da equação. Os valores numércos de R e s na eq ndcam que o modelo de Cammarata consegue explcar maor quantdade da varabldade dos valores da atvdade bológca do que o modelo representado pela eq 1. No entanto, deve-se levar em consderação que o segundo membro da eq contém uma varável a mas do que a eq 1, o que certamente contrbu para sua melhor qualdade. Em 1973, Unger e Hansch 1 reagram ao modelo proposto por Cammarata, afrmando que o mesmo contnha nconsstêncas relatvas às varáves utlzadas para descrever a atvdade bológca e de forma alguma apresentava embasamento boquímco, o que o nvaldava. Alguns dos argumentos ctados foram: (a) o modelo não atrbu efeto hdrofóbco aos substtuntes presentes na posção para. A varável r p v dos poucos substtuntes (ses) na posção para utlzados no modelo está acdentalmente correlaconada aos efetos hdrofóbco (R = 0,840) e hdrofóbco/eletrônco (R = 0,983). Portanto, não é possível afrmar com segurança qual é o efeto que realmente é mportante nos compostos substtuídos na posção para. Além dsso, (b) o snal do coefcente de r p v na eq possu snal postvo. Isso ndca que o efeto estéreo do substtunte ntensfca a atvdade, o que raramente é observado. Nos casos em que o aumento do tamanho do substtunte ntensfca a atvdade, a propredade relevante é a hdrofobcdade e não o efeto estéreo 7 e; (c) utlzou-se apenas o efeto eletrônco dos

2 Vol. 4, No. 5 Proposção, Valdação e Análse dos Modelos que Correlaconam Estrutura Químca e Atvdade Bológca 659 substtuntes na posção meta. Segundo Unger e Hansch 1, sso não está em acordo com o mecansmo de ação proposto para esses compostos, cuja etapa lmtante é a nteração entre o carbocáton (), produzdo rapdamente através da hdrólse do fármaco (1) em ph fsológco, e o provável ambente nucleofílco localzado no síto de ação (representado por Z - ). 1 Br CHCH NMe C + HCH NMe CH CH N + Me Z - CHCH NMe Unger e Hansch 1 magnaram que se esse mecansmo de ação estvesse correto, então a constante eletrônca σ +, aproprada para substtuntes capazes de deslocalzar uma carga eletrônca resdual postva, devera ser mas adequada do que σ. De fato, essa hpótese pôde ser verfcada através da eq 3, que claramente possu melhor ajuste do que a eq 1. log 1/C = 1,15 π - 1,47 σ + + 7,8 (3) (n = ; R = 0,944; s = 0,197) Nesse mesmo artgo, Unger e Hansch 1 estabeleceram cnco regras geras para a proposção de modelos matemátcos de relações estrutura-atvdade, que são enuncadas a segur. (a) Seleção de varáves ndependentes: deve-se testar grande número de varáves, nclundo propredades de natureza lpofílca, eletrônca, estérea e de polarzabldade 7,8. Também devem ser testadas varáves geradas a partr de cálculos de mecânca quântca 9 e varáves ndcadoras 10. As varáves seleconadas na melhor equação devem ser essencalmente ndependentes; (b) Valdação estatístca das varáves seleconadas: cada varável ncluída na melhor equação precsa ser valdada por testes estatístcos aproprados, tas como o teste F, o teste t para os coefcentes de cada varável, etc.; (c) Prncípo da parcmôna (Navalha de Occam): quando houver dúvda na escolha de um entre mutos modelos (aproxmadamente) equvalentes, deve-se escolher o mas smples; (d) Número de varáves em cada modelo: para mnmzar a ocorrênca de correlação por concdênca, deve haver, no mínmo, cerca de cnco ou ses compostos para cada varável ncluída no modelo; (e) Modelo qualtatvo para o mecansmo de ação dos compostos: é essencal que o modelo quanttatvo de relação entre estrutura e atvdade seja consstente com o mecansmo de ação, em nível molecular, dos compostos testados. A déa por detrás dessas regras era dscplnar a metodologa de elaboração de modelos de QSAR para que essa área de conhecmento, crstalzada por Hansch e colaboradores apenas nove anos antes, não caísse em descrédto pela má utlzação dos modelos matemátcos. Apesar dsso, o que se tem observado na lteratura nternaconal é que a maora dos modelos publcada ano após ano é crada sem que essas regras sejam ntegralmente aplcadas. Acredta-se que há alguns motvos predomnantes que colaboram com esse estado de cosas: (a) embora a matemátca envolvda na elaboração de um modelo de QSAR seja trval (regressão lnear múltpla), os pressupostos para sua aplcação e a nterpretação de suas conseqüêncas Z não os são. Além dsso, (b) ajustar um conjunto de dados a um modelo lnear é fácl, porém, proceder a um conjunto de testes estatístcos consstentes para fazer sua valdação requer algum conhecmento de estatístca. Mutos químcos medcnas não possuem esse conhecmento. (c) Pelo fato de ldar com modelos matemátcos muto smples, a área de QSAR costuma atrar grande número de entusastas que vêem na regressão lnear (e no seu coefcente de correlação) a ferramenta deal para produzr publcações fáces. A falta de experênca em químca medcnal certamente pode dfcultar a nterpretação aproprada dos modelos crados. Este trabalho tem como objetvo prncpal esclarecer alguns aspectos teórcos e, prncpalmente, prátcos sobre proposção, valdação e análse dos modelos matemátcos de QSAR. Pretende-se analsar as prncpas regras de proposção de modelos de QSAR à luz da estatístca e analsar alguns exemplos lustratvos. Assm, espera-se que os alunos e pesqusadores da área de QSAR, especalmente aqueles anda nexperentes, possam soldfcar seu embasamento nessa área, sejam capazes de adotar postura mas crítca em relação aos trabalhos publcados na área de QSAR e, eventualmente, possam melhorar a consstênca dos modelos matemátcos que venham a propor. METODOLOGIA Os cálculos envolvdos na construção e análse dos modelos de regressão presentes neste trabalho foram executados através do programa Buld QSAR, desenvolvdo no Departamento de Físca da UFES 11. REGRESSÃO LINEAR MÚLTIPLA Nos dversos ramos da cênca, freqüentemente deseja-se estabelecer relações quanttatvas entre um fenômeno observado e algumas varáves ndependentes que se acredtam ter relevânca na explcação do fenômeno. Em outras palavras, deseja-se construr um modelo matemátco que seja capaz de explcar o fenômeno observado e que também seja capaz de proporconar prevsões dentro e, se possível, fora dos lmtes nvestgados. Em QSAR, o fenômeno observado é a atvdade bológca e as varáves ndependentes são propredades de natureza lpofílca, eletrônca, estérea e polar. Acredtando-se que essas propredades sejam relevantes na explcação do nível de atvdade bológca, procura-se construr um modelo matemátco que estabeleça relação quanttatva entre essas grandezas. O modelo de Hansch-Fujta 7, 8, 1-14 propõe que a medda quanttatva da atvdade farmacológca ou toxcológca, genercamente desgnada de atvdade bológca, de uma sére de compostos pode ser correlaconada às suas propredades físco-químcas e estruturas através de um modelo multdmensonal lnear (eq 4) ou quadrátco (eq 5). log 1/C = a Lpofílco + b Eletrônco + c Estéreo + d Polar + e (4) log 1/C = -a Lpofílco + b Lpofílco + c Eletrônco + d Estéreo + e Polar + f (5) Nessas equações, C é a concentração molar de cada composto capaz de produzr resposta bológca defnda (tas como IC50, a concentração molar do fármaco capaz de proporconar 50% de nbção da atvdade fsológca de um sstema bológco, como por exemplo, a atvdade catalítca de uma enzma; LD100, a concentração molar do fármaco capaz de matar 100% dos ndvíduos em que é admnstrado; ED50, concentração molar do fármaco capaz de produzr 50% de seu efeto máxmo; etc.), os símbolos s são varáves que representam as propredades físco-químcas e estruturas locas (constantes de substtuntes) ou globas (propredades moleculares) de cada composto analsado e os símbolos a-f são coefcentes de ajuste. Embora a

3 660 Gaudo & Zandonade Qum. Nova eq 5 seja não lnear, o método de obtenção dos seus coefcentes é o mesmo utlzado para a obtenção dos coefcentes dos modelos lneares (eq 4). O modelo lnear é uma combnação lnear de varáves ndependentes, também chamadas explcatvas, 1,,, k, capaz de reproduzr da melhor forma possível os valores expermentas de um grupo de n observações do fenômeno (eq 6). β + β + β + + β + ε (6) = kk Na eq 6, β 0 é o termo constante de ajuste, β 1, β,, β k são os coefcentes das varáves ndependentes e ε é o erro assocado ao modelo. Em estatístca, β 0, β 1,, β k são chamados de parâmetros. Em QSAR, a desgnação parâmetro costuma ser atrbuída às varáves ndependentes, como por exemplo parâmetro lpofílco, π, parâmetro eletrônco, σ, etc. Neste trabalho, restrngr-se-á o uso do termo parâmetro às constantes β 0, β 1,, β k, enquanto que os termos b o, b 1,, b k (ver abaxo) serão referencados como estmatvas dos parâmetros ou smplesmente coefcentes da regressão. Na eq 6, são conhecdos apenas os valores de 1,,, k e e não os de ε. A natureza estocástca do modelo de regressão mplca que, para cada valor 1,,, k, em que o índce refere-se ao -ésmo objeto (composto) ncluído no modelo, haja uma dstrbução de probabldade total para os valores de. Isto sgnfca que uma dada observação nunca poderá ser exatamente prevsta. A ncerteza relatva a surge por causa da presença do erro ε. A eq 6, que também poderíamos chamar de verdadero modelo de regressão, é exata no sentdo de que se os coefcentes β e o erro ε forem conhecdos, o modelo será capaz de reproduzr exatamente o valor observado. No entanto, a determnação exata dos valores de β só pode ser feta se todos os possíves valores de forem ncluídos no modelo, o que é uma tarefa muto dfícl. Em QSAR, sso sgnfcara nclur no modelo todos os compostos com alguma atvdade sobre o sstema bológco em estudo. Na prátca sso parece nexeqüível, pos de antemão não é possível saber quantos compostos, conhecdos e desconhecdos, apresentam atvdade sobre um dado sstema. Além dsso, a determnação do erro ε é tarefa muto dfícl porque os fatores que contrbuem para o seu valor são rregulares, tas como possíves erros aleatóros nerentes ao fenômeno observado, erros expermentas na medda de e (apesar dos valores de serem supostamente sentos de erro, na prátca não o são) e a própra qualdade do ajuste do modelo, como a ausênca de varável explcatva mportante. Portanto, na prátca os parâmetros verdaderos da eq 6 permanecerão desconhecdos. Tudo o que se pode fazer é obter uma estmatva do modelo através da análse de uma amostra do conjunto de todos os objetos. Em QSAR, sso sgnfca analsar um pequeno subconjunto de compostos, dentre os ncontáves compostos, conhecdos e desconhecdos, que apresentam alguma atvdade sobre o sstema bológco em estudo, para construr uma estmatva do modelo que somente sera conhecdo se todos aqueles compostos fossem efetvamente analsados. Apesar de, tecncamente, o termo correto para referrem-se às equações de regressão, tas como as eqs. 1, e 3, seja estmatva do modelo, é usual referrem-se a essas equações apenas como modelos. Neste trabalho os autores não se esforçarão em dferencar esses termos. É mportante salentar que, em QSAR, a desgnação de modelo ou estmatva de modelo é reservada para as equações de regressão que realmente representem alguma relação entre estrutura e atvdade em que as regras de proposção de modelos de Unger e Hansch 1 tenham sdo observadas. A estmatva do modelo é uma equação capaz de fornecer valores prevstos para, que são geralmente representados por Ŷ (eq 7). Ŷ = b (7) 0 b11 b bkk Nesta equação, b 0, b 1,, b k são estmatvas para os valores dos parâmetros β 0, β 1,, β k, respectvamente. A construção da estmatva do modelo, representada pela eq 7, requer a aplcação do método dos mínmos quadrados, ou MMQ. Este consste em encontrar o conjunto de valores b 0, b 1,, b k capaz de mnmzar os desvos (ao quadrado) entre cada um dos valores observados,, e os respectvos valores prevstos, Ŷ n. Ou seja, o somatóro ( ˆ) = 1 deve ser mnmzado. A metodologa para a determnação das estmatvas dos parâmetros b s pode ser encontrada em lvros-texto báscos de estatístca 15-1 e não será dscutda aqu. Entretanto, é precso destacar alguns aspectos mportantes da construção de modelos através do MMQ. A obtenção do modelo representado pela eq 7 nca-se com a construção de um conjunto de dados contendo uma amostra de n observações, ou objetos, e m varáves explcatvas (Quadro 1). Em QSAR, sso sgnfca seleconar uma amostra de n compostos, determnar expermentalmente as respectvas atvdades e escolher um conjunto de m descrtores físcoquímcos e estruturas que se acredtam ser capazes de explcar a atvdade bológca observada. O símbolo m refere-se ao número de descrtores presentes no conjunto de dados, enquanto que o símbolo k (eq. 6) refere-se ao número de descrtores efetvamente ncluídos nos modelos de QSAR. Quadro 1. Conjunto de dados, contendo n objetos e m propredades descrtvas, necessáro à construção de modelo lnear semelhante à eq j m 1 1,1 1, 1,j 1,m,1,,j,m,1,,j,m n n,1 n, n,j n,m A construção de modelos lneares compreende alguns pressupostos báscos em relação aos componentes do modelo: (a) os valores de 1,,, m são fxos, sto é, 1,,, m não são varáves aleatóras. Apesar de mutas das varáves utlzadas em QSAR orgnarem-se de meddas expermentas, como π e σ, o erro assocado à medda ou ao cálculo dos valores dessas varáves é, em geral, consderado muto menor do que o erro assocado à medda da atvdade bológca; (b) o erro ε tem dstrbução de probabldade normal; (c) a méda de ε é gual a zero; (d) para um dado conjunto de valores 1,,, n, a varânca do erro ε é sempre constante; (e) o erro de uma observação é não-correlaconado com o erro de outra observação; (f) duas varáves ndependentes quasquer,, j, são não correlaconadas, com j. Um aspecto mportante na construção do conjunto de dados é o comportamento de, o valor observado do -ésmo objeto. Caso fossem fetas dversas meddas expermentas de, dfclmente havera mutas concdêncas. O erro expermental do processo de medção faz com que cada medda resulte num valor lgeramente dferente de, fcando todos esses valores agrupados em torno de sua méda,. Um dos plares do MMQ pressupõe que os valores obtdos em dversas medções de apresentam dstrbução normal em torno de (Fgura 1). Em QSAR, sso sgnfca dzer que a execução de dversas meddas da atvdade de um dado composto resultara numa coleção de valores que apresentara dstrbução normal em torno de sua méda. Apesar dessa suposção ser razoável, raramente vê-se comprovação expermental da dstrbução normal dos valores

4 Vol. 4, No. 5 Proposção, Valdação e Análse dos Modelos que Correlaconam Estrutura Químca e Atvdade Bológca 661 de. Quando muto, a atvdade bológca de cada composto é medda em trplcata, o que não é sufcente para observar qualquer possível padrão de dstrbução. Em geral, a acetação da hpótese da dstrbução normal dos valores de é decorrente da valdação estatístca e boquímca dos modelos de QSAR. estmatva correta para a varânca do modelo de regressão (s ) e; (c) estmar o grau de ajuste e sgnfcânca do modelo. A análse da varânca ajuda a compreender o sgnfcado de alguns dos termos que aparecem numa equação de regressão, como por exemplo R, s e F. A ANOVA é geralmente apresentada em forma de tabela e é construída com base nos valores de (observado), Ŷ (prevsto) e (méda global dos valores de ). A Fgura mostra como essas grandezas estão relaconadas para o -ésmo objeto de um conjunto de dados. Freqüênca ^ = b 0 + b 1 Fgura 1, Dstrbução dos valores obtdos em n meddas expermentas de, o -ésmo valor de. Esses valores devem apresentar dstrbução normal em torno de sua méda para que possa ser apropradamente utlzado em RLM. ^ ^ = e _ ^ _ É mportante observar que o fato de se tentar descrever um conjunto de observações expermentas através de um modelo lnear não sgnfca que essas observações possam ser bem descrtas através desse modelo. A descrção de um conjunto de observações a um modelo lnear, bem como a qualquer outro tpo de modelo, é feto por hpótese. Imagnando-se que as observações possam ser descrtas por dado modelo lnear, crase a hpótese as observações podem ser adequadamente descrtas pelo modelo lnear. Porém, acredtar-se numa hpótese não a torna necessaramente verdadera. É precso testá-la. Uma vez construído o modelo, é precso submetê-lo a testes para verfcar a veracdade da hpótese em que o mesmo está fundamentado. AVALIAÇÃO DE MODELOS LINEARES A avalação consste em verfcar se a especfcação do modelo adapta-se convenentemente aos dados observados. A avalação do modelo pode ser dvdda em três partes: (a) avalação do grau de ajuste; (b) avalação do grau de sgnfcânca e; (c) avalação do grau de prevsbldade. Avalação do grau de ajuste O grau de ajuste do modelo é meddo em termos de sua capacdade de reproduzr o valor observado dos objetos. Essa parte da avalação é feta através do cálculo do coefcente de correlação (R), do coefcente de correlação ajustado (R Ajust ), que permte comparações entre modelos com número dferente de varáves, e do desvo-padrão (s), além da análse dos. O que se espera de um modelo em relação ao grau de ajuste é que ele apresente R o mas próxmo possível de 1, que o valor de s seja o mas próxmo possível de zero e que os resíduos apresentem dstrbução normal em torno de zero. A avalação do ajuste do modelo pode ser feta através da análse da varânca (ANOVA) da regressão. Será feta breve pausa na análse da avalação dos modelos de regressão para detalhar o conteúdo da ANOVA. resíduos ( Ŷ ) Análse da varânca Os prncpas objetvos da análse da varânca são (a) verfcar se há falta de ajuste no modelo (lack of ft); (b) obter Fgura. Representação gráfca do -ésmo objeto (x, y ) de um conjunto de dados, do valor prevsto desse objeto obtdo pelo método dos mínmos quadrados ( ) e da méda dos valores observados de ( ). De acordo com a Fgura, é válda a dentdade representada pela eq 8. ( ) = ( Ŷ ) + ( Ŷ) (8) Nesta equação, ( ) é o desvo do -ésmo valor observado de em relação à méda de todos os valores de, ( Ŷ ) é o desvo do -ésmo valor prevsto de em relação à méda dos seus valores e ( Ŷ ) é o desvo entre o -ésmo valor observado de e o seu respectvo valor prevsto, também chamado de -ésmo resíduo, ou e ( e = Ŷ). Pode ser demonstrado 15 que se ambos os membros da eq 8 forem elevados ao quadrado e seus termos forem somados de = 1,,, n, o resultado será dado pela eq 9. ( Ŷ) = ( Ŷ ) + ( Ŷ) (9) A eq 9 também pode escrta da segunte forma: SS Tot = SS Reg + SS Res, em que a abrevação SS refere-se à soma dos quadrados dos desvos (sum of squares). O termo SS Tot é a varabldade total da regressão, SS Reg é a varabldade explcada pelo modelo de regressão e SS Res é a varabldade que o modelo não consegue explcar e refere-se aos resíduos. O esquema smplfcado da ANOVA é mostrado no Quadro. O Quadro mostra que o quadrado do coefcente de correlação, R = SS Reg /SS Tot, corresponde à fração da varabldade total que é explcada pelo modelo. Por exemplo, um modelo de QSAR em que R = 0,9 é dto capaz de explcar 90% da varabldade total dos valores observados da atvdade bológca, em torno de sua méda. Pode-se defnr a méda da soma dos quadrados da regressão como MS Reg = SS Reg /k e a méda da soma dos quadrados dos resíduos como MS Res = SS Res /(n-k-1).

5 66 Gaudo & Zandonade Qum. Nova Quadro. Análse da varânca (ANOVA) do modelo de regressão lnear múltpla. Fonte a df b SS c MS Regressão k ( Ŷ ) SS Reg /df Reg F = MS Reg /s Resíduo n - k - 1 ( ˆ) s = SS Res /df Res R = SS Reg /SS Tot Total n - 1 ( ) SS Tot /df Tot a df = Graus de lberdade (degrees of freedom); b SS = Soma dos quadrados (sum of squares); c MS = Méda da soma dos quadrados (mean square); Utlzando-se esta notação, defne-se o quadrado do desvo-padrão ou estmatva da varânca como s = MS Res. Como s é a razão entre a varabldade não explcada pelo modelo e o número de graus de lberdade relatvo aos resíduos da regressão, quanto maor for a varabldade dos valores de que o modelo for capaz de explcar (maor R), menor será o desvo-padrão. O teste F é defndo como F = MS Reg /s, sendo portanto uma razão entre a varabldade explcada pelo modelo e a varabldade que permanece sem explcação. Um bom modelo deve apresentar o maor valor possível para F, sendo que o valor mínmo acetável é dado por tabelas de referênca que podem ser encontradas em lvros-texto de estatístca 15,17,19. O quadrado do coefcente de correlação ajustado, ctado na Seção anteror, é calculado de acordo com a eq 10. R Ajust.1 ( R ) k 1 = R n (10) k Há uma observação mportante acerca da varânca. A varânca de um modelo de regressão, σ, somente poderá ser determnada se o verdadero modelo de regressão for construído. Como fo vsto anterormente, o verdadero modelo de regressão é o que nclu todos os possíves compostos com atvdade sobre o sstema bológco em questão (eq 6). Como sso nunca é possível, o valor de σ sempre será desconhecdo. Quando o modelo proposto é correto, a méda da soma dos quadrados dos resíduos, s, é um estmador não vesado (não tendencoso) da verdadera varânca σ. Entretanto, quando o modelo não é adequado, s estará estmando algo maor do que σ, pos na soma dos quadrados estarão ncluídos os veses devdos à nadequação do modelo. A estmatva da varânca, s, pode ser obtda através da construção da estmatva do modelo (eq 7). No entanto, a estmatva correta da varânca somente é possível em modelos onde não houver falta de ajuste 15. Em outras palavras, somente em modelos bem ajustados há possbldade de obter-se a estmatva correta da varânca. Neste ponto parece haver um paradoxo. O desvo-padrão do modelo, s, que é a raz quadrada da estmatva da varânca, é um crtéro de ajuste do modelo. No entanto, só poderemos saber se s é a estmatva correta de σ, ou seja, se s tem sgnfcado, se não houver falta de ajuste no modelo. Pode-se romper este cclo verfcando-se, em prmero lugar, a falta de ajuste do modelo proposto através da utlzação dos resíduos da regressão. Os resíduos de um modelo de regressão contêm toda a nformação necessára à compreensão dos motvos que fazem com que o mesmo não consga explcar 100% da varabldade dos valores observados de. Exstem bascamente dos motvos para que sso ocorra: (a) presença de erros aleatóros relatvos à determnação expermental dos valores de e (b) especfcação mprópra do modelo (falta de ajuste). Uma vez que os valores de tenham orgem em meddas expermentas, os erros aleatóros estarão sempre presentes e, devdo a sso, nenhum modelo consegue explcar 100% da varabldade de. Por outro lado, a especfcação do modelo é responsabldade de quem o constró. A especfcação do modelo dz respeto à sua forma fnal, ou seja, se é lnear, parabólco, exponencal, se contém termos cruzados, se o número de termos presentes é adequado, etc. Portanto, deve haver especal cudado na verfcação da falta de ajuste. Exstem duas stuações que devem ser bem caracterzadas em relação à verfcação da falta de ajuste do modelo. A prmera é quando cada valor presente no conjunto de dados fo determnado uma únca vez, ou seja, quando cada valor de for o resultado de uma medda de ponto únco. Neste caso, a verfcação da falta de ajuste pode ser feta qualtatvamente através da análse da dstrbução dos resíduos do modelo. Nos casos em que o modelo é bem ajustado, o conjunto de resíduos e contém apenas os erros aleatóros ctados anterormente. Portanto, a análse vsual gráfca dos resíduos deverá revelar um padrão estrtamente aleatóro para a dstrbução dos mesmos. Quando o modelo apresenta falta de ajuste, além dos erros aleatóros, os resíduos contêm erros sstemátcos devdos à especfcação ncorreta do modelo. A presença desses erros pode ser detectada com relatva facldade na análse vsual da dstrbução dos resíduos. A Fgura 3 mostra quatro stuações típcas encontradas na verfcação qualtatva da falta de ajuste de modelos lneares 15. Caso 1 Caso 3 Caso Caso 4 Fgura 3. Casos típcos de dstrbução de pontos encontrados na nvestgação qualtatva de falta de ajuste em modelos de regressão lnear. No Caso 1 não há falta de ajuste pos os pontos estão dspostos aleatoramente ao longo da reta ajustada. Portanto, o modelo = b b deverá ser adequado aos dados observados. O Caso Ŷ 0 + 1

6 Vol. 4, No. 5 Proposção, Valdação e Análse dos Modelos que Correlaconam Estrutura Químca e Atvdade Bológca 663 também não revela falta de ajuste. No entanto, o modelo de regressão Ŷ = b0 + b1 não apresentará sgnfcânca estatístca. Neste caso, o modelo Ŷ = será mas adequado. No Caso 3 observa-se clara falta de ajuste devdo ao padrão não aleatóro da dstrbução dos pontos e, portanto, dos resíduos. O modelo Ŷ = b0 + b1 + b11 deverá representar adequadamente os dados observados. De forma semelhante, no Caso 4 há falta de ajuste, sendo que o modelo Ŷ = b0 + b1 + b11 também poderá ajustar-se adequadamente aos dados observados. A segunda stuação é quando os valores de presentes no conjunto de dados foram determnados em replcata (duplcata, trplcata, etc.). Em QSAR, sso sgnfca fazer duas ou mas meddas expermentas da atvdade bológca para cada composto da sére. Neste caso, as repetções das meddas de podem ser utlzadas para obter a estmatva da varânca do modelo. Tal estmatva representa o chamado erro puro, pos se o conjunto de valores 1,,, k (Quadro 1) é o mesmo para duas ou mas observações, somente erros aleatóros podem nfluencar os valores de e gerar dferenças entre eles. Essas dferenças podem proporconar estmatva da varânca mas confável do que qualquer outra fonte de nformação 15. Nos casos em que os valores de forem determnados em replcata, o termo SS Res pode ser dvddo em duas partes: a soma dos quadrados devda ao erro puro do modelo, SS e, e a soma dos quadrados devda à falta de ajuste do modelo, SS LOF, sendo que SS Res = SS e + SS LOF. O termo SS LOF é determnado por dferença. O cálculo de SS e é feto de acordo com a eq 11. n n ( ) SS = (11) e = 1u= 1 u Na eq 11, u é a u-ésma repetção (u = 1,,, n ) da medda de para 1,,, k, n é o número de dferentes valores para 1,,, k, que é equvalente ao número de dferentes objetos, n é o número de repetções fetas para e é a méda das repetções 1,, n,. O esquema da ANOVA, nclundo o teste para falta de ajuste, é mostrado no Quadro 3. A verfcação da falta de ajuste de um modelo de regressão é feta através da construção da tabela ANOVA, nclundo o teste de falta de ajuste, e verfcação da sgnfcânca estatístca do valor encontrado para F LOF. Para que o valor de F LOF seja consderado sgnfcante, deverá ser maor ou gual ao respectvo valor de referênca (nível de confança de 95%), F ( df LOF, df e ), que pode ser encontrado em lvros-texto de estatístca 15,17,19. Se F LOF for sgnfcante, então há falta de ajuste no modelo construído e outro tpo de modelo deverá ser testado. Devdo à sua relevânca, torna-se mportante lustrar esse assunto com um exemplo prátco. A Tabela 1 contém um conjunto de dados com ses dervados do -bromo-etanoato, cuja atvdade bactercda em B. dphtherae fo medda em replcata. Os valores médos da atvdade (log 1/C) e os valores do coefcente de partção (log P) foram extraídos da lteratura. Os valores das repetções de log 1/C são fctícos, uma vez que, quando fetos, raramente são publcados. Na maora dos casos, os valores da atvdade bológca que aparecem nos conjuntos de dados referem-se às médas das repetções. Portanto, o conjunto de dados habtualmente encontrado na lteratura nclura apenas a méda de log 1/C e log P (colunas log 1/C Méda e log P, Tabela 1). A Tabela mostra a ANOVA para o modelo de regressão log 1/C = b 0 + b 1 log P, construída de acordo com o Quadro, em que foram consderados apenas os valores médos de log 1/C. Tabela 1. Atvdade bactercda de -bromo-etanoatos substtuídos (RCHBrCOO - ) em B. dphtherae (log 1/C) em função do logartmo de seu coefcente de partção octanol-água (log P). Os valores numércos apresentados na coluna Repetções são fctícos. R log 1/C log P Repetções Méda CH (CH ) 6 CH 3 1,3 1,53 1,60 0,3 1,95 CH (CH ) 8 CH 3,5,0 1,3,15 CH (CH ) 10 CH 3,39,50,3,1,79,61 CH (CH ) 1 CH 3 3,15 3,84 3,41 3,3 3,4 CH (CH ) 14 CH 3 3,98 4,31 4,3 4,65 4,17 4,44 CH (CH ) 16 CH 3 4,3 3,91 4,01 5,3 3,80 Quadro 3. Análse da varânca (ANOVA), nclundo o teste para falta de ajuste, do modelo de regressão lnear múltpla. Fonte a df b SS c MS Regressão k ( Ŷ ) SS Reg /df Reg F = MS Reg /s Resíduo n - k - 1 ( ) Ŷ s = SS Res /df Res R = SS Reg /SS Tot n Falta de ajuste(lof) -k -1- ( n ) n n 1 ( ) = 1 n Ŷ SS LOF /df a LOF F LOF = MS LOF /s e = 1 n Erro puro (e) ( 1) = 1 n n n ( ) = 1u= 1 u b s e = SS e /df e Total n - 1 ( ) SS Tot /df Tot a F LOF = Teste de sgnfcânca para a falta de ajuste do modelo. Se F LOF for sgnfcatvo em relação ao nível de confança estpulado, por exemplo 95%, há falta de ajuste no modelo; b s e = Estmatva correta da varânca do modelo, caso F LOF seja não sgnfcatvo;

7 664 Gaudo & Zandonade Qum. Nova Tabela. Análse da varânca (ANOVA) do modelo de regressão lnear múltpla log 1/C = b 0 + b 1 log P referente ao conjunto de dados mostrado na Tabela 1 (n = 6; k = 1). Foram utlzados os valores médos de log 1/C na construção da ANOVA. Fonte df SS MS Regressão 1 5,1955 5,1955 F = 47,4067 Resíduo 4 0,4384 s = 0,1096 R = 0,9 Total 5 5,6339 1,168 Analsando-se apenas os números que aparecem na Tabela, pode-se acredtar que log 1/C = b 0 + b 1 log P é um excelente modelo de regressão, pos R = 0,96 1, s é pequeno e F = 47,4 é grande, comparado com o valor de referênca F (1,4) = 7,71 (nível de confança de 95%). No entanto, utlzando-se as replcatas de log 1/C para construr a ANOVA, de acordo com o Quadro 3, o resultado é bem dferente (Tabela 3). Tabela 3. Análse da varânca (ANOVA), nclundo o teste de falta de ajuste, do modelo de regressão lnear múltpla log 1/ C = b 0 + b 1 log P referente ao conjunto de dados mostrado na Tabela 1 (n = 19; k = 1). Foram utlzados os valores repetdos de log 1/C na construção da ANOVA. Fonte df SS MS Regressão 1 16, ,8569 F = 107,0940 Resíduo 17,6758 s = 0,1574 R = 0,8630 Falta de ajuste 4 1,5800 0,3950 F LOF = 4,686 Erro puro 13 1,0958 s e = 0,0843 Total 18 19,537 1,085 Na construção da Tabela 3, SS e = SS e1 + SS e + + SS e6, em que SS e1 = (1,3 + 1,53 + 1,95 ) - 3 [(1,3 + 1,53 + 1,95) / 3] = 0,058, com 3-1 = graus de lberdade; SS e = (,5 +,15 ) - [(,5 +,15) / ] = 0,0050, com - 1 = 1 grau de lberdade; SS e3 = (,39 +,1 +,79 +,61 ) - 4 [(,39 +,1 +,79 +,61) / 4] = 0,194, com 4-1 = 3 graus de lberdade; SS e4 = (3,15 + 3,84 + 3,4 ) - 3 [(3,15 + 3,84 + 3,4) / 3] = 0,814, com 3-1 = graus de lberdade; SS e5 = (3,98 + 4,65 + 4,17 + 4,44 ) - 4 [(3,98 + 4,65 + 4,17 + 4,44) / 4] = 0,610, com 4-1 = 3 graus de lberdade e; SS e6 = (4,3 + 3,91 + 3,80 ) - 3 [(4,3 + 3,91 + 3,88) / 3] = 0,150, com 3-1 = graus de lberdade. Logo SS e = 0, , , , , ,150 = 1,0958 e df e = = 13. Portanto, SS LOF = SS Res - SS e = 1,6540-0,0740 = 1,5800 e df LOF = df Res - df e = = 4. Fnalmente, MS LOF = 1,5800 / 4 = 0,3950, s e = 1,0958 / 13 = 0,0843 e F LOF = 0,3950 / 0,0843 = 4,686. Na Tabela 3, s e = 0,0843 sera a estmatva correta da varânca da regressão, caso não houvesse falta de ajuste no modelo testado (log 1/C = b 0 + b 1 log P). No entanto, F LOF é maor do que o valor de referênca, F (4, 13) = 3,18, ndcando haver falta de ajuste no modelo. A explcação para a exstênca de falta de ajuste neste modelo decorre prncpalmente da atvdade bológca do composto R = CH (CH ) 16 CH 3, cujo valor, log 1/C = 4,01, sofreu quebra de lneardade em relação aos compostos anterores. Essa dmnução repentna da atvdade, por sua vez, é conseqüênca da elevada lpossolubldade do composto, que faz com que haja dfculdades no transporte e bodsponbldade do fármaco. Compostos com alta lpossolubldade tendem a fcar retdos nas membranas celulares que precsam atravessar para atngrem a bofase. Devdo à falta de ajuste verfcada no modelo log 1/C = b 0 + b 1 log P, outro tpo de modelo devera ser testado, como por exemplo o parabólco 3, log 1/C = b 0 + b 1 log P + b 11 log P, ou o blnear 4, log 1/C = b 0 + b 1 log P + b 11 log (βp + 1). No entanto, a nclusão de mas uma varável num modelo com tão poucos compostos (ses) aumenta a probabldade de ocorrênca de correlação por concdênca (regra d, ctada na Introdução deste artgo). Avalação do grau de sgnfcânca O grau de sgnfcânca é meddo através da execução de testes de valdação (teste estatístco de hpótese), sendo que cada teste destna-se a verfcar a sgnfcânca de dferentes partes do modelo. Para testar a sgnfcânca estatístca de R, aplca-se um teste de hpótese conhecdo como teste F, cujo valor é obtdo na tabela ANOVA assocada à regressão (Quadro ). O teste F verfca o quanto da varabldade de pode ser explcada pelas varáves 1,,, k, e o quanto pode ser atrbuída ao efeto do erro aleatóro ε. Para valdar R através do teste F, é precso comparar o valor de F obtdo no modelo com o valor de referênca. Este, em geral, se refere ao nível de confança de 95% e pode ser obtdo em tabelas apropradas. Por exemplo, seja um modelo lnear com as seguntes característcas: n = 0, k = 3, R = 0,85, s = 0,3 e F = 1,54. Para saber se o valor de R possu ou não sgnfcânca estatístca, é precso comparar o valor de F com o valor de referênca que, neste caso, vale F (k,n-k-1) = F (3,16) =,8. Como F > F (3,16), então R é sgnfcatvo. Os valores do teste F de dos ou mas modelos de regressão, que possuam dferentes valores de n e k, em prncípo não podem ser comparados. Por exemplo, sejam dos modelos lneares, M1 e M, com as característcas: M1 (n = 0, k = 3, R = 0,85, s = 0,3, F = 1,54) e M (n = 3, k = 4, R = 0,91, s = 0,30, F = 15,3). Apesar de M apresentar as estatístcas R, s e F superores em relação a M1, não é possível afrmar com segurança que M é mas sgnfcatvo do que M1 apenas com base nessas nformações. Nesse caso, deve-se calcular as probabldades (p-valor) assocadas aos valores de F. O p-valor fornece um meo seguro de comparação do nível de sgnfcânca de modelos com dferentes números de objetos e varáves. Um valor de p = 0,0001, sgnfca que o valor de R é estatstcamente sgnfcante e o erro envolvdo na afrmação dessa hpótese é de 0,01%. Se para M1 p = 0,0001 e para M p = 0,0005, então M1 terá maor sgnfcânca estatístca do que M. A sgnfcânca estatístca dos coefcentes da regressão é testada medante o cálculo de seus ntervalos de confança (T), geralmente referentes a um nível de confança de 95% (t). O resultado do teste é mostrado em assocação com o respectvo coefcente (eq 1). Ŷ = b 0 (± T 0 ) + b 1 (± T 1 ) b (± T ) b k (± T k ) k (1) O valor de T é calculado de acordo com a eq 13, T = s.t. ' (13) ( ) ( ) 1 n k 1,95, em que s é o desvo-padrão da regressão, t (n-k-1,95) é o valor da dstrbução t de Student para a probabldade de 95% e o argumento da raz quadrada refere-se ao elemento dagonal (lnha, coluna ) da matrz resultante da operação ndcada com a matrz das varáves ndependentes,. Se T for maor do que o valor do própro coefcente b, sgnfca que o valor b = 0 pertence ao ntervalo de confança de 95% consderado. Isso mplca em que a varável, em relação à qual b está assocada, não contrbu para a explcação da varabldade dos valores observados de. Naturalmente que quanto mas T se aproxma de b, menor será a sgnfcânca estatístca de b.

8 Vol. 4, No. 5 Proposção, Valdação e Análse dos Modelos que Correlaconam Estrutura Químca e Atvdade Bológca 665 Avalação do grau de prevsbldade O grau de prevsbldade do modelo é testado através da valdação cruzada (cross valdaton) 5-8. O processo de valdação cruzada consste nas seguntes etapas: (a) exclur um dos objetos do modelo; (b) reconstrur o modelo sem esse objeto; (c) utlzar esse modelo para calcular o valor do objeto excluído; (d) obter o desvo entre o valor observado e o valor prevsto para esse objeto; (e) refazer as etapas a-d para os demas objetos do conjunto de dados, um por vez; (f) calcular o valor da estatístca PRESS (PREdctve Sum of Squares), que corresponde à soma dos quadrados dos desvos obtdos no tem d e; (g) calcular o quadrado do coefcente de correlação da valdação cruzada (Q ) e o desvo-padrão da valdação cruzada (s PRESS ). Um modelo com elevado grau de prevsbldade para objetos não ncluídos no mesmo apresentará Q próxmo de 1 e s PRESS próxmo de zero. A forma de calcular Q e S PRESS é mostrada nas eqs ( Ŷ) PRESS = (14) Q PRESS 1 = S PRESS ( ) (15) = PRESS n k 1 (16) ANÁLISE DAS REGRAS DE ELABORAÇÃO DE MODELOS Nesta seção são analsadas as regras de elaboração de modelos e, sempre que possível, a análse de cada regra será acompanhada de exemplos lustratvos de aplcação da mesma. Seleção de varáves ndependentes Parece haver consenso no que dz respeto à utlzação de grande número de varáves explcatvas (m) na construção do conjunto de dados. Essas varáves devem abranger ampla gama de propredades (lpofílca, eletrônca, estérea e polar). Além das constantes de substtuntes utlzadas em QSAR clássco 7,8,9-33, devem-se nclur na análse propredades físco-químcas moleculares tas como área superfcal e volume moleculares 34, propredades dervadas de cálculo de orbtal molecular 9, 35-37, varáves ndcadoras 7,8,38, índces de smlardade 39-4 e índces topológcos 34. A utlzação de grandes conjuntos de dados em QSAR pressupõe a necessdade de algum tpo de método de seleção de varáves, como por exemplo, a busca sstemátca 43, as redes neuras 44-50, os algortmos genétcos e evoluconáros 43,45,51-56 e os métodos multvarados 5,45,5, Estes métodos são utlzados para detectar combnações de varáves capazes de fornecer equações de regressão com elevado coefcente de correlação, baxo desvo-padrão ou elevado teste F, e que tenham algum potencal para tornarem-se modelos de QSAR. Embora o camnho entre uma equação de regressão e um modelo de QSAR seja relatvamente longo, a seleção de varáves é um dos prmeros passos nessa dreção. Alguns conjuntos de dados que podem ser destacados por sua dmensão são os de Supuran e Clare 61 (n = 8, k = 17), Mracec e colaboradores 6 (n = 49, k = 1), Kelder e Greven 63 (n = 55, k = 4), Menzan e colaboradores 64 (n = 9, k = 7), Gaudo 65 (n = 45, k = 37), Selwood 66 (n = 31, k = 53), Cocch e colaboradores 67 (n = 40, k = 66) e Gaudo 68 (n = 36, k = 9). Pode-se lustrar o processo de seleção de varáves aplcando-se o método da busca sstemátca ao conjunto de dados que deu orgem às eqs e 3. Para sso, é necessáro estmar os valores de R, s, F e p das equações de regressão da atvdade bológca (log 1/C) em função de todas as possíves combnações das varáves π, π m, σ +, σ m e r v p. Porém, ao recalcular modelos antgos, é mportante fazer a revsão e a atualzação dos valores das constantes de substtuntes presentes no respectvo conjunto de dados. Sendo consstente com essa flosofa, construu-se a Tabela 4, que apresenta valores revsados e atualzados para essas constantes de substtuntes. Esses valores foram obtdos a partr de recentes complações de constantes de substtuntes 30, 69. A execução da busca sstemátca sobre o conjunto de dados da Tabela 4 gerou 31 equações de regressão, sendo cnco equações com uma varável, dez equações com duas varáves, dez com três varáves, cnco com quatro varáves e uma equação com cnco varáves. Os valores de R, s, F e p dessas combnações são mostrados na Tabela 5. A melhor equação com uma varável é log 1/C = f (r v p ), cuja avalação é R = 0,878, s = 0,79, F = 67,06 e p < 0, (No. 5, Tabela 5), que é capaz de explcar cerca de 77% da varabldade da atvdade. Como r v p é capaz de explcar a maor parte da varabldade da atvdade, é de esperar-se que ela também esteja presente nos melhores modelos com maor número de varáves. Assm, a melhor equação com duas varáves é log 1/C = f (π m, r v p ), cuja avalação é R = 0,936, s = 0,10, F = 67,51 e p < 0, (No. 1, Tabela 5). Da equação No. 5 para a No. 1 houve aumento do valor do coefcente de correlação e dmnução do desvo-padrão. Para construr a melhor equação com três varáves é necessáro retrar π m da equação No.1 e acrescentar as varáves π e σ +. O resultado dessa mudança é a equação log 1/C = f (π, σ +, r v p ), cuja avalação é R = 0,963, s = 0,166, F = 76,3 e p< 0, (No. 0, Tabela 5). A comparação dos valores de R, s e F das equações No. 1 e 0 ndca que a regressão No. 0 é capaz de explcar maor quantdade da varabldade de log 1/C do que a regressão No. 1, apesar daquela conter uma varável a mas do que esta. Como conseqüênca, deve ser mas vantajoso representar a atvdade bológca dos compostos da sére através de uma equação com três varáves do que com duas. O mesmo não pode ser dto ao consderarem-se as melhores equações com quatro e cnco varáves. Os resultados da Tabela 5 mostram que os modelos com mas de três varáves não são capazes de melhorar a explcação da atvdade bológca em relação à equação No. 0. Dessa forma, o resultado da busca sstemátca ndca que a atvdade dos compostos da sére poderá ser representada por uma equação de três varáves. Isso não quer dzer que essa equação seja a de No. 0, pos há outras equações com três varáves que possuem avalações equvalentes, como por exemplo as equações No. 16, 3 e 4. Avalações mas aprofundadas deverão ser executadas sobre essas equações para decdr-se qual é a equação de melhor qualdade estatístca. É mportante verfcar o grau de correlação entre as varáves ao proceder-se à seleção de varáves. A construção de modelos através do MMQ exge que as varáves presentes num dado modelo sejam essencalmente ndependentes. Além de descreverem a mesma propredade, duas ou mas varáves altamente correlaconadas geram problemas de dependênca lnear no conjunto de dados e mprecsão numérca na construção do modelo. É nteressante frsar que a construção de modelos de QSAR através de métodos multvarados, como PCR (Prncpal Component Regresson) e PLS (Partal Least Squares) 70, não é prejudcada pela presença de correlação elevada entre as varáves. O grau de correlação entre as varáves é verfcado através da construção da matrz de correlação. A matrz de correlação das varáves ndependentes da Tabela 4 é mostrada na Tabela 6, que revela que as úncas varáves que não devem ser combnadas numa mesma equação são σ + e σ m, pos apresentam coefcente de correlação gual a 0,70. No exemplo de seleção de varáves acma (Tabela 5), as equações de três varáves seleconadas para posteror estudo, ou seja Nos. 16, 0, 3 e 4, não ncluem essas varáves smultaneamente.

9 666 Gaudo & Zandonade Qum. Nova Tabela 4. Conjunto de dados utlzado por Unger e Hansch 1 na dedução da eq. Os valores publcados orgnalmente foram revsados e atualzados partr de recentes complações de constantes de substtuntes 30,69. No Substtunte log 1/C Obs π π m σ + σ m p r v a log 1/C Calc Res. 1 H 7,46 0,00 0,00 0,00 0,00 1,0 7,80-0,34 4-F 8,16 0,14 0,00-0,07 0,00 1,47 8,05 0, Cl 8,68 0,71 0,00 0,11 0,00 1,75 8,48 0,0 4 4-Br 8,89 0,9 0,00 0,15 0,00 1,85 8,67 0, 5 4-I 9,5 1,1 0,00 0,14 0,00 1,98 8,91 0, Me 9,30 0,58 0,00-0,31 0,00 1,97 8,85 0, F 7,5 0,14 0,14 0,35 0,34 1,0 7,53-0, Cl 8,16 0,71 0,71 0,40 0,37 1,0 8,1 0, Br 8,30 0,9 0,9 0,41 0,39 1,0 8,34-0, I 8,40 1,1 1,1 0,36 0,35 1,0 8,63-0, Me 8,46 0,58 0,58-0,07-0,07 1,0 8,55-0, Cl, 4-F 8,19 0,85 0,71 0,33 0,37 1,47 8,36-0, Br, 4-F 8,57 1,06 0,9 0,34 0,39 1,47 8,59-0, Me, 4-F 8,8 0,7 0,58-0,14-0,07 1,47 8,80 0,0 15 3,4-Cl 8,89 1,4 0,71 0,51 0,37 1,75 8,79 0, Br, 4-Cl 8,9 1,63 0,9 0,5 0,39 1,75 9,0-0, Me, 4-Cl 8,96 1,9 0,58 0,04-0,07 1,75 9,3-0, Cl, 4-Br 9,00 1,63 0,71 0,55 0,37 1,85 8,98 0,0 19 3,4-Br 9,35 1,84 0,9 0,56 0,39 1,85 9,1 0, Me, 4-Br 9, 1,50 0,58 0,08-0,07 1,85 9,4-0,0 1 3,4-Me 9,30 1,16 0,58-0,38-0,07 1,97 9,60-0,30 3-Br, 4-Me 9,5 1,50 0,9 0,10 0,39 1,97 9,39 0,13 a Calculado através da eq. Tabela 5. Resultado da seleção de varáves através de busca sstemátca executada sobre o conjunto de dados mostrado na Tabela 4. Modelos com dferentes números de varáves estão separados pelas lnhas horzontas. No. π π m σ + σ m p r v R s F p < 1 0,760 0,379 7,9 0, ,06 0,570 0,88 0, ,15 0,575 0,48 0, ,134 0,577 0,37 0, ,878 0,79 67,06 0, ,844 0,30 3,57 0, ,93 0,17 6,54 0, ,874 0,90 30,8 0, ,94 0,8 55,87 0, ,364 0,556 1,45 0, ,406 0,546 1,88 0, ,936 0,10 67,51 0, ,153 0,590 0,3 0, ,878 0,86 31,88 0, ,879 0,85 3,9 0, ,953 0,186 59,15 0, ,886 0,85 1,86 0, ,936 0,15 4,76 0, ,93 0,3 39,53 0, ,963 0,166 76,3 0, ,939 0,11 44,69 0, ,409 0,560 1,1 0, ,953 0,187 58,77 0, ,959 0,174 68,56 0, ,881 0,91 0,73 0, ,964 0,167 56,55 0, ,963 0,170 54,53 0, ,959 0,179 48,57 0, ,964 0,169 55,33 0, ,959 0,178 48,97 0, ,964 0,17 4,65 0,000001

10 Vol. 4, No. 5 Proposção, Valdação e Análse dos Modelos que Correlaconam Estrutura Químca e Atvdade Bológca 667 Tabela 6. Matrz de correlação, em termos de R, das varáves ndependentes da Tabela 4. As úncas varáves que apresentam alto grau de correlação são σ + e σ m. Valdação estatístca das varáves seleconadas É fundamental que testes de avalação do modelo e das varáves seleconadas sejam executados. A avalação mínma que se exge para um modelo de regressão lnear envolve os seguntes testes. (a) Verfcação do grau de ajuste do modelo, que envolve o cálculo do coefcente de correlação (R) e do desvo-padrão (s), análse do gráfco da atvdade observada em função da atvdade prevsta pelo modelo ( x Ŷ) e do gráfco dos resíduos da regressão em função da atvdade observada ( - Ŷ) x Ŷ) ; (b) verfcação do grau de sgnfcânca do modelo, que envolve o cálculo do teste F (95% confança), cálculo do p-valor relatvo ao resultado do teste F e cálculo do ntervalo de confança dos coefcentes da regressão (95% de confança) e; (c) verfcação do grau de prevsbldade do modelo, através da execução do teste de valdação cruzada e o subseqüente cálculo do coefcente de correlação (Q ) e do desvo padrão (s PRESS ) das prevsões. Como exemplo de avalação estatístca de uma equação de regressão lnear, pode-se avalar o própro modelo apresentado por Unger e Hansch 1 (eq 3) como alternatva ao modelo de Cammarata (eq ). A eq 17 corresponde à versão recalculada da eq 3, em que podem ser notadas pequenas alterações em sua forma orgnal. A avalação da eq 17 é apresentada a segur. log 1/C = 1,14 (±0,1) π - 1,5 (±0,40) σ ,80 (±0,1) (17) (n = ; R = 0,93; s = 0,17; F = 6,54; p < 0,000001; Q = 0,808; s PRESS = 0,6) Análse do grau de ajuste π π m σ + σ m R v p π 1,000 0,413 0,19 0,17 0,361 π m 1,000 0,6 0,419 0,018 σ + 1,000 0,70 0,035 σ m 1,000 0,043 p R v 1,000 O modelo de regressão representado pela eq 17 é capaz de explcar cerca de 87% da varabldade dos valores observados da atvdade (R 100), o que é um excelente nível de ajuste. A excelênca do ajuste é confrmada pelo baxo valor do desvopadrão (s = 0,17). Esses valores podem ser objetvamente analsados em termos de dos gráfcos: log 1/C Obs em função de log 1/C Prev e resíduos da regressão em função de log 1/C Obs (Fgura 4). No gráfco da atvdade observada em função da atvdade prevsta (Fgura 4a) é mportante observar o alnhamento dos pontos em relação à reta ajustada, bem como a dstrbução dos pontos ao longo do ntervalo de valores de atvdades estudado. Caso haja agrupamento de pontos em certas regões do gráfco e/ou pontos solados, prncpalmente nos extremos do gráfco, deve-se estudar com cudado o mpacto que a presença desses pontos tem sobre a estrutura da equação de regressão. A reconstrução do modelo na ausênca desses pontos deverá fornecer dados mportantes sobre sso. Na Fgura 4a, observa-se que, dos compostos estudados, 10 estão fora da área delmtada pelas lnhas tracejadas, que corresponde à regão do gráfco onde exste 95% de probabldade de passar a verdadera reta do gráfco log 1/C Obs em função de log 1/C Prev. Entretanto, oto dos compostos fora da regão tracejada encontram-se bem próxmos a ela. Apenas dos compostos apresentam desvos aprecáves, sendo eles os compostos 5 (4-I) e 6 (4-Me), cujos resíduos são, respectvamente, 0,34 e 0,45. Compostos que apresentam grandes resíduos num modelo de regressão são denomnados outlers. Na maora dos casos observados na lteratura, a detecção da presença de outlers é sucedda pela exclusão dos compostos correspondentes e pelo recálculo da equação. Este costuma ser o destno dos outlers, pos sua exclusão fatalmente melhora o grau de ajuste da equação. Pode ser mportante analsar o motvo do não ajuste de um outler a dado modelo, pos acredta-se que, assm fazendo, nformações mportantes sobre o mecansmo de ação dos compostos da sére podem ser obtdas 7,14. Na Fgura 4b, deve-se observar a dstrbução dos resíduos em torno de zero, que corresponde à lnha horzontal central. Espera-se que um modelo adequado aos dados observados tenha seus resíduos aleatoramente dspersos em torno de zero. E é exatamente sso o que se observa na Fgura 4b. log 1/C Obs Resíduos 10,0 9,6 9, 8,8 8,4 8,0 7,6 7, 7, 7,6 8,0 8,4 8,8 9, 9,6 10,0 0,6 0,4 0, 0,0-0, log 1/C Prev (a) -0,4 7, 7,6 8,0 8,4 8,8 9, 9,6 10,0 log 1/C Prev (b) Fgura 4. (a) Atvdade bológca observada em função da atvdade prevsta; (b) resíduos da regressão em função da atvdade prevsta. As lnhas tracejadas delmtam a regão dentro da qual o valor prevsto da atvdade dfere, no máxmo, 5% em relação ao valor observado. Grau de sgnfcânca do modelo O valor de referênca do teste F para um nível de confança de 95% (p = 0,05) é F (k, n-k-1) = F (, 19) = 3,5. Como o teste F da eq 17 (F = 6,54) é bem maor do que o correspondente valor de referênca (F (, 19) = 3,5), o nível de sgnfcânca do modelo também é bem maor do que 95%. Na verdade, como p < 0,000001, o nível de sgnfcânca do modelo é maor do que 99,9999%. Analsando-se o ntervalo de confabldade dos coefcentes, percebe-se que todos os coefcentes da regressão são sgnfcatvos, no nível de confança equvalente a 95%. Essa constatação decorre do fato de que os ntervalos de confança, mostrados entre parênteses juntos aos respectvos coe-

11 668 Gaudo & Zandonade Qum. Nova fcentes, apresentam valores nferores aos dos própros coefcentes. Por exemplo, o coefcente de π é 1,14 e seu ntervalo de confança é ±0,1. Portanto o valor verdadero desse coefcente, que se está tentando descobrr ao construr a equação de regressão, é algum valor entre 1,14-0,1 = 0,93 e 1, ,1 = 1,35, com 95% de probabldade. Caso o ntervalo de confança fosse maor do que o própro valor do coefcente, o ntervalo nclura o valor zero para o coefcente. Grau de prevsbldade do modelo Valores de Q próxmos à undade e de s PRESS próxmos a zero revelam alto grau de prevsbldade do modelo. Infelzmente não exstem regras que estabeleçam, em termos absolutos, se o grau de prevsbldade é bom ou rum a partr do valor de Q e s PRESS. Estes valores têm muto mas utldade quando se deseja comparar a capacdade de prevsão de dos modelos: o que possu maor Q e menor s PRESS possu maor grau de prevsbldade. Na eq 17, o valor de Q (0,808) é muto mas próxmo da undade do que de zero, ndcando bom poder de prevsão. Prncípo da parcmôna Trata-se de um prncípo fundamental que pode ser utlzado em todas as áreas da cênca. Em QSAR, é comum dsporse de mas de uma possbldade em termos de modelos para a escolha daquele que será consderado o melhor modelo de relação estrutura-atvdade. A necessdade da escolha de uma entre váras opções de modelos, aproxmadamente equvalentes, cra dúvdas em relação a qual deve ser consderado o melhor. Naturalmente que, em se tratando de modelos com o mesmo número de varáves explcatvas, deve-se dar preferênca para a equação que apresentar a melhor avalação (maor R, menor s, maor F, etc.). Nos casos em que os modelos possuírem dferentes números de varáves explcatvas, o prncípo da parcmôna aconselha a escolha do modelo com menor número de varáves. Mas é precso lembrar que esse prncípo deve ser aplcado somente quando se comparam modelos aproxmadamente equvalentes. Como saber se dos modelos com número de varáves dferentes são equvalentes se, nesses casos, os valores de R, s e F não podem ser dretamente comparados? Em stuações como essas, o coefcente de correlação ajustado (R Ajust, eq 10) e o p-valor são mas adequados à comparação, pos seus valores consderam correções para o número de varáves e para o número de compostos utlzados. Assm, a equação preferda sera aquela com o maor R Ajust e o menor p-valor. Como exemplo da aplcação do prncípo da parcmôna, podem-se comparar as eqs (Cammarata) e 3 (Unger e Hansch), recalculadas, supondo-se que ambas possam explcar adequadamente a atvdade dos compostos da sére (como fo dto na Introdução deste trabalho, sso não é verdade). Para sso, é necessáro recalcular a eq, da mesma forma como fo feto para a eq 3. Utlzando-se os dados da Tabela 4, o modelo de Cammarata passa a ser representado pela eq 18. log 1/C = 0,74 (±0,7) π m - 0,75 (±0,50) σ m + 1,67 (±0,7) r v p + 5,75 (±0,47) (18) (n = ; R = 0,959; s = 0,174; F = 68,55; p < 0,000001; Q = 0,874; s PRESS = 0,18) A pergunta é: qual, dentre as eqs 17 e 18, deve ser consderada como sendo a melhor? O prncípo da parcmôna dz que entre dos modelos (aproxmadamente) equvalentes devese optar pelo mas smples. Segundo esse prncípo, a eq 17 deve ser escolhda como sendo a melhor, pos contém uma varável a menos. No entanto, embora o julgamento do que seja mas smples seja relatvamente fácl, o julgamento do que seja (aproxmadamente) equvalente pode não ser. Para decdr sobre a equvalênca da qualdade estatístca das eqs 17 e 18, deve-se proceder à avalação das mesmas. A segur é mostrado o resultado dessa avalação. Análse do grau de ajuste Não é possível comparar os coefcentes de correlação das eq 17 (R = 0,93) e 18 (R = 0,959), pos essas equações possuem dferentes números de varáves. Neste caso, é precso comparar os coefcentes de correlação ajustados das duas equações. A eq 17 possu R Ajust = 0,94 enquanto que a eq 18 possu R Ajust = 0,95. Isso sgnfca que a eq 18 (Cammarata) possu maor grau de ajuste. Análse do grau de sgnfcânca Também não é possível comparar os valores dos teste F das eq 17 (F = 6,54) e 18 (F = 68,55), devdo ao número dferente de varáves envolvdas. É precso comparar o p-valor das duas equações. A eq 17 possu p < 0, e a eq 18 também possu p < 0, Assm, ambas as equações possuem aproxmadamente o mesmo grau de sgnfcânca. Análse do grau de prevsbldade A eq 17 possu Q = 0,808 e s PRESS = 0,6, enquanto que a eq 18 possu Q = 0,874 e s PRESS = 0,18. Portanto, a eq 18 (Cammarata) possu maor capacdade de fazer prevsões acerca da atvdade bológca de compostos não ncluídos no conjunto de dados do que a eq 17 (Unger e Hansch). Portanto, conclu-se que a eq 18 é superor à eq 17 em termos de ajuste e prevsbldade e é equvalente à eq 17 em termos de sgnfcânca. Em termos estatístcos, a conclusão óbva é que a eq 18 (Cammarata) é melhor do que a eq 17 (Unger e Hansch), mesmo tendo aquela uma varável a mas do que esta. Mas cabe outra pergunta: será que a superordade estatístca da eq 18 é tal que a torna não-equvalente à eq 17? Esta pergunta, como mutas outras semelhantes, não tem resposta exata pos não se dspõe de uma tabela contendo valores de referênca para auxlar a tomada de decsão. Porém, deve-se notar que, ao menos ntutvamente, os valores de R Ajust e Q das duas equações são próxmos (os desvos de R Ajust e Q, relatvos aos seus maores valores nas eqs 17 e 18, são % e 8%, respectvamente) e, não sendo muto exgente, podem-se consderá-las estatstcamente equvalentes. Uma vez consderadas equvalentes, aplca-se o prncípo da parcmôna. Neste caso, a melhor equação é a eq 17, pos é mas smples. Mas cabe uma observação fnal. O fato da eq 18 não ser consstente com o mecansmo de ação dos compostos envolvdos 1, torna a mesma não equvalente à eq 17, sendo, portanto, desnecessára a aplcação do prncípo da parcmôna. Pela nconsstênca com o mecansmo de ação, a eq 18 não podera se tornar um modelo de QSAR. Como fo dto anterormente, a análse comparatva das eqs 17 e 18 fo feta desprezando-se essa observação. Outra análse deste mesmo caso fo feta por Kubny 7. Número de varáves em cada modelo Baseado no trabalho de Toplss e Costello 71, Unger e Hansch 1 sugerem que, para cada varável explcatva ncluída em modelos de QSAR, devem haver, no mínmo, cerca de cnco ou ses compostos. Essa regra tenta evtar a ocorrênca de correlação por concdênca. No entanto, Kubny 7 ressalta que, para conjuntos de dados com poucos compostos, pode-se volar essa regra de forma controlada (por exemplo nclundo-se duas varáves quando se dspõe de apenas oto compostos), desde que a avalação do modelo justfque a presença dessas

12 Vol. 4, No. 5 Proposção, Valdação e Análse dos Modelos que Correlaconam Estrutura Químca e Atvdade Bológca 669 varáves. Além dsso, Kubny acrescenta que a dsponbldade de mutos compostos pode gerar modelos com grande número de varáves (um conjunto de dados com 36 compostos permtra a construção de modelos com sete varáves, o que pode ser um exagero), aumentando a probabldade de ocorrênca de correlação por concdênca. Enfm, vale dzer que esta é apenas uma regra geral. Serve apenas para guar os autores com pouca experênca em estatístca na elaboração de modelos de QSAR baseados em regressão lnear múltpla. Exemplo extremo de utlzação dessa regra é fornecdo por Km e colaboradores 7, que analsaram a atvdade antmalaral em ratos de nada menos do que 646 compostos dervados de fenantrenos, qunolnas e prdnas (eq 19, em que não será menconado o sgnfcado das varáves ctadas). log 1/C = 0,576 (+0,09) σ + 0,168 (+0,05) π + 0,105 (+0,05) log P - 0,167 (+0,07) log (βp + 1) - 0,169 (+0,10) c-sde + 0,319 (+0,136) CNR - 0,139 (+0,06) AB - 0,795 (+0,06) <3-cures + 0,78 (+0,11) MR-4 - (19) Q + 0,5 (+0,18) Me-6,8-Q + 0,084 (+0,10) -Pp + 0,151 (+0,19) NBrPy - 0,683 (+0,) QP ,67 (+0,11) Py +,76 (+0,15) (n = 646; R = 0,898; s = 0,309; log b = -3,959; log P Ótmo = 4,19) Neste modelo foram ncluídas 14 varáves, número que certamente é justfcado pela mensa quantdade de compostos analsados. Se a eq 19 for consstente com algum mecansmo de ação, fato que os autores não analsaram, esse mecansmo deverá ser extremamente complexo. Pode-se afrmar com alguma segurança que a eq 19 é o mas complexo modelo de QSAR já apresentado na lteratura. A lteratura também apresenta algumas equações que devem servr de exemplo negatvo quanto ao número de varáves explcatvas em relação ao número de compostos analsados. É o caso da eq 0, construída por Jha e colaboradores 73 para explcar a atvdade antneoplásca de dervados do ácdo glutâmco. log % ITW = 1,4111 (log P) - 0,5971 log P - 0,1714 π Al - 3,93 σ Al + 0,9595 E s Al - 6,6199 σ I + 1,349 (0) (n = 8; R = 0,991; s = 0,0310) Na eq 0, nota-se a presença de ses varáves explcatvas numa equação envolvendo apenas oto compostos. Pode-se observar que os autores avalaram apenas o grau de ajuste da equação (cálculo de R e s). A avalação do grau de sgnfcânca da equação certamente revelara que a mesma não possu qualdade estatístca mínma e, portanto, não pode representar um modelo de QSAR. Kubny 7 apontou outros erros nessa equação: (a) atvdade bológca em escala mprópra (escalas acetas são log 1/C, C = IC50, ED50, LD100, etc.; log 1/K, K = constante de nbção enzmátca; log k, k = constante cnétca ou de equlíbro de uma reação; etc.) ; (b) pequena varabldade dos valores da atvdade (a dferença entre o composto mas atvo e o menos atvo é de apenas 0,4 undade logarítmca; o mínmo aconselhável é cerca de duas undades logarítmcas); (c) snal dos coefcente de (log P) e log P ncorretos (parábola nvertda); (d) desvo-padrão nconsstente com o tpo de atvdade (modelos que descrevem a atvdade antneoplásca costumam gerar valores de s >> 0,3); (e) não há ntervalo de confança para os coefcentes; (f) casas decmas em excesso. Outro exemplo de aberração fo publcado recentemente por Kong e colaboradores 74 (eq 1). log EC 50 = 0,116 log K ow -,50 E homo - 6,69 E S + + 3,11 π - 0, χ ν (1) (n = 4; R = 0,99; s = 0,7) Nessa equação percebe-se que o número de varáves explcatvas excede o número de compostos (!). Neste caso, não é possível sequer fazer testes de avalação do grau de sgnfcânca e de prevsbldade da equação, pos não há graus de lberdade dsponíves. Alás, embora o cálculo dos coefcentes da equação e do coefcente de correlação anda sejam possíves, o cálculo do desvo-padrão não o é. De acordo com o Quadro, s = SS Res /(n-k-1) e, nesse caso, n-k-1 = -, mplcando em s < 0 (!). O número de graus de lberdade para o cálculo do desvo-padrão (n-k-1) pressupõe a exstênca de um termo constante na equação de regressão (b 0 ), que não fo ncluído na eq 1. Modelo qualtatvo para o mecansmo de ação dos compostos Além da valdação estatístca, é fundamental que uma equação de regressão que pretende ser promovda a modelo de QSAR deve ser valdada em termos de sua capacdade de explcação do mecansmo de ação dos compostos da sére analsada. É o caso da eq 3, que é consstente com o mecansmo de Iníco N Conjunto de dados Seleconar varáves Consstente com o mecansmo de ação? S Compor equações de QSAR Elmnar equação N Faz prevsões fora da sére? E statstcamente sgnfcatva? N S S N Acomoda compostos análogos? Fgura 5, Esquema geral de proposção de modelos de QSAR. Modfcar equação S Modelo acetável Fm

13 670 Gaudo & Zandonade Qum. Nova bloqueo da atvdade adrenérgca exercdo pelas β-halo-βarlalqulamnas 1, mostrado na Introdução deste trabalho. Pode-se resumr o conteúdo desta seção através de um dagrama de blocos mostrando as prncpas etapas da elaboração de modelos de QSAR (Fgura 5). Nesse esquema percebe-se o camnho relatvamente longo entre a construção da equação de regressão e o modelo propramente dto. Para ser consderada como um modelo de QSAR, além de ser estatstcamente acetável, a equação precsa ser consstente com algum mecansmo de ação acetável para os compostos da sére, caso contráro deverá ser descartada. Também a equação deverá ser capaz de fazer prevsões fora da sére de compostos testada. Esse aspecto nem sempre é felmente verfcado pos mplca na síntese de compostos adconas. O que se costuma fazer é utlzar o resultado da valdação cruzada como verfcação da capacdade de prevsão da equação. Fnalmente, a equação deverá ser capaz de acomodar compostos com estrutura semelhante aos já ncluídos na sére sem que a equação seja aprecavelmente modfcada. CONCLUSÕES A proposção de modelos quanttatvos de relações entre estrutura químca e atvdade bológca é baseada nas cnco regras geras de proposção de modelos de Unger e Hansch 1 : (a) seleconar as varáves ndependentes do modelo dentre grande número de varáves; (b) valdar estatstcamente as varáves seleconadas; (c) aplcar o prncípo da parcmôna; (d) cada modelo deve apresentar cerca de cnco compostos para cada varável ndependente e; (e) o modelo deve ser consstente com o mecansmo de ação dos compostos. A valdação estatístca das equações de regressão lnear é feta através da avalação do modelo, dvdda em três níves: (a) avalação do grau de ajuste; (b) avalação do grau de sgnfcânca e; (c) avalação do grau de prevsbldade da equação. Em cada uma das etapas da avalação, testes estatístcos específcos são executados e seus resultados avalados. Uma equação de regressão que sobrevve às regras de proposção de modelos e à avalação completa pode ser promovda a modelo quanttatvo de relação estrutura-atvdade. AGRADECIMENTOS Os autores agradecem à Pró-Retora de Pesqusa e Pós- Graduação da Unversdade Federal do Espírto Santo, PRPPG- UFES, e ao Conselho Naconal de Desenvolvmento Centífco e Tecnológco, CNPq, pelo auxílo fnancero. REFERÊNCIAS 1. Unger, S. H.; Hansch, C.; J. Med. Chem. 1973, 16, Hansch, C.; Len, E. J.; Bochem. Pharmacol. 1968, 17, Graham, J. D. P.; Karrar, M. A.; J. Med. Chem. 1963, 6, Fujta, T.; Hansch, C.; Iwasa, J.; J. Am. Chem. Soc. 1964, 86, Hammett, L. P.; J. Am. Chem. Soc. 1937, 59, Cammarata, A.; J. Med. Chem. 197, 15, Kubny, H.; QSAR: Hansch Analyss and Related Approaches. In: Methods and Prncples n Medcnal Chemstry; R. Mannhold, P. Krogsgaard-Larsen e H. Tmmerman Eds.; Vol. 1; VCH; Wenhem, Gaudo, A. C.; Qum. Nova 1996, 19, Karelson, M.; Lobanov, V. S.; Katrtzky, A. R.; Chem. Rev. 1996, 96, Kubny, H.; J. Med. Chem. 1976, 19, De Olvera, D. B.; Gaudo, A. C.; Quant. Struct. - Act. Relat 000, 19, Hansch, C.; Fujta, T.; J. Am. Chem. Soc. 1964, 86, Tute, M. S.; Adv. Drug. Res. 1971, 6, Martn,. C.; Quanttatve Drug Desgn: A Crtcal Introducton. Marcel Dekker; New ork, Draper, N. R.; Smth, H.; Appled Regresson Analyss. John Wley & Sons; New ork, Krsten, J. T.; Teora dos Modelos. Unversdade de São Paulo; São Paulo, Myers, R. H.; Classcal and Modern Regresson wth Applcatons. Duxbury Press; Boston, Kmenta, J.; Elemento de Econometra. Vol. ; Atlas; São Paulo, Danel, W. W.; Bostatstcs: A Foundaton for Analyss n the Health Scences. John Wley & Sons; New ork, Hoffman, R.; Vera, S.; Análse de Regressão: Uma Introdução à Econometra. Huctec; São Paulo, Bussab, W. O.; Análse de Varânca e Regressão: Métodos Quanttatvos. Atual; São Paulo, Hansch, C.; Dunn, W. J., III; J. Pharm. Sc. 197, 61, Hansch, C.; Clayton, J. M.; J. Pharm. Sc. 1973, 6, Kubny; J. Med. Chem. 1977, 0, Baron, M.; Clement, S.; Crucan, G.; Costantno, G.; Rganell, D.; Oberrauch, E.; J. Chemom. 199, 6, Crucan, G.; Baron, M.; Bonell, D.; Clement, S.; Ebert, C.; Skagerberg, B.; Quant. Struct.-Act. Relat. 1990, 9, Crucan, G.; Baron, M.; Clement, S.; Constantno, G.; Rganell, D.; Skagerberg, B.; J. Chemom. 199, 6, Cramer, R. D.; Bunce, J. D.; Patterson, D. E.; Frank, I. E.; Quant. Struct.-Act. Relat. 1988, 7, Hansch, C.; Leo, A.; Explorng QSAR: Fundamentals and Applcatons n Chemstry and Bology. Amercan Chemcal Socety; Washngton D. C., Hansch, C.; Leo, A.; Hoekman, D.; Explorng QSAR: Hydrophobc, Electronc, and Sterc Constants. Amercan Chemcal Socety; Washngton D.C., Hansch, C.; Annu. Rep. Med. Chem. 1966, 34, Hansch, C.; Rockwell, S. D.; Jow, P.. C.; Leo, A.; Steller, E. E.; J. Med. Chem. 1977, 0, Hansch, C.; Annu. Rep. Med. Chem. 1967, 35, Katrtzky, A. R.; Gordeeva, E. V.; J. Chem. Inf. Comp. Sc. 1993, 33, Ertl, P.; Quant. Struct.-Act. Relat. 1997, 16, Vaz, R. J.; Quant. Struct.-Act. Relat. 1997, 16, Clare, B. W.; Theor. Chm. Acta 1994, 87, Dearden, J. C.; Ghafouran, T.; J. Chem. Inf. Comp. Sc. 1999, 39, Bengn, R.; Cotta-Ramusno, M.; Gorg, F.; Gallo, G.; J. Med. Chem. 1995, 38, Good, A. C.; So, S.-S.; Rchards, W. G.; J. Med. Chem. 1993, 36, Fradera,.; Amat, L.; Besalú, E.; Carbó-Dorca, R.; Quant. Struct.-Act. Relat. 1997, 16, Lobato, M.; Amat, L.; Besalú, E.; Carbó-Dorca, R.; Quant. Struct.-Act. Relat. 1997, 16, Kubny, H.; Quant. Struct.-Act. Relat. 1994, 13, Kovalshyn, V. V.; Tetko, I. V.; Luk, A. I.; J. Chem. Inf. Comp. Sc. 1998, 38, Maddalena, D. J.; Exp. Opn. Ther. Patents 1998, 8, Waller, C. L.; Bradley, M. P.; J. Chem. Inf. Comp. Sc. 1999, 39, Lucc, B.; Trnajstc, N.; J. Chem. Inf. Comp. Sc. 1999, 39, So, S. S.; Karplus, M.; J. Med. Chem. 1997, 40, Tetko, I. V.; Vlla, A. E. P.; Lvngstone, D. J.; J. Chem. Inf. Comp. Sc. 1996, 36, So, S. -S.; Karplus, M.; J. Med. Chem. 1997, 40, Kubny, H.; Quant. Struct.-Act. Relat. 1994, 13, Murtaugh, P. A.; Commun. Stat.-Smul. 1998, 7, Maddalena, D. J.; Snowdon, G. M.; Exp. Opn. Ther. Patents 1997, 7, 47.

14 Vol. 4, No. 5 Proposção, Valdação e Análse dos Modelos que Correlaconam Estrutura Químca e Atvdade Bológca Hasegawa, K.; Kmura, T.; Funatsu, K.; J. Chem. Inf. Comp. Sc. 1999, 39, Hasegawa, K.; Funatsu, K.; J. Mol. Struct. (Theochem) 1998, 45, Kmura, T.; Hasegawa, K.; Funatsu, K.; J. Chem. Inf. Comp. Sc. 1998, 38, Tomnaga,.; Fujwara, I.; J. Chem. Inf. Comp. Sc. 1997, 37, Nornder, U.; Rvera, C.; Undén, A.; J. Pept. Res. 1997, 49, Kubny, H.; J. Chemom. 1996, 10, Schmdl, H.; Chemom. Intell. Lab. Syst. 1997, 37, Supuran, C. T.; Clare, B. W.; Eur. J. Med. Chem. 1995, 30, Mracec, M.; Muresan, S.; Mracec, M.; Smon, Z.; Náray- Szabó, G.; Quant. Struct.-Act. Relat. 1997, 16, Kelder, J.; Greven, H. M.; Rec. Trav. Chm. Pays-Bas - J. Royal Netherl. Chem. Soc. 1979, 98, Menzan, M. C.; De Benedett, P. G.; Karelson, M.; Boorg. Med. Chem. 1998, 6, Gaudo, A. C.; Dssertação de Mestrado; Uncamp, Campnas, SP, Selwood, D. L.; Lvngstone, D. J.; Comley, J. C. W.; O Dowd, A. B.; Hudson, A. T.; Jackson, P.; Jandu, K. S.; Rose, V. S.; Stables, J. N.; J. Med. Chem. 1990, 33, Cocch, M.; Menzan, M. C.; Fanell, F.; De Benedett, P. G.; J. Mol. Struct. (Theochem) 1995, 331, Gaudo, A. C.; Tese de Doutorado; Uncamp, Campnas, SP, Hansch, C.; Leo, A.; Taft, R. W.; Chem. Rev. 1991, 91, Ferrera, M. M. C.; Antunes, A. M.; Melo, M. S.; Volpe, P. L. O.; Qum. Nova 1999,, Toplss, J. G.; Costello, R. J.; J. Med. Chem. 197, 15, Km, K. H.; Hansch, C.; Fukunaga, J..; Steller, E. E.; Jow, P.. C.; Crag, P. N.; Page, J.; J. Med. Chem. 1979,, Jha, T.; Debnath, A. K.; Mazumdar, A.; Sengupta, C.; De, A. U.; Indan J. Chem. 1986, 5, Kong, F..; Hu, W.; Lu,.; Envron. Exp. Bot. 1998, 40, 105.

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.

TEORIA 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 mais

Regressão e Correlação Linear

Regressão e Correlação Linear Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,

Leia mais

Introdução e Organização de Dados Estatísticos

Introdução e Organização de Dados Estatísticos II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar

Leia mais

Estimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel

Estimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,

Leia mais

NOTA II TABELAS E GRÁFICOS

NOTA II TABELAS E GRÁFICOS Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.

Leia mais

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre

Leia mais

7. Resolução Numérica de Equações Diferenciais Ordinárias

7. Resolução Numérica de Equações Diferenciais Ordinárias 7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem

Leia mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno

Leia mais

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria Unversdade do Estado do Ro de Janero Insttuto de Matemátca e Estatístca Econometra Revsão de modelos de regressão lnear Prof. José Francsco Morera Pessanha professorjfmp@hotmal.com Regressão Objetvo: Estabelecer

Leia mais

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG 1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o

Leia mais

Sistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?

Sistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar? Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda

Leia mais

Influência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção

Influência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos

Leia mais

www.obconcursos.com.br/portal/v1/carreirafiscal

www.obconcursos.com.br/portal/v1/carreirafiscal www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,

Leia mais

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é: UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje

Leia mais

Cálculo do Conceito ENADE

Cálculo do Conceito ENADE Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação

Leia mais

Análise Fatorial F 1 F 2

Análise Fatorial F 1 F 2 Análse Fatoral Análse Fatoral: A Análse Fatoral tem como prncpal objetvo descrever um conjunto de varáves orgnas através da cração de um número menor de varáves (fatores). Os fatores são varáves hpotétcas

Leia mais

I. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que

I. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que DESEMPREGO DE JOVENS NO BRASIL I. Introdução O desemprego é vsto por mutos como um grave problema socal que vem afetando tanto economas desenvolvdas como em desenvolvmento. Podemos dzer que os índces de

Leia mais

REGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como:

REGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como: REGRESSÃO LOGÍSTCA. ntrodução Defnmos varáves categórcas como aquelas varáves que podem ser mensurados usando apenas um número lmtado de valores ou categoras. Esta defnção dstngue varáves categórcas de

Leia mais

Escolha do Consumidor sob condições de Risco e de Incerteza

Escolha do Consumidor sob condições de Risco e de Incerteza 9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera

Leia mais

Controlo Metrológico de Contadores de Gás

Controlo Metrológico de Contadores de Gás Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade

Leia mais

Controle Estatístico de Qualidade. Capítulo 8 (montgomery)

Controle Estatístico de Qualidade. Capítulo 8 (montgomery) Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado

Leia mais

Análise Econômica da Aplicação de Motores de Alto Rendimento

Análise Econômica da Aplicação de Motores de Alto Rendimento Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente

Leia mais

INTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS

INTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3

Leia mais

Covariância e Correlação Linear

Covariância e Correlação Linear TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento

Leia mais

2 Máquinas de Vetor Suporte 2.1. Introdução

2 Máquinas de Vetor Suporte 2.1. Introdução Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de

Leia mais

Aula 03 Erros experimentais Incerteza. Aula 03 Prof. Valner Brusamarello

Aula 03 Erros experimentais Incerteza. Aula 03 Prof. Valner Brusamarello Aula 03 Erros epermentas Incerteza Aula 03 Prof. Valner Brusamarello Incerteza Combnada Efeto da Incerteza sobre = f ± u, ± u, L, ± u, L ( ) 1 1 Epansão em Sére de Talor: k k L f = f 1,, 3, + ± uk + L,,,

Leia mais

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade

Leia mais

Introdução à Análise de Dados nas medidas de grandezas físicas

Introdução à Análise de Dados nas medidas de grandezas físicas Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.

Leia mais

Termodinâmica e Termoquímica

Termodinâmica e Termoquímica Termodnâmca e Termoquímca Introdução A cênca que trata da energa e suas transformações é conhecda como termodnâmca. A termodnâmca fo a mola mestra para a revolução ndustral, portanto o estudo e compreensão

Leia mais

UNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR

UNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma

Leia mais

ÍNDICE NOTA INTRODUTÓRIA

ÍNDICE NOTA INTRODUTÓRIA OGC00 05-0-06 ÍDICE. Introdução. Âmbto e defnções 3. Avalação da ncerteza de medção de estmatvas das grandezas de entrada 4. Cálculo da ncerteza-padrão da estmatva da grandeza 5 de saída 5. Incerteza de

Leia mais

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados

Leia mais

Estimativa dos fluxos turbulentos de calor sensível, calor latente e CO 2, sobre cana-de-açúcar, pelo método do coespectro.

Estimativa dos fluxos turbulentos de calor sensível, calor latente e CO 2, sobre cana-de-açúcar, pelo método do coespectro. Estmatva dos fluxos turbulentos de calor sensível, calor latente e CO 2, sobre cana-de-açúcar, pelo método do coespectro. O. L. L. Moraes 1, H. R. da Rocha 2, M. A. Faus da Slva Das 2, O Cabral 3 1 Departamento

Leia mais

Rastreando Algoritmos

Rastreando Algoritmos Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos

Leia mais

Sinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS.

Sinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS. Snas Lumnosos 1-Os prmeros snas lumnosos Os snas lumnosos em cruzamentos surgem pela prmera vez em Londres (Westmnster), no ano de 1868, com um comando manual e com os semáforos a funconarem a gás. Só

Leia mais

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações. 1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação

Leia mais

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 22 a 25 Novembro de 2009 Recfe - PE GRUPO XIII GRUPO DE ESTUDO DE TRANSFORMADORES, REATORES, MATERIAIS E TECNOLOGIAS

Leia mais

LQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05

LQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05 LQA - LEFQ - EQ -Químca Analítca Complemantos Teórcos 04-05 CONCEITO DE ERRO ALGARISMOS SIGNIFICATIVOS Embora uma análse detalhada do erro em Químca Analítca esteja fora do âmbto desta cadera, sendo abordada

Leia mais

14. Correntes Alternadas (baseado no Halliday, 4 a edição)

14. Correntes Alternadas (baseado no Halliday, 4 a edição) 14. orrentes Alternadas (baseado no Hallday, 4 a edção) Por que estudar orrentes Alternadas?.: a maora das casas, comérco, etc., são provdas de fação elétrca que conduz corrente alternada (A ou A em nglês):

Leia mais

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos. Insttuto de Físca de São Carlos Laboratóro de Eletrcdade e Magnetsmo: Transferênca de Potênca em Crcutos de Transferênca de Potênca em Crcutos de Nesse prátca, estudaremos a potênca dsspada numa resstênca

Leia mais

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M. Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta

Leia mais

MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE

MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE R. L. S. CANEVESI 1, C. L. DIEL 2, K. A. SANTOS 1, C. E. BORBA 1, F. PALÚ 1, E. A. DA SILVA 1 1 Unversdade Estadual

Leia mais

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2 Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer

Leia mais

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado) 5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de

Leia mais

PARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.

PARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis. EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve

Leia mais

1 Princípios da entropia e da energia

1 Princípios da entropia e da energia 1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção

Leia mais

Capítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2

Capítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2 Capítulo O plano compleo Introdução Os números compleos começaram por ser ntrodudos para dar sentdo à resolução de equações polnomas do tpo Como os quadrados de números reas são sempre maores ou guas a

Leia mais

RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS

RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Defnções RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Problemas de Valor Incal PVI) Métodos de passo smples Método de Euler Métodos de sére de Talor Métodos de Runge-Kutta Equações de ordem superor Métodos

Leia mais

MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS

MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-5142 MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS Ângelo Márco Olvera Sant Anna* Carla Schwengber ten Caten Programa de Pós-graduação

Leia mais

Análise logística da localização de um armazém para uma empresa do Sul Fluminense importadora de alho in natura

Análise logística da localização de um armazém para uma empresa do Sul Fluminense importadora de alho in natura Análse logístca da localzação de um armazém para uma empresa do Sul Flumnense mportadora de alho n natura Jader Ferrera Mendonça Patríca Res Cunha Ilton Curty Leal Junor Unversdade Federal Flumnense Unversdade

Leia mais

O migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial

O migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial O mgrante de retorno na Regão Norte do Brasl: Uma aplcação de Regressão Logístca Multnomal 1. Introdução Olavo da Gama Santos 1 Marnalva Cardoso Macel 2 Obede Rodrgues Cardoso 3 Por mgrante de retorno,

Leia mais

Professor Mauricio Lutz CORRELAÇÃO

Professor Mauricio Lutz CORRELAÇÃO Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,

Leia mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF) PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra

Leia mais

01. Em porcentagem das emissões totais de gases do efeito estufa, o Brasil é o quarto maior poluidor, conforme a tabela abaixo:

01. Em porcentagem das emissões totais de gases do efeito estufa, o Brasil é o quarto maior poluidor, conforme a tabela abaixo: PROCESSO SELETIVO 7 RESOLUÇÃO MATEMÁTICA Rosane Soares Morera Vana, Luz Cláudo Perera, Lucy Tem Takahash, Olímpo Hrosh Myagak QUESTÕES OBJETIVAS Em porcentagem das emssões totas de gases do efeto estufa,

Leia mais

MAE5778 - Teoria da Resposta ao Item

MAE5778 - Teoria da Resposta ao Item MAE5778 - Teora da Resposta ao Item Fernando Henrque Ferraz Perera da Rosa Robson Lunard 1 de feverero de 2005 Lsta 2 1. Na Tabela 1 estão apresentados os parâmetros de 6 tens, na escala (0,1). a b c 1

Leia mais

Atribuição Automática de Propagandas a Páginas da Web

Atribuição Automática de Propagandas a Páginas da Web Atrbução Automátca de Propagandas a Págnas da Web Aníso Mendes Lacerda Lara Crstna Rodrgues Coelho Resumo O problema da propaganda dreconada baseada em conteúdo (PDC) consttu-se em atrbur propagandas a

Leia mais

Distribuição de Massa Molar

Distribuição de Massa Molar Químca de Polímeros Prof a. Dr a. Carla Dalmoln carla.dalmoln@udesc.br Dstrbução de Massa Molar Materas Polmércos Polímero = 1 macromolécula com undades químcas repetdas ou Materal composto por númeras

Leia mais

CQ110 : Princípios de FQ

CQ110 : Princípios de FQ CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

Exercícios de Física. Prof. Panosso. Fontes de campo magnético

Exercícios de Física. Prof. Panosso. Fontes de campo magnético 1) A fgura mostra um prego de ferro envolto por um fo fno de cobre esmaltado, enrolado mutas vezes ao seu redor. O conjunto pode ser consderado um eletroímã quando as extremdades do fo são conectadas aos

Leia mais

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação

Leia mais

Avaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe

Avaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe Avalação da Tendênca de Precptação Pluvométrca Anual no Estado de Sergpe Dandara de Olvera Félx, Inaá Francsco de Sousa 2, Pablo Jónata Santana da Slva Nascmento, Davd Noguera dos Santos 3 Graduandos em

Leia mais

Palavras-chave: jovens no mercado de trabalho; modelo de seleção amostral; região Sul do Brasil.

Palavras-chave: jovens no mercado de trabalho; modelo de seleção amostral; região Sul do Brasil. 1 A INSERÇÃO E O RENDIMENTO DOS JOVENS NO MERCADO DE TRABALHO: UMA ANÁLISE PARA A REGIÃO SUL DO BRASIL Prscla Gomes de Castro 1 Felpe de Fgueredo Slva 2 João Eustáquo de Lma 3 Área temátca: 3 -Demografa

Leia mais

Testando um Mito de Investimento : Eficácia da Estratégia de Investimento em Ações de Crescimento.

Testando um Mito de Investimento : Eficácia da Estratégia de Investimento em Ações de Crescimento. Testando um Mto de Investmento : Efcáca da Estratéga de Investmento em Ações de Crescmento. Autora: Perre Lucena Rabon, Odlon Saturnno Slva Neto, Valera Louse de Araújo Maranhão, Luz Fernando Correa de

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu

Leia mais

ALGORITMOS GENÉTICOS COMO FERRAMENTA AUXILIAR NA TOMADA DE DECISÃO EM ATIVIDADES DE GESTÃO AGROINDUSTRIAL

ALGORITMOS GENÉTICOS COMO FERRAMENTA AUXILIAR NA TOMADA DE DECISÃO EM ATIVIDADES DE GESTÃO AGROINDUSTRIAL ALGORITMOS GENÉTICOS COMO FERRAMENTA AUXILIAR NA TOMADA DE DECISÃO EM ATIVIDADES DE GESTÃO AGROINDUSTRIAL Danlo Augusto Hereda VIEIRA 1 Celso Correa de SOUZA 2 José Francsco dos REIS NETO 3 Resumo. As

Leia mais

MAPEAMENTO DA VARIABILIDADE ESPACIAL

MAPEAMENTO DA VARIABILIDADE ESPACIAL IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal

Leia mais

ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgaris NA EXISTÊNCIA DE MULTICOLINEARIDADE

ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgaris NA EXISTÊNCIA DE MULTICOLINEARIDADE ADRIANO VICTOR LOPES DA SILVA ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgars NA EXISTÊNCIA DE MULTICOLINEARIDADE RECIFE-PE Feverero /2008. Lvros Gráts

Leia mais

Geração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3

Geração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 Geração de poses de faces utlzando Actve Appearance Model Tupã Negreros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 1, 2, 3 Escola Poltécnca da Unversdade de São Paulo (POLI/USP) Caxa Postal 61548 CEP 05508-900

Leia mais

1 INTRODUÇÃO. 1 Segundo Menezes-Filho (2001), brasileiros com ensino fundamental completo ganham, em média, três vezes

1 INTRODUÇÃO. 1 Segundo Menezes-Filho (2001), brasileiros com ensino fundamental completo ganham, em média, três vezes A amplação da jornada escolar melhora o desempenho acadêmco dos estudantes? Uma avalação do programa Escola de Tempo Integral da rede públca do Estado de São Paulo 1 INTRODUÇÃO O acesso à educação é uma

Leia mais

Princípios do Cálculo de Incertezas O Método GUM

Princípios do Cálculo de Incertezas O Método GUM Prncípos do Cálculo de Incertezas O Método GUM João Alves e Sousa Laboratóro Regonal de Engenhara Cvl - LREC Rua Agostnho Perera de Olvera, 9000-64 Funchal, Portugal. E-mal: jasousa@lrec.pt Resumo Em anos

Leia mais

1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.

1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL. A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.

Leia mais

E FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL

E FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL E FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL Clarssa Côrtes Pres Ernesto Cordero Marujo José Cechn Superntendente Executvo 1 Apresentação Este artgo examna se o rankng das Undades

Leia mais

Eletricidade 3 Questões do ENEM. 8. Campo Elétrico 11 Questões do ENEM 13. Energia Potencial Elétrica 15 Questões do ENEM 20

Eletricidade 3 Questões do ENEM. 8. Campo Elétrico 11 Questões do ENEM 13. Energia Potencial Elétrica 15 Questões do ENEM 20 1 4º Undade Capítulo XIII Eletrcdade 3 Questões do ENEM. 8 Capítulo XIV Campo Elétrco 11 Questões do ENEM 13 Capítulo XV Energa Potencal Elétrca 15 Questões do ENEM 20 Capítulo XVI Elementos de Um Crcuto

Leia mais

IV - Descrição e Apresentação dos Dados. Prof. Herondino

IV - Descrição e Apresentação dos Dados. Prof. Herondino IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser

Leia mais

UM ESTUDO SOBRE A DESIGUALDADE NO ACESSO À SAÚDE NA REGIÃO SUL

UM ESTUDO SOBRE A DESIGUALDADE NO ACESSO À SAÚDE NA REGIÃO SUL 1 UM ESTUDO SOBRE A DESIGUALDADE NO ACESSO À SAÚDE NA REGIÃO SUL Área 4 - Desenvolvmento, Pobreza e Eqüdade Patríca Ullmann Palermo (Doutoranda PPGE/UFRGS) Marcelo Savno Portugal (Professor do PPGE/UFRGS)

Leia mais

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS

Leia mais

Determinantes da Desigualdade de Renda em Áreas Rurais do Nordeste.

Determinantes da Desigualdade de Renda em Áreas Rurais do Nordeste. Determnantes da Desgualdade de Renda em Áreas Ruras do Nordeste. Autores FLÁVIO ATALIBA BARRETO DÉBORA GASPAR JAIR ANDRADE ARAÚJO Ensao Sobre Pobreza Nº 18 Março de 2009 CAEN - UFC Determnantes da Desgualdade

Leia mais

ANÁLISE ESTATÍSTICA DE CORRELAÇÕES PVT DE PETRÓLEOS

ANÁLISE ESTATÍSTICA DE CORRELAÇÕES PVT DE PETRÓLEOS UNIVERSIDADE FEDERAL DO ESÍRITO SANTO CENTRO TECNOLÓGICO ROGRAMA DE ÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA GARBEN BRAVIM GOMES ANÁLISE ESTATÍSTICA DE CORRELAÇÕES VT DE ETRÓLEOS VITÓRIA 8 GARBEN BRAVIM GOMES

Leia mais

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00) Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Eletricidade 3. Campo Elétrico 8. Energia Potencial Elétrica 10. Elementos de Um Circuito Elétrico 15. Elementos de Um Circuito Elétrico 20

Eletricidade 3. Campo Elétrico 8. Energia Potencial Elétrica 10. Elementos de Um Circuito Elétrico 15. Elementos de Um Circuito Elétrico 20 1 3º Undade Capítulo XI Eletrcdade 3 Capítulo XII Campo Elétrco 8 Capítulo XIII Energa Potencal Elétrca 10 Capítulo XIV Elementos de Um Crcuto Elétrco 15 Capítulo XV Elementos de Um Crcuto Elétrco 20 Questões

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

Uso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada

Uso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, 1 a 4 de out de 003 Uso dos gráfcos de controle da regressão no processo de polução em uma nterseção snalzada Luz Delca Castllo Vllalobos

Leia mais

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,

Leia mais

Associação de resistores em série

Associação de resistores em série Assocação de resstores em sére Fg.... Na Fg.. está representada uma assocação de resstores. Chamemos de I, B, C e D. as correntes que, num mesmo nstante, passam, respectvamente pelos pontos A, B, C e D.

Leia mais

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da

Leia mais

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução Controle de qualdade de produto cartográfco aplcado a magem de alta resolução Nathála de Alcântara Rodrgues Alves¹ Mara Emanuella Frmno Barbosa¹ Sydney de Olvera Das¹ ¹ Insttuto Federal de Educação Cênca

Leia mais

Hoje não tem vitamina, o liquidificador quebrou!

Hoje não tem vitamina, o liquidificador quebrou! A U A UL LA Hoje não tem vtamna, o lqudfcador quebrou! Essa fo a notíca dramátca dada por Crstana no café da manhã, lgeramente amenzada pela promessa de uma breve solução. - Seu pa dsse que arruma à note!

Leia mais

Análise da Situação Ocupacional de Crianças e Adolescentes nas Regiões Sudeste e Nordeste do Brasil Utilizando Informações da PNAD 1999 *

Análise da Situação Ocupacional de Crianças e Adolescentes nas Regiões Sudeste e Nordeste do Brasil Utilizando Informações da PNAD 1999 * Análse da Stuação Ocupaconal de Cranças e Adolescentes nas Regões Sudeste e Nordeste do Brasl Utlzando Informações da PNAD 1999 * Phllppe George Perera Gumarães Lete PUC Ro/Depto. De Economa IBGE/ENCE

Leia mais

Universidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas

Universidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema

Leia mais

Impactos dos encargos sociais na economia brasileira

Impactos dos encargos sociais na economia brasileira Impactos dos encargos socas na economa braslera Mayra Batsta Btencourt Professora da Unversdade Federal de Mato Grosso do Sul Erly Cardoso Texera Professor da Unversdade Federal de Vçosa Palavras-chave

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli

UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 7 ANÁLISE DE REGRESSÃO LINEAR Cesar Augusto Taconel Curtba-PR . INTRODUÇÃO Taconel, C.A. Análse de Regressão Lnear Ao se tratar da relação

Leia mais

Variáveis dummy: especificações de modelos com parâmetros variáveis

Variáveis dummy: especificações de modelos com parâmetros variáveis Varáves dummy: especfcações de modelos com parâmetros varáves Fabríco Msso, Lucane Flores Jacob Curso de Cêncas Econômcas/Unversdade Estadual de Mato Grosso do Sul E-mal: fabrcomsso@gmal.com Departamento

Leia mais

Nota Técnica Médias do ENEM 2009 por Escola

Nota Técnica Médias do ENEM 2009 por Escola Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos

Leia mais

Expressão da Incerteza de Medição para a Grandeza Energia Elétrica

Expressão da Incerteza de Medição para a Grandeza Energia Elétrica 1 a 5 de Agosto de 006 Belo Horzonte - MG Expressão da ncerteza de Medção para a Grandeza Energa Elétrca Eng. Carlos Alberto Montero Letão CEMG Dstrbução S.A caletao@cemg.com.br Eng. Sérgo Antôno dos Santos

Leia mais

Visualização Científica no Contexto de Métodos Meshfree: Aprimoramento de Algoritmos Clássicos

Visualização Científica no Contexto de Métodos Meshfree: Aprimoramento de Algoritmos Clássicos Vsualzação Centífca no Contexto de Métodos Meshfree: Aprmoramento de Algortmos Clásscos Gleber N. Marques 1, André F. Perera 1,, Dárley D. de Almeda 1, e Gsele F. Franco 1 1 Laboratóro de Modelagem, Smulação

Leia mais

Informação. Nota: Tradução feita por Cláudio Afonso Kock e Sérgio Pinheiro de Oliveira.

Informação. Nota: Tradução feita por Cláudio Afonso Kock e Sérgio Pinheiro de Oliveira. Informação Esta publcação é uma tradução do Gua de Calbração EURAMET Gua para a Estmatva da Incerteza em Medções de Dureza (EURAMET/cg-16/v.01, July 007). Os dretos autoras do documento orgnal pertencem

Leia mais

ISEP - ÍNDICE DE SHARPE ESCOLAR A PARTIR DA PROVA BRASIL: CRIAÇÃO E ESTUDO

ISEP - ÍNDICE DE SHARPE ESCOLAR A PARTIR DA PROVA BRASIL: CRIAÇÃO E ESTUDO ISEP - ÍNDICE DE SHARPE ESCOLAR A PARTIR DA PROVA BRASIL: CRIAÇÃO E ESTUDO Roberta Montello Amaral (UNIFESO) amaralroberta@yahoo.com.br Crado em 1990, o Saeb é um sstema de avalação do MEC que, junto à

Leia mais

Universidade de Lisboa Faculdade de Ciências. Departamento de Estatística e Investigação Operacional

Universidade de Lisboa Faculdade de Ciências. Departamento de Estatística e Investigação Operacional Unversdade de Lsboa Faculdade de Cêncas Departamento de Estatístca e Investgação Operaconal Síndrome Coronáro Agudo: Análse do mpacto das varáves sócodemográfcas, ambentas e clíncas na demora méda entre

Leia mais