ANÁLISE MULTICRITÉRIO COM PREFERÊNCIAS DESCONHECIDAS: UMA APLICAÇÃO DO MÉTODO SMAA-2
|
|
- Marcela Bernardes Van Der Vinne
- 8 Há anos
- Visualizações:
Transcrição
1 ANÁLISE MULTICRITÉRIO COM PREFERÊNCIAS DESCONHECIDAS: UMA APLICAÇÃO DO MÉTODO SMAA-2 Luz Flavo Autran Montero Gomes Ibme/RJ Av. Presdente Wlson 118, Sala 1110, Ro de Janero, RJ Luís Alberto Dunan Rangel UFF - Esola de Engenhara Industral Metalúrga de Volta Redonda, Av. dos Trabalhadores 420, Vla Santa Ceíla, , Volta Redonda, RJ Hdunan@metal.eemvr.uff.brH Resumo As aplações do Apoo Multrtéro à Desão são normalmente dependentes das expltações das preferênas dos desores por alternatvas para ada rtéro, bem omo das avalações, por tas agentes, das mportânas relatvas dos rtéros. Busando-se resolver problemas de avalação e desão multrtéro nos quas essas preferênas, juntamente om tas mportânas relatvas, não estão dsponíves, pesqusadores fnlandeses desenvolveram, na últma déada, a famíla de métodos SMAA, omo SMAA-1, SMAA-D, SMAA-O, SMAA-2, SMAA-3, SMAA-A, SMAA-TRI, Ref-SMAA e SMAA-P. Estes métodos onsstem, em essêna, na formulação de problemas nversos no espaço de pesos, resultando na resolução de ntegras multdmensonas, sendo assm propíos ao tratamento por smulação de Monte Carlo. Neste artgo apresentam-se os prnpas onetos de tal famíla e mostra-se uma aplação numéra de um dos mas mportantes dentre esses métodos, o SMAA-2. Conlu-se pela propredade da aplação dos métodos SMAA dante da supratada nexstêna das nformações e reomenda-se um futuro desenvolvmento de pesqusa. PALAVRAS CHAVE: Desões multrtéro sob desonhemento das preferênas Resolução de ntegras múltplas por smulação Apoo Multrtéro à Desão Abstrat Applatons of Multrtera Deson Adng are normally dependent on preferenes onernng alternatves for eah rteron. They are also dependent on measures of mportane of rtera. Ether suh preferenes or measures are not avalable or are hghly unertan Fnnsh researhers have developed n the last deade a famly of analytal methods named SMAA. Methods belongng to ths famly are SMAA-1, SMAA-D, SMAA-O, SMAA-2, SMAA-3, SMAA-A, SMAA-TRI, Ref-SMAA and SMAA-P. Those onsst n essene n formulatng nverse problems n the weght spae. Those problems lead to solvng multdmensonal ntegrals and an be approahed by Monte Carlo smulaton. In ths artle major onepts of SMAA methods are presented. A numeral applaton example of one of the most mportant among these methods, the SMAA-2 method, s shown. The artle loses by pontng out the approprateness of usng SMAA methods when the above-mentoned lmtatons preval. A future researh development s reommended. KEYWORDS: Multrtera desons under unnown preferenes Resoluton of multple ntegrals by smulaton Dsrete multrtera deson adng 3213
2 1. Introdução A tomada de desão no mundo orporatvo enfrenta desafos ada vez mas omplexos nfluenados por fatores dversos tas omo a dsponbldade de reursos fnaneros, reursos humanos, polítas nternas e externas, varáves ténas e estratégas, dentre outros. A velodade em que desões presam ser tomadas e exeutadas pode resultar em ganhos de vantagem ompettva em alguns momentos, assm omo em perdas sgnfatvas em outros. Este aspeto passa pelo desonhemento a pror de enáros futuros, gerando nsegurança quanto aos resultados orundos da tomada de desão em stuações omplexas e uma neessdade resente de faltar-se o proesso desóro em ambentes de rso e nerteza. Embora o advento de um ampo de onhemento denomnado Apoo Multrtéro à Desão, na segunda metade do séulo passado, tenha enrquedo onsderavelmente o proesso de análse de desão em ambentes omplexos, anda assm as desões sempre se dão em meo ao rso e à nerteza (BELTON & STEWART, 2002; GOMES, ARAYA & CARIGNANO, 2004). Por outro lado, embora exsta uma oferta expressva de métodos analítos para apoo multrtéro à desão, a quase totaldade de tas métodos parte tradonalmente da premssa segundo a qual as preferênas dos agentes de desão são reveladas de uma forma presa ou, alternatvamente, que tas preferênas podem ser tratadas por ténas para modelagem de mpresão e nerteza, tas omo onjuntos nebulosos, onjuntos aproxmatvos, métodos ntervalares ou, anda, a teora de evdêna de Dempster-Shafer (FIGUEIRA, GRECO & EHRGOTT, 2005; SALICONE, 2007). Desta forma, na tentatva de analsar e resolver problemas de tomada de desão em presença de múltplos rtéros, bem omo de gnorâna, mpresão e nerteza, pesqusadores flandeses reentemente desenvolveram uma nova famíla de métodos. Esta famíla denomna-se Análse Multrtéro Estoásta de Aetabldade, ou, sntetamente, SMAA (de Stohast Multrtera Aeptablty Analyss). Os métodos desta famíla tem sdo desenvolvdo para abordar problemas multrtéro de seleção (Pα), ordenamento ou ranng (Pγ), ou lassfação (Pβ). Assm, aetando o desonhemento dos parâmetros do problema, os métodos SMAA tem omo base uma análse nversa do espaço de valores váves desses parâmetros. Por onsegunte, tomando-se omo exemplo um problema de ordenamento, o que um método SMAA orrespondente (no aso, o SMAA-O) faz é, em essêna, alular as probabldades de que as alternatvas tenham determnadas posções no ordenamento desejado. Este artgo apresenta as déas entras dos métodos SMAA, bem omo um exemplo numéro de aplação de um dos mas mportantes dentre esses métodos, o SMAA A Famíla de Métodos SMAA A vsão subjaente aos métodos SMAA onsste em abordar-se o problema de desão de uma forma nversa: ao nvés de busar os valores dos parâmetros e, através de um álulo por um método multrtéro, obter-se uma resposta para tal problema, dentfam-se os valores dos parâmetros do problema que resultam em dferentes resultados (TERVONEN & LAHDELMA, 2007; TERVONEN & FIGUEIRA, 2008). Desta forma, pode-se afrmar que os métodos SMAA tem raízes nos artgos de Charnets (1973) e Charnets & Soland (1978), na medda em que estes autores busaram alular, para ada alternatva, o volume do espaço multdmensonal de pesos que torna ada alternatva a mas preferda dentre todas. Também tem a ver om a proposta de Retveld (1980), depos amplada em Retveld & Ouwersloot (1992); nestas, seus autores apresentaram formulações smlares às daqueles dos prmeros autores, embora para problemas om rtéros ordnas e nformação ordnal sobre preferênas. Fnalmente, pode-se anda afrmar que o trabalho de Bana e Costa (1986) sobre rtéro de ompromsso global é outro preursor dos métodos SMAA, na medda em que esse autor propôs, porém para três rtéros apenas, alular-se a quantdade de onflto entre as preferênas de dferentes desores de modo a defnr-se uma função de densdade de probabldade onjunta para o espaço de pesos. Os métodos da famíla SMAA são, além do SMAA-1 (LAHDELMA, HOKKANEN & SALMINEN, 1998), SMAA-D (LAHDELMA, SALMINEN & HOKKANEN, 1999), SMAA-O (LAHDELMA, MIETTINEN & SALMINEN, 2003), SMAA-2 (LAHDELMA; SALMINEN, 2001), SMAA-3 (LAHDELMA & SALMINEN, 2002), SMAA-A (LAHDELMA, MIETTINEN 3214
3 P (w) segundo P maor & SALMINEN, 2002), Ref-SMAA (LAHDELMA, MIETTINEN & SALMINEN, 2005), SMAA-TRI (TERVONEN et al., 2007), e SMAA-P (LAHDELMA & SALMINEN, 2009). Sejam m alternatvas X = {xb1b,..., xbb,..., xbmb} e n rtéros {gb1b,...,gbjb,...,gbnb}. Por gbj B(xBB) desgna-se a avalação da alternatva xbb o rtéro gbjb. A famíla de métodos SMAA parte da premssa de que a estrutura de preferênas do desor pode ser representada por uma função de utldade (KEENEY & RAIFFA, 1976) de valor real u (xbb,w), assoada às dferentes alternatvas e dependente dos valores dos omponentes do vetor de pesos w W. Consdere-se também que podem haver múltplos desores e ada um destes desores tem uma estrutura de preferênas representada por um vetor de pesos ndvdual w e uma função de utldade de valor real u (xbb,w), om uma forma onsensualmente aeta. A função de utldade lnear, mostrada na Equação (1), é a mas omumente empregada: n u( x, w) = w u ( x ) (1) j= 1 j j j Sendo os supratados pesos dos rtéros valores não-negatvos e normalzados, esreve-se o espaço de pesos vável omo sendo n n W = { w R : w 0 w j} (2) j= 1 A função de utldade total mostrada em (1) é uma função onvexa de funções de utldade paras u j ( x j ), lendo-se os valores dos pesos dos rtéros em uma esala de 0 a 1. Se os valores dos pesos dos rtéros fossem presamente onhedos e um vetor peso úno estabeledo, o problema sera resolvdo trvalmente através do álulo do valor da função de utldade para ada alternatva, esolhendo-se então a alternatva om o maor valor de utldade. No entanto, omo os métodos SMAA foram desenvolvdos justamente para stuações onde os valores dos pesos não são, de um modo geral, onhedos, representa-se esses valores por varáves estoástas ξbj Borrespondentes às avalações determnístasb B(xBB)B BgBj Bom probabldade onjunta de dstrbução presumda ou estmada e uma função de densdade onjunta fbχb(ξ) no mxn espaço χ RP P. Analogamente, pode-se representar as preferênas desonhedas ou paralmente onhedas dos desores por meo de uma dstrbução de pesos om função de densdade onjunta fbwb no espaço vável de pesos W. Faz-se uso da dstrbução unforme de pesos em W quando se desonhee ompletamente nformações sobre os pesos, ou seja: f 1 w ( w) = (3) vol( W ) Na maora das vezes, os valores dos rtéros podem ser tratados omo varáves estoástas ndependentes, uja função de densdade onjunta é expressa por um produtóro, de aordo om a Equação (4): mn f ( ξ ) = f j ( ξj ) (4) j A função de utldade é então usada para mapear os rtéros estoástos, bem omo as dstrbuções de peso, em dstrbuções de utldade u (ξbb,w). Os métodos SMAA permtem assm determnar-se para ada alternatva o onjunto de pesos favoráves WBB(ξ) defndo pela Equação (5): W ( ξ ) = { w W : u( ξ, w) u( ξ, w, 1,..., m)} (5) = Qualquer peso w WBB(ξ) torna a utldade geral de xbb ou gual que a utldade de qualquer outra alternatva. Todas as análses posterores são baseadas nas propredades desses onjuntos. Por meo de smulação de Monte Carlo determna-se um onjunto de índes (ou seja, de meddas) dos métodos SMAA. Quando o número de smulações é sufentemente grande as margens de erro são desprezíves. Dentre os possíves índes, o índe de aetabldade desreve a ontrbução de dferentes avalações a tornar uma dada alternatva a mas preferda dentre 3215
4 de PBB omo om PBB é todas. Calula-se o índe de aetabldade abb uma alternatva omo o volume multdmensonal porém om (n-1) dmensões esperado dos pesos favoráves por meo de uma ntegral multdmensonal sobre as dstrbuções de rtéros e sobre o espaço favorável de peso, omo mostrado na Equação (6): a f ( ξ ) f ( w) dwdξ (6) = x W ( ξ ) O índe de aetabldade pode ser usado para lassfar as alternatvas omo estoastamente efentes (abb» 0) ou nefentes (abb gual a 0 ou próxmo de 0 omo, por exemplo, <0.05). Um índe de aetabldade gual a 0 nda que a alternatva jamas poderá ser onsderada a melhor om o modelo de preferêna adotado, ou seja, om a função de utldade assumda. Por outro lado, para alternatvas estoastamente efentes o índe de aetabldade mede a força da efêna, onsderando-se a gnorâna e a nerteza sobre as medções dos rtéros e sobre as preferênas dos desores. Defne-se anda o vetor entral de pesos wp o entro de gravdade esperado do espaço favorável de pesos. Calula-se então o vetor entral de pesos omo uma ntegral multdmensonal sobre as dstrbuções de rtéros e de pesos, de aordo om a Equação (7): w x f ( ξ ) f ( w) dwdξ (7) a = W ( ξ ) Com a dstrbução de pesos presumda, o vetor entral de pesos representa as preferênas de um desor típo apoando a alternatva xbb o modelo de preferêna adotado. Os pesos entras podem ser apresentados ao desor a fm de ajudá-lo a ompreender omo dferentes pesos podem onduzr a esolhas dferentes. O vetor entral de pesos é, naturalmente, ndefndo para alternatvas nefentes; para estas, onvenona-se que wp nulo. Outras meddas útes são os fatores de onfança, que expressam a probabldade de que uma dada alternatva alane a prmera posção quando se esolhe o vetor entral de pesos. Também se pode alular fatores de onfança para quasquer vetores entras de pesos dados. O que esses fatores medem é, na verdade, a auráa das medções dos rtéros de modo a poder dentfar as alternatvas efentes (TERVONEN, LAHDELMA & SALMINEN, 2004). O fator de onfança p é a probabldade de uma alternatva obter a prmera posção quando o vetor entral de pesos e o ponto de referêna entral são esolhdos. Calula-se o fator de onfança omo uma ntegral multdmensonal sobre os rtéros e as dstrbuções de preferênas pela Equação (8): p n n = ( f ( ξ ) δ ( W W ) δ ( X X )* f ( S) dw dx ds dx) (8) x x l v ( X ) R Em (8) emprega-se a função δ de Dra para restrngr a dstrbução de pesos de mportâna para o vetor entral de pesos e a dstrbução dos pontos de referêna para o ponto de referêna entral. Observe-se que, nas formulações ama apresentadas, pode-se tratar rtéros determnístos xbjb omo um aso espeal de varáves estoástas ndependentes om funções de densdade omo mostradas na Equação (9): fj ( ξ j ) = δ ( ξj xj ) (9) Pode-se então omputar os índes de aetabldade e os vetores entras de pesos pelas Equações (10) e (11): a = f ( w) dw (10) w = w w f ( w) dw a Na práta, resolvem-se as ntegras multdmensonas das Equações (6) e (7) através da smulação de Monte-Carlo, onde problemas de amostragem são gerados aleatoramente por matrzes de rtéros e vetores de dstrbuções de pesos. s R (11) 3216
5 a 3. O Método SMAA-2 O método SMAA-2 (LAHDELMA & SALMINEN, 2001) fo desenvolvdo para problemas de desão que abrangem, no aso mas geral, avalações das alternatvas e pesos dos rtéros segundo os quas representa-se essas avalações por varáves estoástas, bem omo múltplos desores, sendo espealmente ndado para stuações onde nem todos os rtéros e pesos são presamente onhedos. Pode-se onsderar que o SMAA-2 é um método emblemáto da famíla SMAA, pos ontém a grande maora dos índes empregados nos demas métodos desta famíla. O método SMAA-2 utlza, omo no método SMAA-1, uma análse nversa do espaço de pesos para desrever, para ada alternatva, qual tpo de preferêna va torná-la a mas ndada, ou oloá-la em uma determnada posção em um ordenamento predefndo. O problema de desão é representado por um onjunto de m alternatvas que serão avaladas por n rtéros. A estrutura de preferêna dos desores é representada por uma função de valor u (xbb,w). Esta função de valor mapea as dferentes alternatvas para um vetor de pesos w que quantfará as preferênas ndvduas de ada um dos desores. Crtéros nertos ou mpresos são representados por varáves estoástas ξbjb junto om a função de densdade fbχb(ξ) mxn onde X RP P. As preferênas desonhedas ou paralmente onhedas são representadas por uma função de dstrbução de peso om uma função de densdade onjunta fbwb(w), onde w representa o espaço de pesos permtdo. Caso haja uma total falta de nformação quanto à preferêna, a função é representada pela dstrbução de pesos unforme em W fbwb(w)={1/(vol(w)}. Defne-se o espaço de pesos de aordo om a natureza do problema, porém, normalmente, os pesos são postvos e normalzados. A varável W sera, então, desrta pela Equação (2). Emprega-se a função de utldade para transformar os rtéros estoástos e as dstrbuções de peso em dstrbuções de utldade u (ξbb,w). Com base na dstrbução de utldade, defne-se a lassfação de ada alternatva omo um número ntero que vara da melhor lassfação (= 1) para a por lassfação (= m). Tal defnção se dá por meo da função de lassfação apresentada na Equação (12): m ran(, ξ, w) = 1+ ρ( u( ξ, w) > u( ξ, w)) (12) = 1 em que ρ (verdadero) = 1 e ρ (falso) = 0. Com base na análse dos onjuntos de pesos estoástos, obtém-se a lassfação favorável pela Equação (13): W r ( ξ ) = { w W : ran(, ξ, w) r} = (13) Qualquer peso tal que w WBrB(ξ) assoa à -ésma alternatva genéra a posção (ou ran) rbb. A prmera medda desrtva do SMAA-2 é o índe de aetabldade, omo se vu ama. Este índe mede a multpldade de dferentes preferênas ou pesos que onedem à alternatva xbb posção rbb. O produto de todos os pesos avalados torna vável a opção aetável r para uma determnada lassfação. Calula-se o índe de aetabldade b por meo da ntegral multdmensonal da Equação (14): r b = fx( ξ ) fw( w) dw dξ (14) ξ X r w W ( ξ ) As alternatvas mas ndadas são aquelas om aetação alta que alançam as melhores lassfações. Os índes de aetação estão no ntervalo [0, 1], onde 0 nda que a alternatva nuna obterá uma lassfação no ordenamento e 1 nda que a alternatva sempre obtém a lassfação, ndependente das esolhas de pesos. 4. Uma Aplação do Método SMAA Defnção do Problema Consdere-se o aso de um reém graduado om dos anos de experêna em 3217
6 onsultora que deseja ursar mestrado om os objetvos de qualfação profssonal, evolução pessoal e alavanagem das suas possbldades de hegar num período máxmo de quatro anos ao nível de sóo em uma onsultora Top 4, ou em argo equvalente em uma empresa S & P 500 STANDARD & POOR S, 2011). Como alternatvas ele onsdera, a partr de uma prmera avalação pessoal, no ursos da lsta dos melhores MBAs exeutvos do mundo, onforme avalação do Fnanal Tmes publada na revsta Exame em 08 de novembro de 2010 (ZAMBARDA, 2010). Os rtéros de avalação para a tomada de desão, segundo os valores desse reém graduado, são: A. o usto do urso a ser mnmzado; B. os ustos omplementares de manutenção, aqu nluídos aomodação, materal ddáto, almentação e outros gastos estmados também a ser mnmzado; C. o saláro esperado a ser atngdo 3 anos após o térmno do MBA a ser maxmzado; D. a posção do urso no ranng do Fnanal Tmes também a ser mnmzado. Todas as nformações possíves referentes aos rtéros, om exeção dos ustos omplementares, estmados om base em experênas própras anterores, foram oletados de Zambarda (2010). A Fgura 1 apresenta os valores básos que o reém graduado dede empregar na sua análse de desão. Alternatvas A (US$) B(US$) C(US$) D 1.HKU Hong Kong UST Busness Shool CBS Columba Busness Shool LBS London Busness Shool DUF Due Unversty Fuqua EAESP Intervalo de aetação [30000, ] [10000, 19000] [185000, ] [1, 22] Fgura 1 Alternatvas, rtéros e ntervalos de aetação utlzados na análse de desão Neste exemplo de aplação, pela gnorâna e onseqüente nerteza do reém graduado suas preferênas são desonhedas e ele, por onsegunte, opta por empregar o método SMAA-2 para apoá-lo em sua desão. Ele também esolhe o software Matlab (MATHWORKS, 2011) para programação e desenvolvmento de algortmos do método SMAA- 2, por forneer reursos para trabalhar om as múltplas varáves do problema, bem omo para aloação de memóra. O Matlab fornee ao seu usuáro uma bblotea de funções de engenhara e de matemáta, elmnando a neessdade de uma manpulação maor do ódgo e permtndo que o usuáro lego em omputação possa testar ada função em todas as etapas de produção de resultados. Além dsto, o Matlab possu pratamente todas as araterístas de uma lnguagem de programação tradonal, nlundo operadores de artméta, ontrole de fluxo, estruturas de dados, tpos de dados, programação orentada a objetos e reursos de depuração. Alternatvamente ao Matlab, ele podera também utlzar o software JSMAA, de domíno públo (TERVONEN, 2010) Aplação do Método SMAA-2 O método SMAA2 fo odfado em Matlab a partr do trabalho de Tervonen et al. (2010). A Fgura 2 mostra o rotero para aplação do SMAA
7 AB2B AB3B AB4B AB5B 1. Defnr o problema em termos de rtéros e alternatvas. 2. Esolher uma forma e esala para a função de utldade que os desores devem onjuntamente aetar. 3. Inlur todas as nformações dsponíves quanto aos pesos. 4. Calular a lassfação para os índes de aetabldade para ada alternatva e ada oloação ( r ). b 5. Calular o índe de aetabldade, a função de pesos entras e os fatores de onfança ( a, w, p ). 6. Apresentar os resultados das etapas 4 a 6 para os desores. Eles devem esolher quas as meddas mas útes: a ou b. a. Posções (rans) de aetabldade a, ou b. Índes p. 7. Os desores devem defnr se o proesso está ompleto ou se deve ser revsto. Fgura 2 Rotero para aplação do método SMAA-2 (fonte: LAHDELMA; SALMINEN & HOKKANEN, 2002) Como se vu, este problema tem 5 alternatvas e 4 rtéros. Ao realzar os álulos do método SMAA-2, o reém graduado obtém os resultados apresentados nas Fguras 3 e 4. Para a smulação de Monte Carlo usou-se um total de terações, de modo a hegar-se a um resultado de alta onfabldade. Calulam-se os vetores entras de pesos (Fgura 3), os índes de aetabldade (Fgura 4) e os índes de onfanças (Fgura 4). Alternatvas p W A 1. EAESP HKU LBS CBS DUF Fgura 3 - Resultados para os vetores entras de pesos w aos fatores de onfança W B W C W D, ordenados de forma deresente em relação p Alternatvas AB1B p 1. EAESP HKU LBS CBS DUF Fgura 4 Índes de aetabldade e posonamentos ABB, ordenados de forma deresente em relação aos fatores de onfança Para análse dos resultados o desor (no aso, nosso reém graduado) pode afrmar que todas as alternatvas são aetáves dentro dos parâmetros estabeledos, uma vez que todas possuem um índe de aetabldade não nulo. Apresentam-se os índes de aetabldade na Fgura 5. As Fguras 6 e 7 lustram, respetvamente, as varações dos fatores de onfança e dos pesos entras om as alternatvas. p 3219
8 e Fgura 5 Índes de aetabldade a Fgura 8 Fatores de onfança p para ada alternatva. Fgura 1 Pesos entras w, de ada rtéro para ada alternatva avalada Segundo a lóga do SMAA-2, nosso desor dede então elmnar a alternatva DUF, pos esta possu o por valor do índe de aetabldade para a prmera posção (ou ran) AB1B 3220
9 e por ter o menor índe de onfança ( p ). Ele também dede por elmnar a alternatva HKU, pos esta tem os pores valores de índes de aetabldade para as posções AB2B, AB3B AB4B. O desor seleonou então, para sua análse fnal, as alternatvas EAESP, CBS e LBS, por possuírem as maores médas de valores para os índes de aetabldade. Consderando somente essas três alternatvas e que os fatores de onfança são relatvamente baxos para todas, de modo a tomar uma desão fnal raonal o desor presa avalar os vetores entras de pesos para as alternatvas. A alternatva EAESP possu pesos entras om a menor varação entre os rtéros, tornando-a a alternatva mas atratva neste enáro. Esta alternatva (EAESP) também possu os melhores valores de índes de aetabldade para a prmera e a segunda posções (AB1B e AB2B) e o maor valor de fator de onfança ( p ) dentre todas as alternatvas avaladas. A Fgura 10 mostra o ordenamento das alternatvas om base nos valores dos índes de aetabldade. Fgura 20 Ordenamento om base no índe de aetabldade. Levando em onsderação a proxmdade dos resultados enontrados, reomenda-se ao reém graduado, nosso desor neste exemplo, que o mesmo proure defnr outros rtéros para uma avalação multrtéro mas fna, onduente à uma solução om maor aetabldade e, ao mesmo tempo, om maor erteza. 5. Conlusão Como se vu neste artgo, os métodos SMAA são empregados presamente para se resolver o problema nverso da análse multrtéro tradonal. Nesta busa-se dentfar as preferênas dos desores que vão servr omo varáves de entrada (sto é, de nputs) para o uso de métodos multrtéro. Quando se gnora tas preferênas, o que os métodos SMAA fazem é, por meo de um pequeno onjunto de meddas de natureza probablísta, estmar a verossmlhança assoada a determnados resultados. Assm, por exemplo, em uma problemáta do tpo Pβ, usa-se o método SMAA-TRI para estmar-se a verossmlhança de que ada alternatva se nsra em uma das lasses predefndas. No exemplo de aplação apresentado neste artgo, através do uso do método SMAA-2 e das meddas ama apresentadas estmou-se a verossmlhança da assoação de ada uma das alternatvas às posções dstntas no ordenamento. Pode-se, om sto, hegar à melhor solução para o problema. Vablzou-se a utlzação da smulação de Monte Carlo, no exemplo aqu apresentado, fo vablzada pelo software Matlab. Um desenvolvmento de pesqusa nteressante assoado à famíla SMAA dz respeto à stuação em que se têm múltplos agentes de desão ujos omportamentos são onsstentes om a Teora dos Prospetos (TVERSKY & KAHNEMAN, 1991). O método multrtéro TODIM (GOMES & LIMA, 1992; GOMES & RANGEL, 2009) é uma das raras tentatvas exstentes no sentdo de se tornar operaonal essa teora. Pos o amnho para tal desenvolvmento fo apontado, por meo do delneamento do método SMAA-P, por LAHDELMA & SALMINEN (2009). Embora estes dos autores tenham, na formulação do SMAA-P, utlzado funções de dferença lneares por partes, no método TODIM estas funções não são lneares. Além dsto, no ontexto de um problema multrtéro de desão om múltplos desores é de se esperar que os 3221
10 P pontos de referêna sejam também sujetos à gnorâna, bem omo as preferênas daqueles desores. Portanto, juntar a metodologa da famíla SMAA e o método TODIM onsste em objetvo de pesqusa a ser persegudo. Agradementos Os autores agradeem o apoo reebdo do CNPq através dos Projetos de Pesqusa / e / Também agradeem a Jorge Falão do Rego Barros por ter realzados os álulos do exemplo no Matlab. Referênas Bana e Costa, C.A. A multrtera deson ad methodology to deal wth onfltng stuatons on the weghts. European Journal of Operatonal Researh, 26: 22-34, Belton, V. & Stewart, T.J. Multple rtera Deson analyss: an ntegrated approah. Massahusetts: Kluwer Aadem Publshers, Charnets, J.R. The multple attrbute problem wth partal nformaton: the expeted value and omparatve hypervolume methods, Ph.D. Thess. Austn: The Unversty of Texas at Austn, Charnets, J.R. & Soland, R.M. Statstal measures for lnear funtons on polytopes, Operatons Researh 24, , Gomes, L.F.A.M.; Araya, M.C.G. & Cargnano, C. Tomada de desões em enáros omplexos: ntrodução aos métodos dsretos do apoo multrtéro à desão. São Paulo: Ponera Thomson Learnng, Gomes, L.F.A.M. & Lma, M.M.P.P. TODIM: Bass and Applaton to Multrtera Ranng of Projets wth Envronmental Impats, Foundatons of Computng and Deson Senes, vol.16, 4, , Gomes, L.F.A.M. & Rangel, L.A.D. An applaton of the TODIM method to the multrtera rental evaluaton of resdental propertes, European Journal of Operatonal Researh, 193, , Keeney, R. L. & Raffa, H. Desons wth multple objetves: preferenes and value tradeoffs. Nova Yor: Wley, Lahdelma, R.; Hoanen, J. & Salmnen, P. SMAA stohast multobjetve aeptablty analyss. European Journal of Operatonal Researh, 106: , Lahdelma, R., Mettnen, K. & Salmnen, P. Stohasts Multrtera Aeptablty Analyss usng ahevement funtons, Tehnal Report 459, TUCS Turu Center for Computer sene, Avalable at HThttp:// Lahdelma, R.; Mettnen, K. & Salmnen, P. Ordnal rtera n stohast multrtera aeptablty analyss (SMAA), European Journal of Operatonal Researh, 147(1): , Lahdelma, R.; Mettnen, K. & Salmnen, P. Referene pont approah for multple deson maers, European Journal of Operatonal Researh, 164(3): , Lahdelma, R. & Salmnen, P. Prospet theory and stohast multrtera aeptablty analyss (SMAA), Omega 37, , Lahdelma R. & Salmnen P. SMAA-2: stohast multrtera aeptablty analyss for group deson mang, Operatons Researh, v. 49, p , Lahdelma, R. & Salmnen, P. Pseudo-rtera versus lnear utlty funton n stohast multrtera aeptablty analyss, European Journal of Operatonal Researh, 14: , Lahdelma, R.; Salmnen, P. & Hoanen, J. Combnng Stohast Multobjetve Aeptablty Analyss and DEA. In: D.K. Despots & C. Zopounds (eds.) Integratng Tehnology & Human Desons: Global Brdges nto the 21stP Century, Athens: New Tehnologes Publatons, , Lahdelma, R.; Salmnen, P. & Hoanen, J. Loatng a waste treatment falty by usng stohast multrtera aeptablty analyss wth ordnal rtera, European Journal of Operatonal Researh, 142: ,
11 MATHWORKS. MATLAB - The Language of Tehnal Computng, In: <Hhttp:// Aesso em Retveld, P. Multple objetve deson methods and regonal plannng, Amsterdam: North- Holland, Retveld, P. & Ouwersloot, H. Ordnal data n multrtera deson mang, a stohast domnane approah to stng nulear power plants, European Journal of Operatonal Researh 56: , Slone, S. Measurement unertanty An approah va the mathematal theory of evdene, New Yor: Sprnger, STANDARD & POOR S. S & P 500, In: <HThttp:// 500/en/us/?ndexId=spusa-500-usduf--p-us-l--TH> Aesso em Tervonen, T. JSMAA: An open soure software for SMAA omputatons. In: Proeedngs of the 25th Mn EURO Conferene on Unertanty and Robustness n Plannng and Deson Mang (URPDM2010),C. Henggeler Antunes, D. Ros Insua & L.C. Das (eds.), Combra, Tervonen, T. & Fguera, J. R. A survey on stohast multrtera aeptablty analyss methods, Journal of Mult-Crtera Deson Analyss, 15: 1 14, Tervonen, T.; Hllege, H.; Busens, E. & Postmus, D. A state-of-the-art mult-rtera model for drug beneft-rs analyss. SOM Researh Shool Report No , Unversty of Gronngen, Tervonen, T & Lahdelma, R. Implementng stohast multrtera aeptablty analyss. European Journal of Operatonal Researh, 178:2, , Tervonen, T.; Lahdelma, R.; Almeda-Das, J.; Fguera, J. R.; & Salmnen, P. SMAA-TRI: a parameter stablty analyss method for ELECTRE-TRI. In: Envronmental Seurty n Harbours and Coastal Areas, G.A. Ker & I. Lnov (eds), Berln: Sprnger, , Tervonen, T.; Lahdelma, R. & Salmnen, P. A method for eltatng and ombnng group preferenes for Stohast Multrtera Aeptablty Analyss, Tehnal Report 638, TUCS Turu Center for Computer Sene, Avalable at HThttp:// Tversy, A. & Kahneman D. Loss averson n rsless hoe: a referene-dependent model. Quarterly Journal of Eonoms,106(4): Zambarda, P. Os melhores MBAs exeutvos do mundo, publada na Exame.om em <
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 maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisIntrodução 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 maisANÁLISE MULTICRITÉRIO DE RISCO: O MÉTODO TODIM
ANÁLISE MULTICRITÉRIO DE RISCO: O MÉTODO TODIM Luz Flavo Autran Montero Gomes Professor Ttular do IBMEC e da Unversdade Federal Flumnense Av. Ro Brano, 108, 18 andar, CEP 20040-001, Ro de Janero, RJ, E-mal:
Leia maisIntrodução 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 maisCovariância 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 maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia mais5.1 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 maisOTIMIZAÇÃO DE PROVISIONAMENTO DE LARGURA DE BANDA USANDO REDES DE PETRI NA MODELAGEM DE COMPORTAMENTO DE CLIENTES E PROVEDORES
OTIMIZAÇÃO DE PROVISIONAMENTO DE LARGURA DE BANDA USANDO REDES DE PETRI NA MODELAGEM DE COMPORTAMENTO DE CLIENTES E PROVEDORES FLÁVIO HENRIQUE BATISTA DE SOUZA CARLOS ANDREY MAIA RODNEY R SALDANHA 1 Programa
Leia mais7. 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 maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisCENTRO 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 maisAula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014
Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca
Leia mais3 Método Fast Multipole
22 3 Método Fast Multpole Nesse apítulo, apresenta-se o Método Fast Multpole (FMM), omo proposto por Greengard e Rokhln (1987). O algortmo fo eleto um dos 1 melhores do séulo XX (DONGARRA e SULLIVAN, 2).
Leia maisIPC-W: Metodologia de Cálculo
IPC-W: Metodologa de Cálulo EMAp/IBRE 2/novembro/207 O presente relatóro resume a metodologa de álulo do IPC-W, ontrastando om o álulo do IPC. Este proesso de álulo é posteror à extração e lmpeza dos dados,
Leia maisCapítulo 3-1. A 2ª Lei da Termodinâmica
Capítulo 3-1. A 2ª Le da ermodnâma Baseado no lvro: Atkns Pysal Cemstry Egt Edton Peter Atkns Julo de Paula 29-04-2007 Mara da Coneção Pava 1 A segunda le da termodnâma é baseada na experêna umana. odos
Leia maisObjetivos 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 maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisEquilíbrio Espacial de Preços
Equlíbro Espaal de Preços Seam: ρ = S ( w) urva nversa da oferta assoada ao merado produtor ; π = D ( w) urva nversa da demanda assoada ao merado onsumdor ; C ( w ) usto margnal de transportes assoada
Leia maisPROVA DE MATEMÁTICA DO VESTIBULAR 2013 DA UNICAMP-FASE 1. RESOLUÇÃO: PROFA. MARIA ANTÔNIA C. GOUVEIA
PROVA DE MATEMÁTICA DO VESTIBULAR 03 DA UNICAMP-FASE. PROFA. MARIA ANTÔNIA C. GOUVEIA QUESTÃO 37 A fgura abaxo exbe, em porcentagem, a prevsão da oferta de energa no Brasl em 030, segundo o Plano Naconal
Leia maisSempre 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 mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisUNIVERSIDADE 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 maisRegressão 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 maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisNota 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 maisCálculo 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 maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia mais1 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 maisDISTRIBUIÇÃO E DESIGUALDADE ESPACIAIS DO CONSUMO RESIDENCIAL DE ELETRICIDADE: UMA ANÁLISE DO PERÍODO 1989-2005 COM MEDIDAS DE INFORMAÇÃO
FACULDADE DE ECONOMIA PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA APLICADA DISTRIBUIÇÃO E DESIGUALDADE ESPACIAIS DO CONSUMO RESIDENCIAL DE ELETRICIDADE: UMA ANÁLISE DO PERÍODO 1989-2005 COM MEDIDAS DE INFORMAÇÃO
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisMODELAGEM 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 maisTeoria dos Números e suas aplicações
Teora dos Números e suas aplações Lus Armando dos Santos Júnor e Antôno arlos Noguera Unversdade Federal de Uberlânda Abrl- 009 :Orentando Programa de Eduação tutoral do urso de Matemáta. E-mal: anarexmg@ahoo.om.br
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisProfessor 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 maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisEscolha 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 maisCurso de Data Mining
Aula 7 - Os algoritmos SPIRIT Curso de Data Mining Sandra de Amo O esquema geral dos algoritmos SPIRIT é o seguinte: ETAPA 1 : Etapa do relaxamento R Calula-se o onjunto L das sequênias frequentes que
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisVariabilidade 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 maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia mais3 Contínuo Generalizado
3 Contínuo Generalzado Um meo ontínuo lásso é omposto por partíulas, dstrbuídas de manera unforme, sendo ada uma delas representadas por um ponto, aqu denomnado de P. Este ponto materal possu oordenadas
Leia maisUNIVERSIDADE 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 mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisDica : Para resolver esse exercício pegue o arquivo pontosm.txt, na página do professor.
Colégio Ténio Antônio Teieira Fernandes Disiplina ICG Computação Gráfia - 3º Anos (Informátia) (Lista de Eeríios I - Bimestre) Data: 10/03/2015 Eeríios 1) Elabore um proedimento em C++ que passe os pares
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisINTRODUÇÃO SISTEMAS. O que é sistema? O que é um sistema de controle? O aspecto importante de um sistema é a relação entre as entradas e a saída
INTRODUÇÃO O que é sstema? O que é um sstema de controle? SISTEMAS O aspecto mportante de um sstema é a relação entre as entradas e a saída Entrada Usna (a) Saída combustível eletrcdade Sstemas: a) uma
Leia maisResoluções dos testes propostos. T.255 Resposta: d O potencial elétrico de uma esfera condutora eletrizada é dado por: Q 100 9 10 Q 1,0 10 9 C
apítulo da físca apactores Testes propostos ndade apítulo apactores Resoluções dos testes propostos T.55 Resposta: d O potencal elétrco de uma esfera condutora eletrzada é dado por: Vk 0 9 00 9 0,0 0 9
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia maisINTRODUÇÃO À PROBABILIDADE
INTRODUÇÃO À ROBABILIDAD Conetos básos xpermento aleatóro ou fenômeno aleatóro Stuações ou aontementos ujos resultados não podem ser prevstos om erteza. Um expermento ou fenônemo que, se for observado
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisRastreando 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 maisFederal do Espírito Santo, Alegre, ES, Brasil. 2
Aplação da dentdade de modelos não-lneares na estmatva da relação hpsométra de Pnus arbaea var. hondurenss e Pnus ooarpa sob dferentes dades Leonardo Cassan Laerda Adrano Rbero de Mendonça Edson Lahn Glson
Leia maisCAPÍTULO 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 maisMAPEAMENTO 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 maisPARTE 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 maisElaboração: Novembro/2005
Elaboração: Novembro/2005 Últma atualzação: 18/07/2011 Apresentação E ste Caderno de Fórmulas tem por objetvo nformar aos usuáros a metodologa e os crtéros de precsão dos cálculos referentes às Cédulas
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisDepartamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Medida de Probabilidade
Departaento de Inforátca Dscplna: do Desepenho de Ssteas de Coputação Medda de Probabldade Prof. Sérgo Colcher colcher@nf.puc-ro.br Teora da Probabldade Modelo ateátco que perte estudar, de fora abstrata,
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisProf. Antônio Carlos Fontes dos Santos. Aula 1: Divisores de tensão e Resistência interna de uma fonte de tensão
IF-UFRJ Elementos de Eletrônca Analógca Prof. Antôno Carlos Fontes dos Santos FIW362 Mestrado Profssonal em Ensno de Físca Aula 1: Dvsores de tensão e Resstênca nterna de uma fonte de tensão Este materal
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisIV - 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 maisLista 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 maisUM SISTEMA INTELIGENTE USANDO REDES NEURAIS ARTMAP-FUZZY PARA PREDIÇÃO DO GRUPO DE RISCO DE EVASÃO DISCENTE EM CURSOS SUPERIORES PRESENCIAIS
UM SISTEMA INTELIGENTE USANDO REDES NEURAIS ARTMAP-FUZZY PARA PREDIÇÃO DO GRUPO DE RISCO DE EVASÃO DISCENTE EM CURSOS SUPERIORES PRESENCIAIS VALQUÍRIA R. DE C. MARTINHO 1, CLODOALDO NUNES 2, CARLOS R.
Leia maisCURSO 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 maisY 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 maisAplicando 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 maisPROCESSAMENTO DOS DADOS DE DIFRAÇÃO DE RAIOS X PARA MEDIÇÃO DE TENSÕES
PROCESSAMENTO DOS DADOS DE DIFRAÇÃO DE RAIOS X PARA MEDIÇÃO DE TENSÕES J.T.Assis joaquim@iprj.uerj.br V.I.Monin monin@iprj.uerj.br Souza, P. S. Weidlih, M. C. Instituto Politénio IPRJ/UERJ Caixa Postal
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisPolos Olímpicos de Treinamento. Aula 10. Curso de Teoria dos Números - Nível 2. Divisores. Prof. Samuel Feitosa
Polos Olímpcos de Trenamento Curso de Teora dos Números - Nível 2 Prof. Samuel Fetosa Aula 10 Dvsores Suponha que n = p α 1 2...pα é a fatoração em prmos do ntero n. Todos os dvsores de n são da forma
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisSistemas 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 maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais1.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 maisXX 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 maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia mais2 Técnicas convencionais usadas na modelagem de sistemas não lineares
Ténas onvenonas usadas na modelagem de sstemas não lneares Ténas onvenonas usadas na modelagem de sstemas não lneares.1. Revsão Bblográfa Os modelos lneares desemenharam um mortante ael no desenvolvmento
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia maisAnálise 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 maisTRABALHADORES COM DEFICIÊNCIAS EM LINHAS DE PRODUÇÃO: MODELOS, RESULTADOS E DISCUSSÕES 1
XIV ELAVIO El Fuerte Snaloa Méxco 9-14 de agosto de 2009 TRABALHADORES COM DEFICIÊNCIAS EM LINHAS DE PRODUÇÃO: MODELOS RESULTADOS E DISCUSSÕES 1 Mayron César de O. Morera Lana Mara R. Santos Alysson M.
Leia maisANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO
ANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO J. W. B. Lopes 1 ; E. A. R. Pnhero 2 ; J. R. de Araújo Neto 3 ; J. C. N. dos Santos 4 RESUMO: Esse estudo fo conduzdo
Leia maisUniversidade 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 maisUm classificador baseado na Discriminação Logística: vantagens e desvantagens
Um lassfador baseado na Dsrmnação Loísta: vantaens e desvantaens HÉLIO RADKE BITTENCOURT ROBIN THOMAS CLARKE 2 Centro Estadual de esqusas em Sensoramento Remoto e Meteoroloa CESRM UFRGS Caa ostal 5044
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia mais