Teoria da Resposta ao Item (TRI) e suas
|
|
- Ângela Santana Fraga
- 8 Há anos
- Visualizações:
Transcrição
1 Item () e Item () e Ribeiro Faculdade de Estatística / Universidade Federal do Pará heliton@ufpa.br Item () e
2 Etapas da Apresentação Item () e 1 2 item () 3 Geração de Dados 4 5 Principais Aplicativos () 6 Principais Sistemas de Avaliação e 7 e Pós-Graduação Item () e
3 Item () e Escores brutos ou padronizados Resultados dependem do particular conjunto de itens que compõem o instrumento de medida Inviável a comparação entre indivíduos que não foram submetidos aos mesmos instrumentos de medida. Item () e
4 Principais medidas Item () e Escore total (respondente): número de acertos - varia de 0 a n (núumero de itens). Índice de dificuldade (item): proporção de acertos. Varia de 0 a 1. Indice de discriminação (item): mede a capacidade do item de diferenciar indivíduos. Construído pela diferença entre a proporção de acertos do grupo superior e a do grupo inferior. Varia de -1 a 1. Grupo superior: 27% dos respondentes com os escores mais altos. Grupo inferior 27% dos respondentes com os escores mais baixos. Item () e
5 Obtenção dos Limites de cada Grupo Item () e Item () e
6 Gráfico: Disciplina 1 Item () e Item () e
7 Gráfico: Disciplina 2 Item () e Item () e
8 Correlação Item-Teste Item () e Coeficiente de correlação ponto-bisserial (item) (r pbiss ): coeficiente de correlação de Pearson entre o escore total e a resposta ao item (1 = acerto, 0 = erro) de cada um dos respondentes. Também mede a discriminação do item. Varia de -1 a 1. Coeficiente de correlação bisserial (item): r biss = r pbiss p(1 p) h(p) onde h(p) é o valor da densidade da N(0, 1) cuja respectiva acumulada dá p. Item () e
9 Fidedignidade do Teste Item () e Coefciente α (teste): medida de fidedignidade do teste - varia de 0 a 1. α = n [ n i=1 1 p ] i(1 p i ) n 1 s 2 em que n é o número de itens, p i é a proporção de acertos ao item i e s 2 é a variância dos escores. Erro-padrão de medida (teste): medida de precisão do teste. EPM = s 1 α. Item () e
10 Modelo Item () e em que: Y jt = T j + ξ jt Y jt : escore do respondente j no teste t. T j : escore verdadeiro do respondente j (conhecimento). ξ jt : componente de erro para o respondente j no teste t. Suposição usual: ξ jt N(0, σ 2 ), iid: Item () e
11 Referências Item () e Andrade, D. F. (2005). Notas de aula do curso de verão sobre. IME-USP Gulliksen, H. (1950). Theory of Mental Tests. New York: John Wiley and Sons. Lord, F.M., Norvick, M.R. (1968). Statistical Theories of Mental Test Score. Reading: Addison-Wesley. Vianna, H.M. (1987). Testes em Educação. São Paulo: Ibrasa. Item () e
12 item () Item () e Teoria psicométrica desenvolvida para suprir necessidades na área educacional. É composta por conjunto de modelos que consideram variáveis latentes. Modelos de Item (MRI) : representam o relacionamento entre traços latentes de indivíduos e itens de um instrumento de medida (prova, questionário). Tal modelagem consiste na probabilidade de obter um certo escore em cada item. Existe um grande número de classes de MRI : dicotômicos e policotômicos, um e múltiplos grupos, multidimensionais, longitudinais multiníveis, dentre outros. MRI apresentam elevado número de parâmetros. Aplicada em diversas áreas: educação, marketing, psiquiatria, genética etc. Item () e
13 Utilização no Brasil e no Mundo Item () e No Brasil vem sendo usada extensamente em avaliação educacional SAEB/Prova Brasil, Provinha Brasil, Encceja, ENADE, ENEM,... No mundo: TOEFL, GRE, PISA,... É parte fundamental dos exames vestibulares das universidades federais Decreto do MEC fala explicitamente em uso do modelo logístico de 3 parâmetros Item () e
14 O modelo logístico de 3 parâmetros (ML3) Item () e Dos modelos propostos pela, o modelo logístico unidimensional de 3 parâmetros (ML3) é atualmente o mais utilizado. Baseia-se na suposição de que quanto maior o conhecimento (habilidadde) do indivíduo na área avaliada, maior é a probabilidade de ele responder corretamente ao item. Assim, podemos esperar o seguinte comportamento para a probabilidade de resposta correta em função da habilidade: 1 P(U ij = 1 θ j ) = c i + (1 c i ) 1 + e Da i (θ j b i ), (1) com i = 1, 2,, n, e j = 1, 2,, n. Item () e
15 Exemplo de uma Curva Característica do Item CCI Item () e Item () e
16 Interpretação: Item () e U ij é uma variável dicotômica que assume os valores 1, quando o indivíduo j responde corretamente o item i, ou 0 quando o indivíduo j não responde corretamente ao item i. θ j representa a habilidade (traço latente) do j-ésimo indivíduo. P(U ij = 1 θ j ) é a probabilidade de um indivíduo j com habilidade θ j responder corretamente o item i e é chamada de Modelo (ou Função) de Resposta do Item MRI. b i é o parâmetro de dificuldade (ou de posição) do item i, medido na mesma escala da habilidade. a i é o parâmetro de discriminação (ou de inclinação) do item i, com valor proporcional à inclinação da Curva Característica do Item CCI no ponto θ = b i. c i é o parâmetro do item que representa a probabilidade de indivíduos com baixa habilidade responderem corretamente o item i (muitas Resposta vezesaoreferido Item () e como a
17 Exemplo de Item na PRÁTICA Item () e Item () e
18 Exemplo de Item na PRÁTICA Item () e Item () e
19 Exemplo de Item na PRÁTICA. Possível melhoria Item () e Item () e
20 Exemplo de Item com comportamento inesperado Item () e Item () e
21 Exemplo de Item com comportamento inesperado Item () e Item () e
22 Apresentando as DUAS categorias (certo e Errado) Item () e Item () e
23 Modelo de Resposta Nominal Item () e Item () e
24 Modelo de Resposta Nominal Item () e Temos m i categorias para o item i A soma das probabilidade é igual a 1, para cada θ. A probabilidade de o indivíduo j ter associado a categoria s é dada por P(U ij = s θ j ) = exp{a is (θ j b is )} mi h=1 exp{a ih(θ j b ih )} Item () e
25 Modelo de Resposta Gradual Item () e Item () e
26 Modelo de Resposta Gradual Item () e Temos m i categorias para o item i, com nível de dificuldade gradual A soma das probabilidade é igual a 1, para cada θ. A probabilidade de obter a categoria s ou superior é dada pelo Modelo Logístico de 2 Parâmetros (P + i,k ). A probabilidade de o indivíduo j ter associado a categoria s é obtida pela diferença P + i,k P+ i,k+1 P(U ij = s θ j ) = exp{ a i (θ j b is )} exp{ a i (θ j b i(s+1) com b i1 b i2 b imi Item () e
27 Outros Modelos Item () e Modelo de Escala Gradual (b i,k = b i d k ) Modelo de Crédito Parcial (Masters, 1992) Modelo de Crédito Parcial Generalizado (Muraki, 1992) Modelos de Desdobramento (Robert, 1994) Item () e
28 de Dados Item () e Uma etapa importante na fase de proposição e teste de modelos é a Geração de Números Aleatórios. Considerando P ji a probabilidade de um indivíduo com habilidade θ j responder corretamente a um item com parâmetros ζ i = (a i, b i, c i ), então a variável dicotômica U ji tem distribuição Bernoulli(P ji ). Tabela: Ilustração do conjunto de observações 1 2 n 1 u 11 u 12 u 1n 2 u 21 u 22 u 2n N u N1 u N1 u Nn Item () e
29 Geração de Dados Item () e Então devemos gerar realizações de variáveis aleatórias com distribuição Bernoulli(P ji ). No entanto, sabemos que se X U(0, 1), então P(X x) = x. Definimos U ji = 1 {Xji P ji }, então P(U ji = 1) = P(X ji P ji ) = P ji. U ji = 1 U ji = P ji Útil: se R 1 e R 2 são U(0, 1) independentes, então Z = 2 ln(r 1 ) cos(2πr 2 ) N(0, 1). Item () e
30 Uma Macro em Excel/VBA [Alt+F11, depois F7] Item () e Sub GeraDados() Dim a(5) : Dim b(5) : Dim c(5) a(1) = 0.5: a(2) = 0.75: a(3) = 1: a(4) = 1.25: a(5) = 1.5 b(1) = -1: b(2) = -0.5: b(3) = 0: b(4) = 0.5: b(5) = 1 c(1) = 0.1: c(2) = 0.1: c(3) = 0.2: c(4) = 0.2: c(5) = 0.2 Nindiv = 100 : nitens = 5 : Pi = For j = 1 To Nindiv R1 = Rnd() : R2 = Rnd() theta = Sqr(-2 * Log(R2)) * Sin(2 * Pi * R1) Gerando N(0,1) Cells(j, 1) = theta For i = 1 To nitens Pji = c(i) + (1 - c(i)) / (1 + Exp(-1.7 * a(i)*(theta - b(i)))) Xji = Rnd If (Xji < Pji) Then Cells(j, i+1) = 1 Else Cells(j, i+1) = 0 Next Next End Sub Item () e
31 Planilha com os dados gerados Item () e Item () e
32 Item () e Breve introdução a e aos métodos de estimação Métodos de estimação em modelos de um único grupo dos parâmetros dos itens Máxima verossimilhança marginal Moda marginal a posteriori dos traços latentes Máxima verossimilhança Esperança a posteriori Moda a posteriori Métodos de estimação em modelos de grupos múltiplos dos parâmetros populacionais Equalização Item () e
33 Notação Item () e Geral: por máxima verossimilhança contruir a verossimilhança e encontrar os valores de ζ que maximizam essa função. Notação: u ji : resposta do indivíduo j ao item i u j. : vetor de respostas do indivíduo j a todos os itens u.. : conjunto total de observações θ = (θ 1,, θ N ): vetor de habilidades dos N indivíduos ζ = (ζ 1,, ζ n ): conjunto de parâmetros dos itens. Item () e
34 Suposições: Item () e As duas principais são: (S1) as respostas oriundas de indivíduos diferentes são independentes, (S2) os itens são respondidos de forma independente por cada indivíduo (Independência Condicional), fixada sua habilidade. Ou seja, a habilidade (θ) é a única informação necessária para determinar se o indivíduo acerta ou erra a questão. Ou ainda, o idivíduo não aprende (altera sua habilidade) no momento do teste. Item () e
35 Construção da verossimilhança Item () e O processo é construído em duas etapas, primeiro supõe-se alguma distribuição para as habilidades da população, tal como Normal(µ, σ 2 ). Na prática podemos fixar µ = 0 e σ 2 = 1. A equação de verossimilhança fica em função apenas dos parâmetros dos itens ζ. Geral: Supor distribuição para a habilidade: fdp é g(θ η), η = (µ, σ 2 ) A verossimilhança individual pode ser escrita como P(u j. ζ, η) = P(u j. θ, ζ)g(θ η)dθ. IR Item () e
36 Verossimilhança marginal Item () e A função de verossimilhança marginal será: (S1) N L(ζ) = P(U.. = u.. ζ) = P(U j. = u j. ζ) j=1 Encontrar o ponto de máximo da verossimilhança é equivalente a encontrar o ponto que maximiza a log-verossimilhança; N log L(ζ) = P(U j. = u j. ζ). j=1 Para encontrar o ponto de máximo de uma função, derivamos e igualamos a zero: log L(ζ) ζ i = 0, i = 1,, n. Item () e
37 Visualizão da Verossimilhança Item () e Item () e
38 Equação de Verossimilhança Item () e Podemos escrever a log-verossimilhança como log L(ζ, η) = N log P(u ζ i ζ i j. ζ, η) P(u j. ζ, η) ζ i = IR = N j=1 j=1 1 P(u j. ζ, η). P(u j. ζ, η) ζ i Depois de algumas páginas de desenvolvimento, obtemos [ ( ) Pi Wi (u ji P i ) ζ i P i Q i ] P(u j. θ, ζ)g(θ η)dθ Item () e
39 Desenvolvimento Item () e onde, W ji = P ji Q ji P ji Q ji, onde P ji é o ML2 e Q ji = 1 P ji Usando a notação j (θ) g(θ u j., ζ, η) = P(u j. θ, ζ)g(θ η), (2) P(u j. ζ, η) g teremos que a função de log-verossimilhança será log L(ζ, η) ζ i = N j=1 IR [ ( Pi (u ji P i ) ζ i ) Wi P i Q i ] g j (θ)dθ. Item () e
40 Derivadas de P ji Item () e Finalmente, basta obter as derivadas para a FRI escolhida para cada item. Adotando o ML3 para todos os itens, teremos P ji a i = D(1 c i )(θ j b i )PjiQ ji, P ji b i = Da i (1 c i )PjiQ ji, P ji c i = Qji. Agora é só substituir na equação anterior. Item () e
41 Equações de Item () e Em resumo, as equações de estimação para os parâmetros a i, b i e c i são, respectivamente, a i : D(1 c i ) N j=1 b i : Da i (1 c i ) c i : N j=1 IR IR N j=1 [(u ji P i )(θ b i )W i ] g j (θ)dθ = 0, IR [ (u ji P i ) W i P i [(u ji P i )W i ] g j (θ)dθ = 0, ] g j (θ)dθ = 0, Item () e
42 Métodos Iterativos Item () e As equações não apresentam solução expĺıcita. Com isso, deve ser adotado algum método iterativo para obtenção das estimativas de máxima verossimilhança, tal como o Método de Newton-Raphson ou Scoring de Fisher. Para isso, devem ser calculadas ainda a derivadas segundas, 2 log L(ζ, η) ζ i ζ l (i, l). (3) Naturalmente, quando i = l (mesmo item) essas derivadas não serão nulas, mas o desejável seria que as derivadas cruzadas (i l) fossem nulas, mas não são. Isso implica que deveremos estimar todos os itens conjuntamente, tendo que inverter matrizes da ordem 3n inúmeras vezes, por exemplo. Item () e
43 Métodos Iterativos Item () e Usando r i (θ) = N j=1 As equações de estimação ficam u ji g j (θ), f i (θ) = N j=1 g j (θ), log L(ζ, η) = D(1 c i ) (θ b i ) [r i (θ) P i f i (θ)] W i dθ, a i IR log L(ζ, η) = Da i (1 c i ) [r i (θ) P i f i (θ)] W i dθ, b i log L(ζ, η) c i = IR IR [r i (θ) P i f i (θ)] W i dθ. Item () e
44 Item () e Na prática, a integral é aproximada usando-se q pontos de quadratura θ k e respectivos pesos A k, k = 1, q. As Equações ficam a i : D(1 c i ) q (θ k b i ) [r ki P ki f k ] W ki = 0, k=1 b i : Da i (1 c i ) c i : q k=1 q [r ki P ki f k ] W ki = 0, k=1 [r ki P ki f k ] W ki P ki = 0. Item () e
45 Etapas do Algoritmo EM Item () e Mais especificamente, os passos E e M são Passo E Usar os θ k, os pesos A k, k = 1,, q e estimativas iniciais ζ i para gerar gj (θ k) e, posteriormente, r ki e f k. Passo M Com r e f obtidos no Passo E, resolver as equações de estimação para ζ i usando o algoritmo Newton-Raphson ou Scoring de Fisher. Vantagem: tratamento de matrizes 3 3 para o ML3, convergência. Desvantagem: Velocidade de convergência Item () e
46 Método de Newton-Raphson Item () e Inicia-se com uma estimativa inicial de ζ i, representada (0) por ζ i. A cada iteração 1, 2,, as estimativas são melhoradas. A expressão para a estimativa de ζ i na iteração t + 1 será ζ (t+1) i = ζ (t) i [ ( ζ (t) i )] 1 h( ζ (t) i ). O processo para quando algum critério de parada for alcançado. Item () e
47 Método de Newton-Raphson Item () e Inicia-se com uma estimativa inicial de ζ i, representada (0) por ζ i. A cada iteração 1, 2,, as estimativas são melhoradas. A expressão para a estimativa de ζ i na iteração t + 1 será ζ (t+1) i = ζ (t) i [ ( ζ (t) i )] 1 h( ζ (t) i ). O processo para quando algum critério de parada for alcançado. Item () e
48 Método de Newton-Raphson Item () e Inicia-se com uma estimativa inicial de ζ i, representada (0) por ζ i. A cada iteração 1, 2,, as estimativas são melhoradas. A expressão para a estimativa de ζ i na iteração t + 1 será ζ (t+1) i = ζ (t) i [ ( ζ (t) i )] 1 h( ζ (t) i ). O processo para quando algum critério de parada for alcançado. Item () e
49 Erro-Padrão Item () e Os estimadores de máxima verossimilhança gozam de propriedades assintóticas conhecidas, tais como vício nulo e eficiência. Sob algumas condições de regularidade (ver Sen & Singer (1993), por exemplo) a distribuição assintótica do estimador de máxima verossimilhança, ζ i, é normal com vetor de média ζ i e matriz de covariâncias dada pela inversa da matriz de informação ( 2 ) log L(ζ) I(ζ i ) = E ζ i ζ = (ζ i ), i As raízes quadradas dos elementos diagonais de [I(ζ i )] 1 fornecem os erros-padrão dos estimadores â i, b i e ĉ i. Item () e
50 das Habilidades Item () e Nesta etapa consideramos os parâmetros dos itens conhecidos. A habilidade do indivíduo j será estimada com base na distribuiçãoda habilidade, condicionada ao vetor de respostas do indivíduo j, ou seja, alguma característica de g j (θ) : g j (θ) g(θ u j., ζ, η) = P(u j. θ, ζ)g(θ η) P(u j. ζ, η) Podemos usar a Média desta distribuição (chamado de EAP - expected a posteriori), ou o máximo (Moda) da distribuição (chamado de MAP - maximum a posteriori) Item () e
51 das Habilidades Item () e Nesta etapa consideramos os parâmetros dos itens conhecidos. A habilidade do indivíduo j será estimada com base na distribuiçãoda habilidade, condicionada ao vetor de respostas do indivíduo j, ou seja, alguma característica de g j (θ) : g j (θ) g(θ u j., ζ, η) = P(u j. θ, ζ)g(θ η) P(u j. ζ, η) Podemos usar a Média desta distribuição (chamado de EAP - expected a posteriori), ou o máximo (Moda) da distribuição (chamado de MAP - maximum a posteriori) Item () e
52 das Habilidades Item () e Nesta etapa consideramos os parâmetros dos itens conhecidos. A habilidade do indivíduo j será estimada com base na distribuiçãoda habilidade, condicionada ao vetor de respostas do indivíduo j, ou seja, alguma característica de g j (θ) : g j (θ) g(θ u j., ζ, η) = P(u j. θ, ζ)g(θ η) P(u j. ζ, η) Podemos usar a Média desta distribuição (chamado de EAP - expected a posteriori), ou o máximo (Moda) da distribuição (chamado de MAP - maximum a posteriori) Item () e
53 Estimaçao das Habilidades - Visualização Item () e Item () e
54 EAP - expected a posteriori Item () e Este método é bastante conveniente, pois durante o processo de estimação dos parâmetros dos itens as quantidades gj (θ) são obtidas e guardadas, assim como o vetor de pontos de quadratura θ = (θ 1, θ 2,, θ q ), usado para aproximar as integrais por somas. Segue que a esperança da posteriori é θ j E[θ u j., ζ, η] = IR θg j (θ)dθ. Item () e
55 MAP - maximum a posteriori Item () e Temos que encontrar o ponto de máximo de g j (θ) Logaritmizamos, derivamos e igualamos a zero, e aplicamos Newton-Raphson. A equação de estimação para θ j é dada por D n i=1 a i (1 c i )(u ji P ji )W ji (θ j µ) σ 2 = 0. O processo iterativo será feito com base em θ (t+1) j = θ (t) j [H( θ (t) j )] 1 h( θ (t) j ) O erro-padrão será dado pelo inverso da informação de Fisher. Item () e
56 MAP - maximum a posteriori Item () e Temos que encontrar o ponto de máximo de g j (θ) Logaritmizamos, derivamos e igualamos a zero, e aplicamos Newton-Raphson. A equação de estimação para θ j é dada por D n i=1 a i (1 c i )(u ji P ji )W ji (θ j µ) σ 2 = 0. O processo iterativo será feito com base em θ (t+1) j = θ (t) j [H( θ (t) j )] 1 h( θ (t) j ) O erro-padrão será dado pelo inverso da informação de Fisher. Item () e
57 MAP - maximum a posteriori Item () e Temos que encontrar o ponto de máximo de g j (θ) Logaritmizamos, derivamos e igualamos a zero, e aplicamos Newton-Raphson. A equação de estimação para θ j é dada por D n i=1 a i (1 c i )(u ji P ji )W ji (θ j µ) σ 2 = 0. O processo iterativo será feito com base em θ (t+1) j = θ (t) j [H( θ (t) j )] 1 h( θ (t) j ) O erro-padrão será dado pelo inverso da informação de Fisher. Item () e
58 MAP - maximum a posteriori Item () e Temos que encontrar o ponto de máximo de g j (θ) Logaritmizamos, derivamos e igualamos a zero, e aplicamos Newton-Raphson. A equação de estimação para θ j é dada por D n i=1 a i (1 c i )(u ji P ji )W ji (θ j µ) σ 2 = 0. O processo iterativo será feito com base em θ (t+1) j = θ (t) j [H( θ (t) j )] 1 h( θ (t) j ) O erro-padrão será dado pelo inverso da informação de Fisher. Item () e
59 MAP - maximum a posteriori Item () e Temos que encontrar o ponto de máximo de g j (θ) Logaritmizamos, derivamos e igualamos a zero, e aplicamos Newton-Raphson. A equação de estimação para θ j é dada por D n i=1 a i (1 c i )(u ji P ji )W ji (θ j µ) σ 2 = 0. O processo iterativo será feito com base em θ (t+1) j = θ (t) j [H( θ (t) j )] 1 h( θ (t) j ) O erro-padrão será dado pelo inverso da informação de Fisher. Item () e
60 Item () e Análise Clássica: ItemAN ( Item: Bilog-MG, para itens dicotômicos ( Item: Bilog-MG, para itens policotômicos Análise de Fatores Associados: HLM (Hierarquical Linear Models) Itm do R Item () e
61 Item () e Análise Clássica: ItemAN ( Item: Bilog-MG, para itens dicotômicos ( Item: Bilog-MG, para itens policotômicos Análise de Fatores Associados: HLM (Hierarquical Linear Models) Itm do R Item () e
62 Item () e Análise Clássica: ItemAN ( Item: Bilog-MG, para itens dicotômicos ( Item: Bilog-MG, para itens policotômicos Análise de Fatores Associados: HLM (Hierarquical Linear Models) Itm do R Item () e
63 Item () e Análise Clássica: ItemAN ( Item: Bilog-MG, para itens dicotômicos ( Item: Bilog-MG, para itens policotômicos Análise de Fatores Associados: HLM (Hierarquical Linear Models) Itm do R Item () e
64 Item () e Análise Clássica: ItemAN ( Item: Bilog-MG, para itens dicotômicos ( Item: Bilog-MG, para itens policotômicos Análise de Fatores Associados: HLM (Hierarquical Linear Models) Itm do R Item () e
65 Item () e Item () e
66 Item () e Item () e
67 Item () e Obrigado! heliton@ufpa.br Item () e
Prova Brasil, Saresp etc. Heliton Ribeiro Tavares
: Enem, Prova Brasil, Saresp etc. Heliton Ribeiro Tavares Faculdade de Estatística / Universidade Federal do Pará heliton@ufpa.br Etapas da Apresentação 1 Breve introdução 2 Alguns resultados do Enem 3
Leia maisTeoria da Resposta ao Item (TRI)
Ribeiro Faculdade de Estatística / Universidade Federal do Pará heliton@ufpa.br 2 Etapas da Apresentação 2 1 2 item () 3 Geração de Dados 4 5 Principais Aplicativos () 6 Principais Sistemas de Avaliação
Leia maisMAE5778 - Teoria da Resposta ao Item
MAE5778 - Teoria da Resposta ao Item Fernando Henrique Ferraz Pereira da Rosa Robson Lunardi 11 de janeiro de 2005 Lista 1 1. Realize uma análise, utilizando o programa ITEMAN, de cada um dos itens e do
Leia maisTeoria de Resposta ao Item
Teoria de Resposta ao Item Caio L. N., IMECC/Unicamp Aspectos Gerais Os itens de um teste podem medir mais de um tipo de conhecimento. Exemplo: itens de matemática que expõe uma situação problema: interpretação
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR Assuntos: Matrizes; Matrizes Especiais; Operações com Matrizes; Operações Elementares
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o
Leia maisConstrução de escalas de proficiência para exames seletivos, por meio da Teoria da Resposta ao Item
Construção de escalas de proficiência para exames seletivos, por meio da Teoria da Resposta ao Item Edilan de Sant Ana Quaresma 1 Pedro Alberto Barbetta 2 Adriano Ferreti Borgatto 2 Ezequiel Abraham López
Leia mais[a11 a12 a1n 4. SISTEMAS LINEARES 4.1. CONCEITO. Um sistema de equações lineares é um conjunto de equações do tipo
4. SISTEMAS LINEARES 4.1. CONCEITO Um sistema de equações lineares é um conjunto de equações do tipo a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 11 x 1 + a 12 x 2 +... + a 1n x n = b 2... a n1 x 1 + a
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisCI202 - Métodos Numéricos
CI202 - Métodos Numéricos Lista de Exercícios 2 Zeros de Funções Obs.: as funções sen(x) e cos(x) devem ser calculadas em radianos. 1. Em geral, os métodos numéricos para encontrar zeros de funções possuem
Leia maisDistribuições de Probabilidade Distribuição Normal
PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisANÁLISE DE ITENS E DA CONFIABILIDADE DE UM TESTE DE AVALIAÇÃO DE CONHECIMENTOS - UM ESTUDO DE CASO
Antonio Alves de Oliveira Filho Mariana Alves da Fonseca ANÁLISE DE ITENS E DA CONFIABILIDADE DE UM TESTE DE AVALIAÇÃO DE CONHECIMENTOS - UM ESTUDO DE CASO Projeto apresentado na disciplina de Laboratório
Leia maisUm modelo de TRI para dados do vestibular 2011.2 da Universidade Federal de Uberlândia
Um modelo de TRI para dados do vestibular 20.2 da Universidade Federal de Uberlândia Luana Amâncio Terra 2 José Waldemar da Silva 2 Lúcio Borges de Araújo 2 Maria Imaculada de Sousa Silva 2 Introdução
Leia maisAVALIAÇÃO DA APRENDIZAGEM E DAS PROVAS DO CENTRO DE FORMAÇÃO INTERDISCIPLINAR/UFOPA VIA TEORIA DA RESPOSTA AO ITEM.
1 AVALIAÇÃO DA APRENDIZAGEM E DAS PROVAS DO CENTRO DE FORMAÇÃO INTERDISCIPLINAR/UFOPA VIA TEORIA DA RESPOSTA AO ITEM. Edilan de Sant Ana Quaresma, ICED/UFOPA - USP(equaresm@ufpa.br) Carlos Tadeu dos Santos
Leia maisEE210 Sistemas de Comunicação II 2ª Avaliação (PV2) 22/04/2015 15h30min Profs. Dayan A. Guimarães e Rausley A. A. de Souza. Aluno(a): Matrícula.
EE1 Sistemas de Comunicação II ª Avaliação (PV) /4/15 15h3min Profs. Dayan A. Guimarães e Rausley A. A. de Souza Nota : Nota P: Aluno(a): Matrícula. Prova sem consulta, com duração de 1h5min. A interpretação
Leia maisDisciplina: Introdução à Álgebra Linear
Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte Campus: Mossoró Curso: Licenciatura Plena em Matemática Disciplina: Introdução à Álgebra Linear Prof.: Robson Pereira de Sousa
Leia maisINTRODUÇÃO AOS MÉTODOS FACTORIAIS
Capítulo II INTRODUÇÃO AOS MÉTODOS FACTORIAIS A Análise Factorial de Correspondências é uma técnica simples do ponto de vista matemático e computacional. Porém, devido ao elevado suporte geométrico desta
Leia maisJá vimos que a energia gravitacional entre duas partículas de massas m 1 e m 2, com vetores posição em r 1 e r 2, respectivamente, é dada por
Força conservativa Já vimos que a energia gravitacional entre duas partículas de massas m 1 e m 2, com vetores posição em r 1 e r 2, respectivamente, é dada por U 12 = Gm 1m 2 r 2 r 1. Vimos também que
Leia maisobjetivo Exercícios Meta da aula Pré-requisitos Aplicar o formalismo quântico estudado neste módulo à resolução de um conjunto de exercícios.
Exercícios A U L A 10 Meta da aula Aplicar o formalismo quântico estudado neste módulo à resolução de um conjunto de exercícios. objetivo aplicar os conhecimentos adquiridos nas Aulas 4 a 9 por meio da
Leia maisCÁLCULO DE ZEROS DE FUNÇÕES REAIS
15 CÁLCULO DE ZEROS DE FUNÇÕES REAIS Um dos problemas que ocorrem mais frequentemente em trabalhos científicos é calcular as raízes de equações da forma: f() = 0. A função f() pode ser um polinômio em
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisE A D - S I S T E M A S L I N E A R E S INTRODUÇÃO
E A D - S I S T E M A S L I N E A R E S INTRODUÇÃO Dizemos que uma equação é linear, ou de primeiro grau, em certa incógnita, se o maior expoente desta variável for igual a um. Ela será quadrática, ou
Leia maisModelagem no Domínio do Tempo. Carlos Alexandre Mello. Carlos Alexandre Mello cabm@cin.ufpe.br 1
Carlos Alexandre Mello 1 Modelagem no Domínio da Frequência A equação diferencial de um sistema é convertida em função de transferência, gerando um modelo matemático de um sistema que algebricamente relaciona
Leia maisIBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 6. O trabalho feito pela força para deslocar o corpo de a para b é dado por: = =
Energia Potencial Elétrica Física I revisitada 1 Seja um corpo de massa m que se move em linha reta sob ação de uma força F que atua ao longo da linha. O trabalho feito pela força para deslocar o corpo
Leia maisIvan Guilhon Mitoso Rocha. As grandezas fundamentais que serão adotadas por nós daqui em frente:
Rumo ao ITA Física Análise Dimensional Ivan Guilhon Mitoso Rocha A análise dimensional é um assunto básico que estuda as grandezas físicas em geral, com respeito a suas unidades de medida. Como as grandezas
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Todos nós estamos habituados a avaliar nosso desempenho. Isso se inicia principalmente na vida escolar, com as provas e os testes. Uma avaliação considera quanto da prova se respondeu
Leia maisDefinição. A expressão M(x,y) dx + N(x,y)dy é chamada de diferencial exata se existe uma função f(x,y) tal que f x (x,y)=m(x,y) e f y (x,y)=n(x,y).
PUCRS FACULDADE DE ATEÁTICA EQUAÇÕES DIFERENCIAIS PROF. LUIZ EDUARDO OURIQUE EQUAÇÔES EXATAS E FATOR INTEGRANTE Definição. A diferencial de uma função de duas variáveis f(x,) é definida por df = f x (x,)dx
Leia maisA equação do 2º grau
A UA UL LA A equação do 2º grau Introdução Freqüentemente, ao equacionarmos um problema, obtemos uma equação na qual a incógnita aparece elevada ao quadrado. Estas são as chamadas equações do 2º grau.
Leia maisNovo Atlas do Desenvolvimento Humano no Brasil
Entenda o cálculo do IDH Municipal (IDH-M) e saiba quais os indicadores usados O Índice de Desenvolvimento Humano foi criado originalmente para medir o nível de desenvolvimento humano dos países a partir
Leia maisFaculdade Sagrada Família
AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer
Leia maisCálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU
Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) III Resolução de sistemas lineares por métodos numéricos. Objetivos: Veremos
Leia maisMétodo de Eliminação de Gauss. Eduardo Camponogara
Sistemas de Equações Lineares Método de Eliminação de Gauss Eduardo Camponogara Departamento de Automação e Sistemas Universidade Federal de Santa Catarina DAS-5103: Cálculo Numérico para Controle e Automação
Leia maisO degrau de potencial. Caso II: energia maior que o degrau
O degrau de potencial. Caso II: energia maior que o degrau U L 9 Meta da aula plicar o formalismo quântico ao caso de uma partícula quântica que incide sobre o degrau de potencial, definido na ula 8. Vamos
Leia maisUniversidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria Prova de Conhecimentos Específicos
Dados que podem ser necessários a algumas questões de Estatística: P (t > t α ) = α ν 0,05 0,025 15 1,753 2,131 16 1,746 2,120 28 1,791 2,048 30 1,697 2,042 (Valor: 1,4) Questão 1. Considere o seguinte
Leia maisConceitos Fundamentais
Capítulo 1 Conceitos Fundamentais Objetivos: No final do Capítulo o aluno deve saber: 1. distinguir o uso de vetores na Física e na Matemática; 2. resolver sistema lineares pelo método de Gauss-Jordan;
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia mais(Modelo de) Relatório: 1-Introdução. 2-Materiais e métodos. 3-Análise descritiva dos dados
(Modelo de) Relatório: 1-Introdução (Nessa seção faz-se uma apresentação/contextualização do problema e descreve-se como está organizado o relatório) Ex: Neste trabalho temos o objetivo de traçar o perfil
Leia maisAnálise de Componente Principais (PCA) Wagner Oliveira de Araujo
Análise de Componente Principais (PCA) Wagner Oliveira de Araujo Technical Report - RT-MSTMA_003-09 - Relatório Técnico May - 2009 - Maio The contents of this document are the sole responsibility of the
Leia maisControle de Veículos Aéreos
12, 13 e 14/11/2014, Parnaíba-PI Controle de Veículos Aéreos Prof. Dr. Mário Sarcinelli Filho Universidade Federal do Espírito Santo UFES Bolsista de Produtividade em Pesquisa PQ-2 do CNPq Orientador de
Leia maisCADEX. Consultoria em Logística Interna. Layout de armazém. Objectivos. Popularidade. Semelhança. Tamanho. Características
CADEX Consultoria em Logística Interna Layout de armazém fonte: Wikipédia O layout de armazém é a forma como as áreas de armazenagem de um armazém estão organizadas, de forma a utilizar todo o espaço existente
Leia mais7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora
7Testes de hipótese Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno COMENTÁRIOS INICIAIS Uma hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade. Por exemplo,
Leia maisPLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística
1. IDENTIFICAÇÃO PLANO DE ENSINO Disciplina: Estatística Multivariada Código: PGMAT568 Pré-Requisito: No. de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: Semestre: 1º Ano: 2015 Turma(s): 01 Professor(a):
Leia maisINE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE
INE 5 LISTA DE EERCÍCIOS DE PROBABILIDADE INE 5 Gabarito da Lista de Exercícios de Probabilidade ) Em um sistema de transmissão de dados existe uma probabilidade igual a 5 de um dado ser transmitido erroneamente.
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisa 1 x 1 +... + a n x n = b,
Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição
Leia maisAs fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico
Leia maisAS LEIS DE NEWTON PROFESSOR ANDERSON VIEIRA
CAPÍTULO 1 AS LEIS DE NEWTON PROFESSOR ANDERSON VIEIRA Talvez o conceito físico mais intuitivo que carregamos conosco, seja a noção do que é uma força. Muito embora, formalmente, seja algo bastante complicado
Leia maisTópico 2. Conversão de Unidades e Notação Científica
Tópico 2. Conversão de Unidades e Notação Científica Toda vez que você se refere a um valor ligado a uma unidade de medir, significa que, de algum modo, você realizou uma medição. O que você expressa é,
Leia mais1 Método de Monte Carlo Simples
Método de Monte Carlo Simples Finalidade: obter uma estimativa para o valor esperado de uma função qualquer g da variável aleatória θ, ou seja, E[g(θ)]. Seja g(θ) uma função qualquer de θ. Suponha que
Leia maiscomputador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisIBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 3
Linhas de Força Mencionamos na aula passada que o físico inglês Michael Faraday (79-867) introduziu o conceito de linha de força para visualizar a interação elétrica entre duas cargas. Para Faraday, as
Leia maisAVALIAÇÃO DO MODELO DE ONDAS
AVALIAÇÃO DO MODELO DE ONDAS O modelo de onda WAVEWATCH implementado operacionalmente no CP- TEC/INPE global é validado diariamente com os dados do satélite JASON-2. Este novo produto tem como finalidade
Leia maisCAPÍTULO 9 Exercícios Resolvidos
CAPÍTULO 9 Exercícios Resolvidos R9.1) Diâmetro de esferas de rolamento Os dados a seguir correspondem ao diâmetro, em mm, de 30 esferas de rolamento produzidas por uma máquina. 137 154 159 155 167 159
Leia maisEstatística e Probabilidade
Correlação Estatística e Probabilidade Uma correlação é uma relação entre duas variáveis. Os dados podem ser representados por pares ordenados (x,y), onde x é a variável independente ou variável explanatória
Leia maisDesafio Profissional PÓS-GRADUAÇÃO 2012. Gestão de Projetos - Módulo C Prof. Me. Valter Castelhano de Oliveira
Desafio Profissional PÓS-GRADUAÇÃO 12 Gestão de Projetos - Módulo C Prof. Me. Valter Castelhano de Oliveira 1 DESAFIO PROFISSIONAL Disciplinas: Ferramentas de Software para Gestão de Projetos. Gestão de
Leia maisPESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 *
PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR 1 Graduando Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 * 2 Pesquisador - Orientador 3 Curso de Matemática, Unidade Universitária
Leia maisTeoria de Resposta ao Item
Teoria de Resposta ao Item Caio L. N., IMECC/Unicamp Teoria psicométrica desenvolvida para suprir necessidades na área educacional. É composta por conjunto de modelos que consideram variáveis latentes.
Leia mais2 Independência e dependência das taxas de juro
1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,
Leia maisPor que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,...
Por que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,... 0) O que veremos na aula de hoje? Um fato interessante Produtos notáveis Equação do 2º grau Como fazer a questão 5 da 3ª
Leia maisBCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 04: Análise de Algoritmos (Parte 1) Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Ciência da Computação, DECOM Website: www.decom.ufop.br/reifortes
Leia maisCarga dos alimentadores
50 Análise de consumo de energia e aplicações Capítulo V Carga dos alimentadores Por Manuel Luís Barreira Martinez* Em continuidade ao capítulo anterior, Locação de cargas métodos para a locação de carga
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
Caríssimos. Recebi muitos e-mails pedindo ajuda com eventuais recursos para as provas do BACEN. Em raciocínio lógico, eu não vi possibilidade de recursos, apesar de achar que algumas questões tiveram o
Leia maisMaterial Teórico - Módulo de Divisibilidade. MDC e MMC - Parte 1. Sexto Ano. Prof. Angelo Papa Neto
Material Teórico - Módulo de Divisibilidade MDC e MMC - Parte 1 Sexto Ano Prof. Angelo Papa Neto 1 Máximo divisor comum Nesta aula, definiremos e estudaremos métodos para calcular o máximo divisor comum
Leia maisGabarito da Prova de Oficinas dos Velhos Ano 2008
Gabarito da Prova de Oficinas dos Velhos Ano 2008 12 de maio de 2008 1 (a) O objetivo principal da oficina de espectroscopia é que os aprendizes aprendessem, rápido, a interpretar espectros e linhas espectrais,
Leia mais9. Derivadas de ordem superior
9. Derivadas de ordem superior Se uma função f for derivável, então f é chamada a derivada primeira de f (ou de ordem 1). Se a derivada de f eistir, então ela será chamada derivada segunda de f (ou de
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES 1
CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,
Leia maisCaracterização temporal de circuitos: análise de transientes e regime permanente. Condições iniciais e finais e resolução de exercícios.
Conteúdo programático: Elementos armazenadores de energia: capacitores e indutores. Revisão de características técnicas e relações V x I. Caracterização de regime permanente. Caracterização temporal de
Leia maisSeleção e Monitoramento de Fundos de Investimentos
2010 Seleção e Monitoramento de Fundos de Investimentos Nota Técnica 02 Diretoria de Investimentos Previ-Rio 09/2010 NOTA TÉCNICA 02 1 - Introdução Esta nota técnica, desenvolvida pela Equipe da, tem por
Leia maisResoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ
Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos
Leia maisx0 = 1 x n = 3x n 1 x k x k 1 Quantas são as sequências com n letras, cada uma igual a a, b ou c, de modo que não há duas letras a seguidas?
Recorrências Muitas vezes não é possível resolver problemas de contagem diretamente combinando os princípios aditivo e multiplicativo. Para resolver esses problemas recorremos a outros recursos: as recursões
Leia maisficha 3 espaços lineares
Exercícios de Álgebra Linear ficha 3 espaços lineares Exercícios coligidos por Jorge Almeida e Lina Oliveira Departamento de Matemática, Instituto Superior Técnico 2 o semestre 2011/12 3 Notação Sendo
Leia mais36 a Olimpíada Brasileira de Matemática Nível Universitário Primeira Fase
36 a Olimpíada Brasileira de Matemática Nível Universitário Primeira Fase Problema 1 Turbo, o caracol, está participando de uma corrida Nos últimos 1000 mm, Turbo, que está a 1 mm por hora, se motiva e
Leia maisUniversidade Federal do Pará. Instituto de Ciências Exatas e Naturais. Programa de Pós-graduação em Matemática e Estatística. Reginaldo Pereira Costa
Universidade Federal do Pará Instituto de Ciências Exatas e Naturais Programa de Pós-graduação em Matemática e Estatística Reginaldo Pereira Costa O MODELO BETA PARA RESPOSTA CONTÍNUA LIMITADA EM TEORIA
Leia maisProjeto Supervisionado
Projeto Supervisionado Caio Almasan de Moura ra: 095620 Indice 1. Introdução 2. Principal Projeto: Modelo de Score 2.1. Objetivo... pg 3 2.2. Agentes Envolvidos... pg 3 2.3. Contextualização... pg 3 2.4.
Leia maisBC-0005 Bases Computacionais da Ciência. Modelagem e simulação
BC-0005 Bases Computacionais da Ciência Aula 8 Modelagem e simulação Santo André, julho de 2010 Roteiro da Aula Modelagem O que é um modelo? Tipos de modelos Simulação O que é? Como pode ser feita? Exercício:
Leia maisTeorema do Limite Central e Intervalo de Confiança
Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisDISTRIBUIÇÃO NORMAL 1
DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02
Leia maisLevando em conta decisões de investimento não-triviais.
Levando em conta decisões de investimento não-triviais. Olivier Blanchard* Abril de 2002 *14.452. 2º Trimestre de 2002. Tópico 4. 14.452. 2º Trimestre de 2002 2 No modelo de benchmark (e na extensão RBC),
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisAlém do Modelo de Bohr
Além do Modelo de Bor Como conseqüência do princípio de incerteza de Heisenberg, o conceito de órbita não pode ser mantido numa descrição quântica do átomo. O que podemos calcular é apenas a probabilidade
Leia maisUm capacitor é um sistema elétrico formado por dois condutores separados por um material isolante, ou pelo vácuo.
Capacitores e Dielétricos Um capacitor é um sistema elétrico formado por dois condutores separados por um material isolante, ou pelo vácuo. Imaginemos uma configuração como a de um capacitor em que os
Leia maisModelo Linear Geral V
Modelo Linear Geral V Aula 10 Heij et al., 2004 Capítulo 5 Wooldridge, 2011 (4. ed) Capítulo 7 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA COM INFORMAÇÃO QUALITATIVA: O USO DA VARIÁVEL DUMMY Variável Dummy Uma
Leia maisVetores Aleatórios, correlação e conjuntas
Vetores Aleatórios, correlação e conjuntas Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Segundo Semestre, 2013 C.T.Cristino (DEINFO-UFRPE) Vetores Aleatórios 2013.2
Leia maisMatemática Financeira II
Módulo 3 Unidade 28 Matemática Financeira II Para início de conversa... Notícias como essas são encontradas em jornais com bastante frequência atualmente. Essas situações de aumentos e outras como financiamentos
Leia maisANÁLISE DA PROVA DE PORTUGUÊS PARA O CURSO DE AGRONOMIA ATRAVÉS DA TEORIA DA RESPOSTA AO ITEM
ANÁLISE DA PROVA DE PORTUGUÊS PARA O CURSO DE AGRONOMIA ATRAVÉS DA TEORIA DA RESPOSTA AO ITEM Fabrícia de Matos Oliveira 1, Eric Batista Ferreira 2, Marcelo Silva de Oliveira 3 INTRODUÇÃO Na área educacional,
Leia maisTópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções
Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções 1. INTRODUÇÃO Ao se obter uma sucessão de pontos experimentais que representados em um gráfico apresentam comportamento
Leia maisRecordamos que Q M n n (R) diz-se ortogonal se Q T Q = I.
Diagonalização ortogonal de matrizes simétricas Detalhes sobre a Secção.3 dos Apontamentos das Aulas teóricas de Álgebra Linear Cursos: LMAC, MEBiom e MEFT (semestre, 0/0, Prof. Paulo Pinto) Recordamos
Leia maisO método de Monte Carlo: algumas aplicações na Escola Básica
1 Universidade de São Paulo/Faculdade de Educação Seminários de Ensino de Matemática (SEMA-FEUSP) Coordenador: Nílson José Machado novembro/2009 O método de Monte Carlo: algumas aplicações na Escola Básica
Leia maisProvas Comentadas OBF/2011
PROFESSORES: Daniel Paixão, Deric Simão, Edney Melo, Ivan Peixoto, Leonardo Bruno, Rodrigo Lins e Rômulo Mendes COORDENADOR DE ÁREA: Prof. Edney Melo 1. Um foguete de 1000 kg é lançado da superfície da
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisTÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO
1 TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior www.lira.pro.br direitos autorais. INTRODUÇÃO À ANÁLISE MULTIVARIADA Apenas uma breve apresentação Para não dizerem que
Leia maisO QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA 4 a LISTA DE EXERCÍCIOS GBQ12 Professor: Ednaldo Carvalho Guimarães AMOSTRAGEM
1 UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA 4 a LISTA DE EXERCÍCIOS GBQ12 Professor: Ednaldo Carvalho Guimarães AMOSTRAGEM 1) Um pesquisador está interessado em saber o tempo médio que
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisUma lei que associa mais de um valor y a um valor x é uma relação, mas não uma função. O contrário é verdadeiro (isto é, toda função é uma relação).
5. FUNÇÕES DE UMA VARIÁVEL 5.1. INTRODUÇÃO Devemos compreender função como uma lei que associa um valor x pertencente a um conjunto A a um único valor y pertencente a um conjunto B, ao que denotamos por
Leia mais