Uma visão gerencial da Estatística e Séries Temporais. Uma visão gerencial da Estatística e Séries Temporais

Tamanho: px
Começar a partir da página:

Download "Uma visão gerencial da Estatística e Séries Temporais. Uma visão gerencial da Estatística e Séries Temporais"

Transcrição

1 IAG MASTER EM DESENVOLVIMENTO GERENCIAL 2006 Fundamentos de Economia de Energia Mônica Barros, D.Sc. Aula 3 10/06/2006 Uma visão gerencial da Estatística e Séries Temporais Séries Temporais Interpretação da saída de ajustes de Comparação de Valores faltantes como tratar? Splines Data mining Transformação e tratamento dados 1 2 Uma visão gerencial da Estatística e Séries Temporais Redes neurais Quando aplicar qual método para longo, médio, curto e curtíssimo prazo? Como medir/quantificar influência de variáveis o conceito de elasticidade Cenários não são minha praia mas vou tentar falar um pouquinho 3 Interpretação da saída de ajustes de Exemplo Legend CARGA_TOTAL X 1E Ajustamos um modelo de regressão dinâmica a esta série de carga total no período 03/2003 a 04/2005. Quais os diagnósticos do modelo? 4

2 Interpretação da saída de ajustes de Estrutura do Modelo Forecast Model for CARGA_TOTAL with log transform Regression(4 regressors, 0 lagged errors) Term Coefficient Std. Error t-statistic Significance Log(CV_X3) Log(EMP_X11) Log(CARGA_TOTAL[-1]) Log(CARGA_TOTAL[-12]) Interpretação da saída de ajustes de O que isso quer dizer? O log da carga total depende das variáveis... Log(CV_X3) uma variável de consumo e vendas Log(EMP_X11) um indicador de emprego Log(Carga_Total(-1)) o log da carga um mês atrás Log(Carga_Total(-12)) o log da carga um ano atrás 5 6 Interpretação da saída de ajustes de Coeficiente é o coeficiente estimado daquela variável no modelo Std. Error é o erro padrão daquele coeficiente estimado T-statistic é a estatística t. Se é maior ou igual a 2 em módulo indica que a variável é significante e deve ser mantida no modelo. 7 Interpretação da saída de ajustes de Significance é a significância da variável (ou do coeficiente). Quanto MAIOR a significância, MELHOR. O valor máximo da significância é 1. Alguns softwares exibem o p-value (p- valor), que é apenas 1-1 significância. Portanto, quanto MENOR o p-value, p MELHOR. 8

3 Interpretação da saída de ajustes de Diagnósticos dentro da amostra Within-Sample Statistics Sample size 27 Number of parameters 4 Mean Standard deviation R-square Adjusted R- squared Durbin-Watson 1.52 Ljung- Box(18)=16.14 P= Forecast error BIC MAPE RMSE MAD Interpretação da saída de ajustes de Sample size Mean R-square Durbin-Watson Forecast error MAPE MAD tamanho da amostra usada no ajuste do modelo média da série R-quadrado - quanto mais perto de 100% melhor Estatística que mede autocorrelação do erro de lag 1 Erro de previsão Erro médio PERCENTUAL de previsão Erro médio ABSOLUTO de previsão 10 Interpretação da saída de ajustes de Number of parameters Standard deviation Adjusted R-squared Ljung-Box(18)=16.14 BIC RMSE Número de coeficientes do modelo Desvio padrão da série R-quadrado ajustado, penalizado pelo número de parâmetros Estatística de Ljung-Box - mede autocorrelações de resíduos nos primeiros k lags. Neste caso 18 lags. Idealmente, você NÃO QUER que esta estatística seja significante. Estatística BIC (Bayesian Information Criterion). Serve apenas para comparar diferentes para a mesma série. Quanto menor, melhor. Raiz do erro quadrático médio. Interpretação da saída de ajustes de Erros fora da amostra Neste exemplo guardamos os 5 meses finais da série para comparar os resultados das previsões com o efetivamente ocorrido. Os resultados são mostrados no Forecast Pro no out of sample rolling evaluation

4 Interpretação da saída de ajustes de Out-of-Sample Rolling Evaluation H N MAD Cumulative Average MAPE Cumulative Average GMRAE Cumulative Average Interpretação da saída de ajustes de Estes diagnósticos são importantes pois nos permitem verificar se as previsões se deterioram rapidamente com o aumento do horizonte de previsão. H = horizontes de previsão (aqui de 1 a 5 meses à frente) N = número de previsões feitas com aquele horizonte MAD = erro absoluto médio MAPE = erro percentual absoluto médio 13 Por exemplo, neste caso vemos que nenhuma das estatísticas acumuladas está explodindo, o que indica que o modelo reage bem neste horizonte de 5 meses. 14 Comparação de Modelos O que é um bom modelo? É algo que consegue estabelecer um balanço entre diversos requisitos, tais como: Parcimônia (simplicidade) Capacidade de ajuste dentro da amostra Capacidade de gerar boas previsões Interpretabilidade (coeficientes com sinais certos ) Inexistência de estrutura nos resíduos Comparação de Modelos As estatísticas de saída de um modelo nos permitem acessar a qualidade do modelo em relação a cada um destes aspectos. Por exemplo: Parcimônia olhe para o R 2 ajustado e o BIC

5 Comparação de Modelos Capacidade de Ajuste Dentro da Amostra Olhe para: R 2 e R 2 ajustado quanto maior melhor Erros Forecast Error, MAD, MAPE e RMSE quanto menor melhor Capacidade de Gerar Boas Previsões Olhe para: Out of sample rolling evaluation 17 Comparação de Modelos Inexistência de Estrutura nos Resíduos Olhe para: Estatística Durbin-Watson só autocorrelação de lag 1 dos erros. Se tudo estiver Ok, está perto de 2, mas é difícil dizer o quanto perto deve estar. Estatística de Ljung-Box calcula k primeiras autocorrelações dos resíduos, onde k depende do tamanho da série. Tem aproximadamente a distribuição Qui-quadrado. Idealmente é não significante. 18 Comparação de Modelos Interpretabilidade Ajuste perfeito não adianta nada se os coeficientes não têm sinais coerentes. Por exemplo, preço explicando vendas com sinal positivo! Não faz sentido! Existe uma outra variável por trás que está sendo ignorada e que está mascarando o efeito do preço nas vendas pode ser o próprio tempo. Não adianta ter um modelo com ajuste perfeito e coeficientes que não fazem sentido. Seja crítico! 19 Comparação de Modelos Interpretabilidade No exemplo, as variáveis causais são: CV_X3 = número de registros recebidos no SPC. Coeficiente positivo. Será que faz sentido? EMP_X11=Média das horas efetivamente trabalhadas por semana, em todos os trabalhos, pelas pessoas de 10 anos ou mais de idade, ocupadas na semana de referência (Horas). O coeficiente foi positivo. Neste caso parece fazer perfeito sentido para mim... 20

6 Comparação de Modelos Valores Faltantes como tratar? Comparação de Modelos Regressão Dinâmica Holt-Winters Box-Jenkins N R-quadrado R-quadrado ajustado Forecast Error 1.54% 2.20% 2.41% MAPE 1.12% 1.57% 1.47% MAD BIC Marcados em laranja os melhores resultados dentre os Depende... Existem algoritmos sofisticadíssimos e soluções simplérrimas. Algumas considerações importantes: Quantidade de valores faltantes Localização de valores faltantes estão todos agrupados em blocos ou espalhados pela série? 22 Valores Faltantes como tratar? Valores Faltantes como tratar? Soluções simples... Substituir por funções fáceis de calcular, por exemplo, médias e medianas. Soluções um pouco mais sofisticadas... Substituir valores faltantes por previsões obtidas através de métodos automáticos. 23 Soluções um pouco mais sofisticadas... Estimar uma função de sen(t) e cos(t) e substituir os valores faltantes pelos valores da função. Usar uma interpolação linear ou um spline cúbico. Note que estas soluções (harmônicas e interpolações) são determinísticas, no sentido de não serem baseadas em estatísticos. 24

7 Valores Faltantes como tratar? Spline cúbico É uma coleção de funções polinomiais de 3a. ordem que passam através de m nós. A segunda derivada de cada polinômio é geralmente igualada a zero nos extremos dos intervalos, o que produz um sistema de equações de contorno fácil de resolver para produzir os coeficientes dos polinômios. Valores Faltantes como tratar? E como fazer para criar uma série para trás? Por exemplo, a série de carga da Eletropaulo não existe antes de O que fazer? Pegar o share correspondente à sua área de concessão na série da Cesp antes de 1998 e construir uma série artificial que corresponderia à Eletropaulo antes de Data Mining Da Wikipedia... Data Mining ou Mineração de Dados é um conjunto de técnicas que buscam a aquisição de novos conhecimentos através da análise de grandes bases de dados. Utilizam diversos algoritmos computacionais tais como Segmentação, Classificação e Previsão. 27 Data Mining Ainda da Wikipedia... A premissa do Data Mining é uma argumentação ativa, isto é, em vez do usuário definir o problema, selecionar os dados e as ferramentas para analisar tais dados, as ferramentas do Data Mining pesquisam automaticamente os mesmos à procura de anomalias e possíveis relacionamentos, identificando assim problemas que não tinham sido identificados pelo usuário. 28

8 Data Mining As ferramentas de Data Mining analisam os dados, descobrem problemas ou oportunidades escondidas nos relacionamentos dos dados, e então diagnosticam o comportamento dos negócios, requerendo a mínima intervenção do usuário Data Mining Para nós em Séries Temporais... É um bom namoro com os dados! Não é uma coleção de algoritmos automáticos. Olhe para os dados de diversas formas, tente extrair o máximo de informação possível contida neles. O gráfico da série é essencial! 30 Transformação e Tratamento de Dados Os estatísticos geralmente pressupõem que os dados são Normais (Gaussianos). Em linhas gerais, isso requer que eles sejam números reais, simétricos em relação à média. Como verificar? Faça um histograma dos dados, que é apenas um gráfico de barras com as freqüências de ocorrência em diversos intervalos. Transformação e Tratamento de Dados O Excel, através da ferramenta de análise de dados, produz histogramas, como mostrado na próxima figura. Nota: o suplemento de Análise de Dados deverá ter sido previamente instalado

9 Transformação e Tratamento de Dados Transformação e Tratamento de Dados Transformação e Tratamento de Dados Transformação e Tratamento de Dados Histograma - Consumo Total Brasil - 01/1979 a 03/ Freqüência More Intervalo 35 36

10 Transformação e Tratamento de Dados Transformação e Tratamento de Dados Não tem uma cara muito Normal mas posso garantir que existem piores... O próximo gráfico contém o histograma de uma série que CERTAMENTE requer uma transformação de dados Transformação e Tratamento de Dados Transformação e Tratamento de Dados Uma transformação usual para dados positivos (como o consumo de energia) é o logaritmo. A próxima figura apresenta o histograma do logaritmo do consumo. Nota-se que não houve uma melhora substancial na Normalidade dos dados. Freqüência Histograma - log(consumo) More Intervalo 39 40

11 As redes neurais artificiais (RN) são sistemas de processamento distribuído paralelo inspirados no sistema nervoso biológico. Como o cérebro humano, as RN são compostas de um conjunto de unidades de processamento interconectadas,, chamadas de neurônios artificiais, ou apenas de neurônios. 41 RNs têm sido aplicadas em diversas áreas, como engenharia, ciências biológicas, economia, finanças, e computação. Algumas das mais importantes aplicações têm sido realizadas em reconhecimento de padrões, aproximação de funções e previsão de séries temporais. 42 Neurônio Biológico Neurônio Artificial 43 O neurônio artificial desta figura é composto por n valores de entrada e um valor de saída ( output( output ) ) Y. Os valores W, W 1 2,... W n são pesos aplicados aos inputs que resultam num potencial de ativação u. 44

12 Neurônio Artificial Este potencial de ativação u é então submetido a uma função de ativação f (geralmente não linear) e o resultado final (a saída do neurônio) é Y = f(u). f No nosso caso específico (n( inputs) então: Y f u f WX = ( ) = n i i i= 1 Em linhas muito simplificadas, o algoritmo anterior descreve o funcionamento de um neurônio em uma RN Funções de Ativação Mais Comuns S inal Funções de Ativação Mais Comuns Sigmoidal é um parâmetro que determina o ponto de inflexão da função. A Figura mostra o caso particular ξ = 2. R ampa Tangente Hiperbólica Produzem saídas do neurônio positivas ou negativas. O gráfico mostra a função com parâmetro ξ =

13 O Neurônio Artificial Clássico McCulloch & Pitts (1943) Estes neurônios são capazes de executar várias operações lógicas l (OR, AND, etc.). O neurônio clássico pode ser expresso por: Uma rede neural é uma interconexão de neurônios artificiais, como na figura a seguir: T y = f( u) = f( xw + x w x w ) = f( w x) n n Onde a função de ativação é binária e os x s s e W s W s são como definidos anteriormente, e y é a saída do neurônio Redes Perceptron Multicamadas (redes MLP) Redes Perceptron Multicamadas (redes MLP) Consistem em: uma camada de entrada, uma ou várias v camadas intermediárias rias e uma camada de saída

14 As camadas intermediárias rias transmitem informações entre a camada de entrada e a camada de saída, e as funções de ativação dos neurônios desta camada são tipicamente funções de ativação não decrescentes e diferenciáveis, em geral sigmóides ides. Exemplo Previsão de Carga Horária 12 entradas 1 hora 2 horas 1 semana Mês (bits) Hora (bits) M 20 neurônios M Previsão de Carga Horária Horizonte de Previsão: 24 horas à frente Saída Amostra: janeiro de 1996 a outubro de 1998 Previsão: novembro de Entradas Camada Escondida Saída 54 d t 1 d t 2 d t 7+ i Exemplo - Rede Neural - Previsão 15 min M M M RN i M M d t + i d t+i+7 Rede que prevê o dia t+i (24horas) e o dia t+i+7 uma semana à frente usa como informação: -dia t-1 (ontem: 96 períodos de 15 minutos) -dia t-2 (ante ontem: 96 períodos de 15 minutos) dia t-7+i (7 dias antes do dia a prever) - Horário de verão -Dia da semana Exemplo RN 15 minutos Previsão de 1 a 15 de Maio de Dados Previstos Dados Reais 1000 f t + i s t+ i

15 Exemplo RN 15 minutos Previsão de 1 a 15 de Maio de 2005 MAPE Dias Dia Erro Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia MAPE médio dos 15 dias Previstos 57 Dia 1 Dia 2 Dia 3 Dia 4 Dia 5 Dia 6 Dia 7 Dia 8 Dia 9 Dia 10 Dia 11 Dia 12 Dia 13 Dia 14 Dia 15 Exemplo RN 15 minutos Previsão de 15 a 29 de Julho de Dados Previstos Dados Reais Exemplo RN 15 minutos Previsão de 15 a 29 de Julho de 2005 MAPE Dias Dia Erro Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia Dia MAPE médio dos 15 dias Previstos 59 Dia 1 Dia 2 Dia 3 Dia 4 Dia 5 Dia 6 Dia 7 Dia 8 Dia 9 Dia 10 Dia 11 Dia 12 Dia 13 Dia 14 Dia 15 Quando aplicar qual método? Curtíssimo prazo Periodicidade <= 1hora Modelos de Amortecimento Exponencial de Duplo Ciclo (Taylor) Curto Prazo Periodicidade Semanal Modelos de Amortecimento Exponencial Modelos Box-Jenkins 60

16 Quando aplicar qual método? Médio Prazo Periodicidade Mensal Modelos Causais Modelos de Amortecimento Exponencial Modelos Box-Jenkins Longo Prazo Periodicidade Anual Modelos Causais Cenários 61 O conceito de elasticidade Elasticidade Variação percentual na quantidade dividida pela variação percentual no preço (ou renda). No caso de consumo de um bem, a elasticidade-preço é negativa (quanto maior o preço, menor o consumo), e a elasticidade-renda é positiva (quanto maior a renda, maior o consumo). 62 O conceito de elasticidade O conceito de elasticidade Em termos algébricos: η = ΔQ Q ΔP P Variação percentual na quantidade Variação percentual no preço 63 No limite: dq Q dq dp η = =η dp Q P P Ao integrarmos esta última expressão encontramos: ( Q ) = P) + const ln η.ln( A elasticidade é o coeficiente da variável explicativa preço numa regressão linear nos logs da quantidade e do preço. 64

17 Cenários Metodologia Utilizada no Plano Nacional de Energia 2030 (EPE) para criação de cenários macroeconômicos 1. Análise do ambiente atual (nacional e mundial) 2. Coleta de percepções e expectativas 3. Identificação de condicionantes tendências e incertezas 4. Seleção de fatores críticos 5. Formulação de hipóteses 6. Geração de cenários exploratórios 7. Quantificação 65 Cenários 1. Análise do ambiente atual Atualização dos trabalhos desenvoilvidos em 2005 e aplicados no Plano Decenal Coleta de percepções e expectativas Consulta a especialistas e extensão do horizonte dos cenários até Identificação de condicionantes Reconhecimento de tendências e incertezas. 66 Cenários 4. Seleção dos Fatores Críticos Definição das variáveis centrais. 5. Formulação de hipóteses Geração de cenários exploratórios. Definição de cenas (repartição temporal dos cenários). 6. Quantificação Cenários Mundiais aferidos com referências disponíveis. Cenários Nacionais aferidos através de de consistência macroeconômica. 67

PRO FOR WINDOWS (FPW)

PRO FOR WINDOWS (FPW) INTRODUÇÃO OAO FORECAST PRO FOR WINDOWS (FPW) Considerações Básicas Introdução ao Forecast Pro Software para análise e previsão de séries temporais. Características importantes Roda sob as diversas versões

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Modelagem da Venda de Revistas. Mônica Barros. Julho de 1999. info@mbarros.com 1

Modelagem da Venda de Revistas. Mônica Barros. Julho de 1999. info@mbarros.com 1 Modelagem da Venda de Revistas Mônica Barros Julho de 1999 info@mbarros.com 1 Modelagem Matemática e Previsão de Negócios Em todas as empresas, grandes e pequenas, é necessário fazer projeções. Em muitos

Leia mais

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,

Leia mais

Aula 5 Metodologias de avaliação de impacto

Aula 5 Metodologias de avaliação de impacto Aula 5 Metodologias de avaliação de impacto Metodologias de Avaliação de Impacto Objetiva quantificar as mudanças que o projeto causou na vida dos beneficiários. Plano de Aula Método experimental: regressão

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

As 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 mais

3 Previsão da demanda

3 Previsão da demanda 42 3 Previsão da demanda Este capítulo estuda o processo de previsão da demanda através de métodos quantitativos, assim como estuda algumas medidas de erro de previsão. Num processo de previsão de demanda,

Leia mais

Redes Neurais. Profa. Flavia Cristina Bernardini

Redes Neurais. Profa. Flavia Cristina Bernardini Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento

Leia mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

ESTUDO DE PREVISÃO DE DEMANDA PARA EMPRESA DE EQUIPAMENTOS MÉDICOS DE DIAGNÓSTICO

ESTUDO DE PREVISÃO DE DEMANDA PARA EMPRESA DE EQUIPAMENTOS MÉDICOS DE DIAGNÓSTICO ESTUDO DE PREVISÃO DE DEMANDA PARA EMPRESA DE EQUIPAMENTOS MÉDICOS DE DIAGNÓSTICO Andréa Crispim Lima dekatop@gmail.com Manoela Alves Vasconcelos manoelavasconcelos@hotmail.com Resumo: A previsão de demanda

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

Radar de Penetração no Solo e Meio- Ambiente

Radar de Penetração no Solo e Meio- Ambiente UNIVERSIDADE DE SÃO PAULO INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS DEPARTAMENTO DE GEOFÍSICA Curso 3ª Idade Radar de Penetração no Solo e Meio- Ambiente Vinicius Rafael Neris dos Santos

Leia mais

Métodos Matemáticos para Gestão da Informação

Métodos Matemáticos para Gestão da Informação Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação

Leia mais

Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação

Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Laboratório da Disciplina CTA-147 Controle I Análise da Resposta Transitória (Este laboratório foi uma adaptação

Leia mais

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que

Leia mais

SAD orientado a MODELO

SAD orientado a MODELO Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a MODELO DISCIPLINA: Sistemas de Apoio a Decisão SAD Orientado a Modelo De acordo com ALTER

Leia mais

6 Construção de Cenários

6 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 mais

3 Método de Monte Carlo

3 Método de Monte Carlo 25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional

Leia mais

Uma proposta de gráfico de controle EWMA com dados sazonais

Uma proposta de gráfico de controle EWMA com dados sazonais Uma proposta de gráfico de controle EWMA com dados sazonais Leandro Callegari Coelho (UFSC) leandroah@hotmail.com Robert Wayne Samohyl (UFSC) samohyl@yahoo.com Resumo: A importância do controle estatístico

Leia mais

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia EXCEL 2013 Este curso traz a vocês o que há de melhor na versão 2013 do Excel, apresentando seu ambiente de trabalho, formas de formatação de planilhas, utilização de fórmulas e funções e a criação e formatação

Leia mais

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 Sumário Parte l 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 2. Entrevistas 5 2.1 Tipos de entrevistas 8 2.2 Preparação e condução

Leia mais

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A.

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A. IMES Catanduva Probabilidades e Estatística Estatística no Excel Matemática Bertolo, L.A. Aplicada Versão BETA Maio 2010 Bertolo Estatística Aplicada no Excel Capítulo 3 Dados Bivariados São pares de valores

Leia mais

AVALIAÇÃO DO MODELO DE ONDAS

AVALIAÇÃO 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 mais

3. Características amostrais. Medidas de localização e dispersão

3. Características amostrais. Medidas de localização e dispersão Estatística Descritiva com Excel Complementos. 77 3. Características amostrais. Medidas de localização e dispersão 3.1- Introdução No módulo de Estatística foram apresentadas as medidas ou estatísticas

Leia mais

Departamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.

Departamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010. Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.

Leia mais

Sistemas Distribuídos: Princípios e Algoritmos Introdução à Análise de Complexidade de Algoritmos

Sistemas Distribuídos: Princípios e Algoritmos Introdução à Análise de Complexidade de Algoritmos Sistemas Distribuídos: Princípios e Algoritmos Introdução à Análise de Complexidade de Algoritmos Francisco José da Silva e Silva Laboratório de Sistemas Distribuídos (LSD) Departamento de Informática

Leia mais

Análise de complexidade

Análise de complexidade Introdução Algoritmo: sequência de instruções necessárias para a resolução de um problema bem formulado (passíveis de implementação em computador) Estratégia: especificar (definir propriedades) arquitectura

Leia mais

Estatística stica para Metrologia

Estatística stica para Metrologia Aula 5 Estatística stica para Metrologia Aula 5 Variáveis Contínuas Uniforme Exponencial Normal Lognormal Mônica Barros, D.Sc. Maio de 008 1 Distribuição Uniforme A probabilidade de ocorrência em dois

Leia mais

SisDEA Home Windows Versão 1

SisDEA Home Windows Versão 1 ROTEIRO PARA CRIAÇÃO E ANÁLISE MODELO REGRESSÃO 1. COMO CRIAR UM MODELO NO SISDEA Ao iniciar o SisDEA Home, será apresentada a tela inicial de Bem Vindo ao SisDEA Windows. Selecione a opção Criar Novo

Leia mais

Módulo 4 PREVISÃO DE DEMANDA

Módulo 4 PREVISÃO DE DEMANDA Módulo 4 PREVISÃO DE DEMANDA Conceitos Iniciais Prever é a arte e a ciência de predizer eventos futuros, utilizando-se de dados históricos e sua projeção para o futuro, de fatores subjetivos ou intuitivos,

Leia mais

Por que estudar econometria? Passos para uma análise econômica empírica. Por que estudar econometria? Tipos de dados Cross Section

Por que estudar econometria? Passos para uma análise econômica empírica. Por que estudar econometria? Tipos de dados Cross Section Por que estudar econometria? Inexistência de dados experimentais (experimentos controlados) em economia O que é Econometria? Necessidade de usar dados não experimentais, ou melhor, dados observados para

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

MetrixND. especificações. MetrixND - Ferramenta de previsão de energia elétrica

MetrixND. especificações. MetrixND - Ferramenta de previsão de energia elétrica MetrixND especificações MetrixND - Ferramenta de previsão de energia elétrica Visão geral O MetrixND da Itron é uma ferramenta de modelagem flexível, bastante usada pelos principais serviços de previsão

Leia mais

http://www.de.ufpb.br/~luiz/

http://www.de.ufpb.br/~luiz/ UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ Vimos que é possível sintetizar os dados sob a forma de distribuições de frequências

Leia mais

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001 47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações

Leia mais

AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO

AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA 7.º ANO PLANIFICAÇÃO GLOBAL Planificação 7º ano 2012/2013 Página 1 DOMÍNIO TEMÁTICO: NÚMEROS

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto de Redes Neurais e MATLAB Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação

Leia mais

Aplicações Práticas com Redes Neurais Artificiais em Java

Aplicações Práticas com Redes Neurais Artificiais em Java com em Java Luiz D Amore e Mauro Schneider JustJava 2009 17 de Setembro de 2009 Palestrantes Luiz Angelo D Amore luiz.damore@metodista.br Mauro Ulisses Schneider mauro.schneider@metodista.br http://blog.mauros.org

Leia mais

APLICAÇÕES DA DERIVADA

APLICAÇÕES 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 mais

Instituto Superior de Economia e Gestão Universidade Técnica de Lisboa Econometria Época Normal 9/01/2013 Duração 2 horas

Instituto Superior de Economia e Gestão Universidade Técnica de Lisboa Econometria Época Normal 9/01/2013 Duração 2 horas Instituto Superior de Economia e Gestão Universidade Técnica de Lisboa Econometria Época Normal 9/01/2013 Duração 2 horas NOME: Turma: Processo Espaço Reservado para Classificações A utilização do telemóvel

Leia mais

Inteligência Artificial

Inteligência Artificial Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas

Leia mais

COMO USAR O EXCEL PARA PROJETAR AS ENTRADAS DO FLUXO DE CAIXA DIÁRIO

COMO USAR O EXCEL PARA PROJETAR AS ENTRADAS DO FLUXO DE CAIXA DIÁRIO COMO USAR O EXCEL PARA PROJETAR AS ENTRADAS DO FLUXO DE CAIXA DIÁRIO! Como projetar uma linha de tendência no Excel?! Como escolher a curva que melhor se ajusta a uma determinada origem de dados?! Como

Leia mais

computador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

computador-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 mais

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais. 1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo

Leia mais

Relatório Iniciação Científica

Relatório Iniciação Científica Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:

Leia mais

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade 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 mais

Ajuste de modelos de redes neurais artificiais na precipitação pluviométrica mensal

Ajuste de modelos de redes neurais artificiais na precipitação pluviométrica mensal Ajuste de modelos de redes neurais artificiais na precipitação pluviométrica mensal 1 Introdução Antonio Sergio Ferraudo 1 Guilherme Moraes Ferraudo 2 Este trabalho apresenta estudos de série de precipitação

Leia mais

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.5 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

Aula 5 Técnicas para Estimação do Impacto

Aula 5 Técnicas para Estimação do Impacto Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos

Leia mais

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

A metodologia ARIMA (Auto-regressivo-Integrado-Média-Móvel),

A metodologia ARIMA (Auto-regressivo-Integrado-Média-Móvel), nfelizmente, o uso de ferramentas tornais de previsão é muito pouco adotado por empresas no Brasil. A opinião geral é que no Brasil é impossível fazer previsão. O ambiente econômico é muito instável, a

Leia mais

Aula 4 Estatística Conceitos básicos

Aula 4 Estatística Conceitos básicos Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a

Leia mais

BC-0005 Bases Computacionais da Ciência. Modelagem e simulação

BC-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 mais

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida 27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma

Leia mais

Fundamentos da Metrologia Científica e Industrial Ambiente Virtual: Balança Digital

Fundamentos da Metrologia Científica e Industrial Ambiente Virtual: Balança Digital Fundamentos da Metrologia Científica e Industrial Ambiente Virtual: Balança Digital 1. Apresentação Quatro elementos estão disponíveis no ambiente virtual: Balança digital a ser calibrada Coleção de massas

Leia mais

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron. 1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando

Leia mais

4 Avaliação Econômica

4 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

6 OS DETERMINANTES DO INVESTIMENTO NO BRASIL

6 OS DETERMINANTES DO INVESTIMENTO NO BRASIL 6 OS DETERMINANTES DO INVESTIMENTO NO BRASIL Este capítulo procurará explicar os movimentos do investimento, tanto das contas nacionais quanto das empresas abertas com ações negociadas em bolsa através

Leia mais

Planejamento Anual 2014. Modalidade: Ensino Médio. Disciplina: Matemática. 1º Ano D. Prof: Alan Ricardo Lorenzon

Planejamento Anual 2014. Modalidade: Ensino Médio. Disciplina: Matemática. 1º Ano D. Prof: Alan Ricardo Lorenzon COLEGIO ESTADUAL DARIO VELLOZO ENSINO FUNDAMENTAL, MÉDIO E PROFISSIONAL Rua Haroldo Hamilton, 271 Centro - CEP 85905-390 Fone/Fax 45 3378-5343 - Email: colegiodariovellozo@yahoo.com.br Toledo Paraná Planejamento

Leia mais

Do neurônio biológico ao neurônio das redes neurais artificiais

Do neurônio biológico ao neurônio das redes neurais artificiais Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais

Leia mais

Matemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel.

Matemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel. Matemática Essencial Equações do Primeiro grau Matemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel.br/matessencial/ Resumo: Notas de

Leia mais

06 a 10 de Outubro de 2008 Olinda - PE

06 a 10 de Outubro de 2008 Olinda - PE 06 a 10 de Outubro de 2008 Olinda - PE Nome do Trabalho Técnico Previsão do mercado faturado mensal a partir da carga diária de uma distribuidora de energia elétrica Laucides Damasceno Almeida Márcio Berbert

Leia mais

Tópico 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 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 mais

Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia

Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia Aluno: Gabriel Leite Mariante Orientador: Marley Maria Bernardes Rebuzzi Vellasco Introdução e

Leia mais

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS Mayara Condé Rocha Murça TRA-53 Logística e Transportes Setembro/2013 Introdução Estimativas acuradas do volume de produtos e serviços processados pela

Leia mais

2. A FERRAMENTA SOLVER (EXCEL)

2. A FERRAMENTA SOLVER (EXCEL) Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção 2. A FERRAMENTA SOLVER (EXCEL) Diversas ferramentas para solução de problemas de otimização, comerciais ou acadêmicos, sejam eles lineares

Leia mais

Equações do primeiro grau

Equações do primeiro grau Módulo 1 Unidade 3 Equações do primeiro grau Para início de conversa... Você tem um telefone celular ou conhece alguém que tenha? Você sabia que o telefone celular é um dos meios de comunicação que mais

Leia mais

Teleprocessamento e Redes Universidade Católica do Salvador. Aula 04 - Estrutura de Redes de Comunicação. Objetivo : Roteiro da Aula :

Teleprocessamento e Redes Universidade Católica do Salvador. Aula 04 - Estrutura de Redes de Comunicação. Objetivo : Roteiro da Aula : Teleprocessamento e Redes Universidade Católica do Salvador Aula 04 - Estrutura de Redes de Comunicação Objetivo : Nesta aula, vamos começar a entender o processo de interligação entre os equipamentos

Leia mais

Previsão de demanda em uma empresa farmacêutica de manipulação

Previsão de demanda em uma empresa farmacêutica de manipulação Previsão de demanda em uma empresa farmacêutica de manipulação Ana Flávia Brito Rodrigues (Anafla94@hotmail.com / UEPA) Larissa Pinto Marques Queiroz (Larissa_qz@yahoo.com.br / UEPA) Luna Paranhos Ferreira

Leia mais

5 Análise prospectiva dos investimentos das EFPC

5 Análise prospectiva dos investimentos das EFPC 5 Análise prospectiva dos investimentos das EFPC Nesta seção serão apresentados os resultados encontrados para os diversos modelos estimados. No total foram estimados dezessete 1 modelos onde a variável

Leia mais

A demanda pode ser entendida como a disposição dos clientes ao consumo de bens e serviços ofertados por uma organização.

A demanda pode ser entendida como a disposição dos clientes ao consumo de bens e serviços ofertados por uma organização. Previsão da Demanda As previsões têm uma função muito importante nos processos de planejamento dos sistemas logísticos, pois permite que os administradores destes sistemas antevejam o futuro e planejem

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Dificuldades de Modelos de PNL. Onde está a solução ótima? Outro exemplo: Condição ótima Local vs. Global. 15.053 Quinta-feira, 25 de abril

Dificuldades de Modelos de PNL. Onde está a solução ótima? Outro exemplo: Condição ótima Local vs. Global. 15.053 Quinta-feira, 25 de abril 15.053 Quinta-feira, 25 de abril Teoria de Programação Não-Linear Programação Separável Dificuldades de Modelos de PNL Programa Linear: Apostilas: Notas de Aula Programas Não-Lineares 1 2 Análise gráfica

Leia mais

ESTUDO DO EFEITO DAS AÇÕES DE MARKETING SOBRE O FATURAMENTO DE UMA INSTITUIÇÃO DE SAÚDE DO SUL DE MINAS GERAIS UTLIZANDO TÉCNICAS DE SÉRIES TEMPORAIS

ESTUDO DO EFEITO DAS AÇÕES DE MARKETING SOBRE O FATURAMENTO DE UMA INSTITUIÇÃO DE SAÚDE DO SUL DE MINAS GERAIS UTLIZANDO TÉCNICAS DE SÉRIES TEMPORAIS ESTUDO DO EFEITO DAS AÇÕES DE MARKETING SOBRE O FATURAMENTO DE UMA INSTITUIÇÃO DE SAÚDE DO SUL DE MINAS GERAIS UTLIZANDO TÉCNICAS DE SÉRIES TEMPORAIS Maria de Lourdes Lima Bragion 1, Nivaldo Bragion 2,

Leia mais

ATENÇÃO: Escreva a resolução COMPLETA de cada questão no espaço reservado para a mesma.

ATENÇÃO: Escreva a resolução COMPLETA de cada questão no espaço reservado para a mesma. 2ª Fase Matemática Introdução A prova de matemática da segunda fase é constituída de 12 questões, geralmente apresentadas em ordem crescente de dificuldade. As primeiras questões procuram avaliar habilidades

Leia mais

Complemento IV Introdução aos Algoritmos Genéticos

Complemento IV Introdução aos Algoritmos Genéticos Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

CURSO ONLINE REGULAR ESTATÍSTICA BÁSICA PROF. SÉRGIO CARVALHO AULA 13 RELAÇÃO DOS EXERCÍCIOS FINAIS

CURSO ONLINE REGULAR ESTATÍSTICA BÁSICA PROF. SÉRGIO CARVALHO AULA 13 RELAÇÃO DOS EXERCÍCIOS FINAIS Olá, amigos! AULA 13 RELAÇÃO DOS EXERCÍCIOS FINAIS Ainda não é chegada nossa aula derradeira! Sei que muitos estão chateados e com toda a razão do mundo pelo atraso destas últimas aulas. Noutra ocasião

Leia mais

BROMBERGER, Dalton (UTFPR) daltonbbr@yahoo.com.br. KUMMER, Aulison André (UTFPR) aulisonk@yahoo.com.br. PONTES, Herus³ (UTFPR) herus@utfpr.edu.

BROMBERGER, Dalton (UTFPR) daltonbbr@yahoo.com.br. KUMMER, Aulison André (UTFPR) aulisonk@yahoo.com.br. PONTES, Herus³ (UTFPR) herus@utfpr.edu. APLICAÇÃO DAS TÉCNICAS DE PREVISÃO DE ESTOQUES NO CONTROLE E PLANEJAMENTO DA PRODUÇÃO DE MATÉRIA- PRIMA EM UMA INDÚSTRIA PRODUTORA DE FRANGOS DE CORTE: UM ESTUDO DE CASO BROMBERGER, Dalton (UTFPR) daltonbbr@yahoo.com.br

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análise Exploratória de Dados Profª Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Programa de Pós-graduação em Saúde Coletiva email: alcione.miranda@gmail.com Introdução O primeiro passo

Leia mais

Metodologia de Desenvolvimento de Sistemas

Metodologia de Desenvolvimento de Sistemas Metodologia de Desenvolvimento de Sistemas Aula 1 Ementa Fases do Ciclo de Vida do Desenvolvimento de Software, apresentando como os métodos, ferramentas e procedimentos da engenharia de software, podem

Leia mais

Introdução aos Sistemas de Informação Geográfica

Introdução aos Sistemas de Informação Geográfica Introdução aos Sistemas de Informação Geográfica Mestrado Profissionalizante 2015 Karla Donato Fook karladf@ifma.edu.br IFMA / DAI Análise Espacial 2 1 Distribuição Espacial A compreensão da distribuição

Leia mais

COM A TÉCNICA DE REGRESSÃO LINEAR SIMPLES

COM A TÉCNICA DE REGRESSÃO LINEAR SIMPLES DESENVOLVIMENTO DE UM SISTEMA PARA SIMULAÇÃO DE PREVISÃO DE PREÇO DE AÇÕES NA BOVESPA UTILIZANDO DATA MINING COM A TÉCNICA DE REGRESSÃO LINEAR SIMPLES Davi da Silva Nogueira Orientador: Prof. Oscar Dalfovo,

Leia mais

Pontuação: 125 probabilidade média de inadimplência na faixa de 101 a 150: 22,50%

Pontuação: 125 probabilidade média de inadimplência na faixa de 101 a 150: 22,50% Confidencial Para: J&R 28/03/2014 11:05 Versão 2.12.1 RELATO RELATÓRIO DE COMPORTAMENTO EM NEGÓCIOS DISPLAY COMERCIO E DISTRIBUIO EIRELI EPP CNPJ: 19.728.709/0001-36 VALORES EM REAIS 28/03/2014 11:05:22

Leia mais

DÓLAR FUTURO X DÓLAR PRONTO NO FUTURO: EVIDÊNCIA EMPÍRICA PÓS-PLANO REAL. Autoria: Maurício Barreto Campos e Adonírio Panzieri Filho

DÓLAR FUTURO X DÓLAR PRONTO NO FUTURO: EVIDÊNCIA EMPÍRICA PÓS-PLANO REAL. Autoria: Maurício Barreto Campos e Adonírio Panzieri Filho DÓLAR FUTURO X DÓLAR PRONTO NO FUTURO: EVIDÊNCIA EMPÍRICA PÓS-PLANO REAL. Autoria: Maurício Barreto Campos e Adonírio Panzieri Filho RESUMO Este artigo relata uma pesquisa empírica de teste e quantificação

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem

Leia mais

Probabilidade e Estatística I Antonio Roque Aula 8. Introdução ao Excel

Probabilidade e Estatística I Antonio Roque Aula 8. Introdução ao Excel Introdução ao Excel Esta introdução visa apresentar apenas os elementos básicos do Microsoft Excel para que você possa refazer os exemplos dados em aula e fazer os projetos computacionais solicitados ao

Leia mais

CURSO DE ENGENHARIA DE AVALIAÇÕES IMOBILIÁRIAS METODOLOGIAS CIENTÍFICAS - REGRESSÃO LINEAR MÓDULO BÁSICO E AVANÇADO - 20 horas cada Vagas Limitadas

CURSO DE ENGENHARIA DE AVALIAÇÕES IMOBILIÁRIAS METODOLOGIAS CIENTÍFICAS - REGRESSÃO LINEAR MÓDULO BÁSICO E AVANÇADO - 20 horas cada Vagas Limitadas CURSO DE ENGENHARIA DE AVALIAÇÕES IMOBILIÁRIAS METODOLOGIAS CIENTÍFICAS - REGRESSÃO LINEAR MÓDULO BÁSICO E AVANÇADO - 20 horas cada Vagas Limitadas MÓDULO BÁSICO DIAS HORÁRIO 13/02/2014 14:00 ÁS 18:00

Leia mais

Todos os exercícios sugeridos nesta apostila se referem ao volume 1. MATEMÁTICA I 1 FUNÇÃO DO 1º GRAU

Todos os exercícios sugeridos nesta apostila se referem ao volume 1. MATEMÁTICA I 1 FUNÇÃO DO 1º GRAU FUNÇÃO IDENTIDADE... FUNÇÃO LINEAR... FUNÇÃO AFIM... GRÁFICO DA FUNÇÃO DO º GRAU... IMAGEM... COEFICIENTES DA FUNÇÃO AFIM... ZERO DA FUNÇÃO AFIM... 8 FUNÇÕES CRESCENTES OU DECRESCENTES... 9 SINAL DE UMA

Leia mais

Relatório de uma Aplicação de Redes Neurais

Relatório de uma Aplicação de Redes Neurais UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS

Leia mais

Curso de Graduação em Administração. Administração da Produção e Operações I

Curso de Graduação em Administração. Administração da Produção e Operações I Curso de Graduação em Administração Administração da Produção e Operações I 22º Encontro - 11/05/2012 18:50 às 20:30h COMO SERÁ NOSSO ENCONTRO HOJE? - ABERTURA - CAPACIDADE E TURNOS DE TRABALHO. 02 Introdução

Leia mais

INE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE

INE 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 mais

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas,

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, MODELAÇÃO E DETERMINAÇÃO DE PARÂMETROS CINÉTICOS FILIPE GAMA FREIRE 1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, etc. a que chamaremos y

Leia mais