O Apoio Multicritério à Decisão na avaliação de candidatos

Tamanho: px
Começar a partir da página:

Download "O Apoio Multicritério à Decisão na avaliação de candidatos"

Transcrição

1 Produção, v. 20,., ja./mar. 200, p do: 0.590/S O Apoo Multcrtéro à Decsão a avalação de caddatos Luís Alberto Duca Ragel a,, Luz Flávo Autra Motero Gomes b a, duca@metal.eemvr.uff.br, UFF, Brasl b autra@bmecrj.br, Ibmec/RJ, Brasl Resumo Os métodos de Apoo Multcrtéro à Decsão aplcam-se sempre que se deseje selecoar, ordear, classfcar ou descrever alteratvas presetes em um processo decsóro a preseça de múltplos crtéros quattatvos e qualtatvos. Este artgo aborda o emprego dos métodos UTA e UTA-CR para a determação das fuções de utldade dos crtéros empregados para avalar o gresso de caddatos ao curso de graduação de Egehara Metalúrgca da Uversdade Federal Flumese. Após apresetarem-se os métodos e o problema estudado, mostra-se, por uma aálse dos resultados, que as fuções de utldade dos crtéros obtdos com o método UTA-CR estão mas próxmas das preferêcas dos decsores do que aquelas obtdas com o método UTA. Observa-se ada que, pelo método UTA CR, ão há ecessdade de realzar-se a aálse de pós-otmzação feta o método UTA, pos, com apeas uma úca mplemetação de um programa lear, os resultados obtdos são melhores que os obtdos pelo método UTA. Palavras-chave Apoo Multcrtéro à Decsão. Métodos de utldade adtva. Fução de utldade. Avalação de caddatos.. Itrodução Os métodos de Apoo Multcrtéro à Decsão (AMD) são aplcados em úmeras áreas em que se quera selecoar, ordear, classfcar ou descrever alteratvas presetes em um processo decsóro a preseça de múltplos crtéros (ROY; BOUYSSOU, 993; ROMERO, 993; VINCKE, 989). Mutas classfcações são empregadas para desgar os métodos do AMD. Detre estas, a de maor repercussão é a que subdvde os métodos da Escola Amercaa e os métodos da Escola Fracesa, também desgada Escola Europea. Exstem outros métodos multcrtéro que, o etato, ão se equadram exclusvamete detro de uma dessas duas escolas (GOMES, 2006; BELTON; STEWART, 2002; BARBA-ROMERO; POMEROL, 997). Como exemplos de métodos multcrtéro que cotêm elemetos téccos dessas duas escolas, podem-se ctar o Método TODIM (GOMES; RANGEL, 2007; GOMES; ARAYA; CARIGÑANO, 2004) e o Método MACBETH (BANA e COSTA; CORTE; VANSNICK, 2005). Os métodos da Escola Fracesa utlzam a oção de relação de superação, possudo duas vertetes prcpas: os métodos ELECTRE e os métodos PROMÉTHÉE (VINCKE, 989; ROY, 99; ROY; BOUYSSOU, 993; SCHÄRLIG, 996; BRANS; VINCKE; MARESCHAL, 986; BARBA-ROMERO; POMEROL, 997). Os métodos multcrtéro da Escola Amercaa, por sua vez, têm como fudametação teórca a oção de agregarem-se todas as formações acerca do problema que se pretede resolver por meo de uma grade sítese. Exemplos sgfcatvos desses métodos são a Teora de Utldade Multatrbuto (KEENEY; RAIFFA, 993) e os métodos de aálse herárquca; detre estes, o mas popular é, dscutvelmete, o método AHP (SAATY, 994). Em partcular, a Teora da Utldade Multatrbuto (cohecda também por MAUT Multattrbute Utlty Theory ) parte de suposções de racoaldade como o respeto à trastvdade estrta e decorre das bases axomátcas da teora da utldade esperada, propostas por Vo-Neuma e Morgester (953). Além dsso, a MAUT ão admte alguma possível comparabldade etre alteratvas em um processo decsóro (KEENEY; RAIFFA, 993). Por cosegute, pode-se afrmar que os métodos multcrtéro calcados a MAUT UFF, Volta Redoda, RJ, Brasl Recebdo 28/09/2007; Aceto 28/06/2009

2 Ragel, L. A. D. et al. O Apoo Multcrtéro... avalação de caddatos. Prod. v. 20,., p. 92-0, possuem uma base axomátca mas sólda do que os métodos que laçam mão da relação de superação. O método multcrtéro UTA (JACQUET-LAGRÈZE; SISKOS, 982; ZOPOUNIDIS; DIMITRIS, 998) é um exemplo de aplcação da MAUT. Para a costrução da fução de utldade multatrbuto a ser aplcada a um determado problema decsóro, tora-se ecessára a represetação das fuções de utldade parcas. Estas são, a verdade, fuções matemátcas que descrevem as performaces de cada alteratva com relação às preferêcas dos agetes de decsão, para cada um dos crtéros ou atrbutos daquele problema. Este artgo faz uso de métodos do AMD para a determação das fuções de utldade dos crtéros empregados para avalar o gresso de caddatos o curso de graduação de Egehara Metalúrgca da Uversdade Federal Flumese (UFF), localzado a cdade de Volta Redoda, RJ. Dos métodos foram utlzados a obteção daquelas fuções: o método UTA, em sua formulação clássca (JACQUET- LAGRÈZE; SISKOS, 982), e uma varate deste, o Método UTA-CR (RANGEL, 2002). Ambos os métodos têm por objetvo a Problemátca Pγ (ROY; BOUYSSOU, 993; GOMES; ARAYA; CARIGÑANO, 2004), sto é, de ordeação das alteratvas em um problema de AMD. As ordeações dos caddatos são buscadas, também, pelas uversdades, ao realzarem os respectvos vestbulares vsado o gresso dos melhores aluos. Desta forma, o estudo de caso apresetado, baseado as pesqusas realzadas, além de se determarem as fuções de utldades dos crtéros, por meo do emprego dos métodos UTA e UTA-CR, obtveram-se, também, as ordeações aproxmadas dos caddatos. Assm, espera-se, com este estudo, cotrbur efetvamete para a melhora do processo do vestbular, uma vez que estas avalações podem ser realzadas em aos segutes, verfcado os desempehos dos caddatos, para aquelas mesmas provas, por meo das fuções de utldades, além das comparações das fuções de utldade dos crtéros. Em seguda, faz-se uma breve descrção da UFF e como se efetua o gresso de aluos em seus dversos cursos de graduação. 2. O Cotexto do estudo A UFF fo crada em 8 de dezembro de 960, a cdade de Nteró, RJ. Orgou-se a partr da uão de cco faculdades federas, três estabelecmetos de eso estaduas e duas faculdades partculares sedadas aquele mucípo. Atualmete, a estrutura acadêmca da UFF fudameta-se em quatro cetros uverstáros: Cetro de Cêcas Médcas; Cetro de Estudos Geras; Cetro de Estudos Socas Aplcados, e Cetro Tecológco. A UFF tem aproxmadamete aluos matrculados e oferece 58 cursos de graduação, 43 programas de pós-graduação strcto sesu (2 em ível de mestrado e doutorado, 22 em ível somete de mestrado), 96 programas de pósgraduação lato sesu e 5 cursos de extesão. O corpo docete compreede professores:.05 doutores, 729 mestres, 262 especalstas e 460 graduados (UFF, 2006a). A UFF oferece úmeros cursos em dversos mucípos do Estado do Ro de Jaero, mas a cocetração maor de cursos é a cdade de Nteró, ode fca também a Retora da Uversdade. Além dsso, a UFF possu também um campus avaçado, localzado a cdade de Orxmá, o Estado do Pará. O gresso de aluos aos dversos cursos de graduação da UFF é feto por meo de uma avalação realzada em duas etapas. Na prmera etapa, os caddatos realzam uma prova de múltpla escolha de cohecmetos geras, eglobado as dscplas de Lígua Portuguesa e Lteratura Braslera, Lígua Estragera, Matemátca, Físca, Hstóra, Geografa, Químca e Bologa. Em uma seguda etapa, os aluos realzam provas dscursvas de cohecmetos específcos, de acordo com o curso em que pretedem gressar. Para o curso de Egehara Metalúrgca, pertecete ao Pólo Uverstáro de Volta Redoda da UFF, a seguda etapa, os aluos realzam provas específcas de Matemátca e de Físca, além da elaboração de uma Redação (UFF, 2006b). A próxma seção mostra o desevolvmeto teórco dos dos métodos empregados este estudo. A tercera seção apreseta o estudo de caso realzado. Na quarta seção, apotam-se as coclusões. 3. Desevolvmeto O AMD egloba dferetes métodos que empregam fuções de preferêca, como, por exemplo, o método PROMETHEE II (BRANS; VINCKE; MARESCHAL, 986), da Escola Fracesa, e fuções de utldade, como, por exemplo, o método MAUT (KEENEY; RAIFFA, 993), da Escola Amercaa. Nesta pesqusa, optou-se pelo uso dos métodos UTA e UTA-CR, que medem a utldade da cada alteratva de forma dreta. Com sto, torou-se desecessáro: () efetuar uma comparação par a par de cada caddato, o que sera dspesável caso se empregasse, alteratvamete, um método

3 94 Ragel, L. A. D. et al. O Apoo Multcrtéro... avalação de caddatos. Prod. v. 20,., p. 92-0, 200 da Escola Fracesa do AMD ou mesmo um método de aálse herárquca, como o AHP (SAATY, 994) a sua versão tradcoal, e () costrur uma fução de utldade de forma dreta, como se precsara fazer o caso de se empregar dretamete a Teora de Utldade Multatrbuto. Assm, a opção do emprego dos dos métodos UTA e UTA-CR permte que se determem, de forma dreta, as fuções de utldades dos crtéros (SISKOS; GRIGOROUDIS; MATSATSINIS, 2005). Naturalmete, outros métodos do AMD como o das Trocas Justas (Eve Swaps) (HAMMOND; KEENEY; RAIFFA, 998) ou o MACBETH (BANA e COSTA; CORTE; VANSNICK, 2005) poderam ter sdo, alteratvamete, empregados. No etato, como a teção dos autores fo comparar os métodos UTA e UTA-CR quado aplcados a uma mesma base de dados, ão cabera este artgo o emprego de outros métodos. Os métodos empregados esta pesqusa, o Método UTA (JACQUET-LAGRÈZE; SISKOS, 982) e o Método UTA-CR (RANGEL, 2002), utlzam a programação lear para a obteção das fuções de utldade dos crtéros, de acordo com as preferêcas dos agetes de decsão. Pelo método UTA, obtêm-se as fuções de utldade a partr de uma ordeação do cojuto ou do subcojuto das alteratvas, proposta a pror pelos agetes de decsão. Emprega-se esta formação como restrção em um problema de programação lear (PPL), que tem como fução objetvo mmzar o somatóro dos erros assocados para a obteção da ordeação das alteratvas proposta a pror. Pelo método UTA-CR, obtêm-se as fuções de utldade de modo smlar ao método UTA. No etato, em vez de fazer uso das preferêcas dos agetes de decsão em relação ao cojuto de alteratvas, empregam-se as preferêcas desses agetes com relação ao cojuto de crtéros cosderados. Chega-se à ordeação das alteratvas a ser empregada como restrção o Método UTA-CR, por meo de um método auxlar de ordeação multcrtéro. Nesta pesqusa, ão houve ecessdade de empregar um método para obter a ordeação das alteratvas, pos se empregou a classfcação obtda pelos caddatos para gresso o Curso de Egehara Metalúrgca da UFF. O método UTA-CR propõe ada a clusão de ovas restrções ao PPL, além daquelas empregadas o método UTA, com o objetvo de reduzr a regão vável de busca da solução ótma. Utlza-se o UTA-CR uma ova fução objetvo, composta por três termos. O prmero termo, dêtco ao do método UTA, vsa obter a mmzação do somatóro dos erros assocados à utldade de cada alteratva, com a faldade de se chegar à ordeação a pror forecda pelos agetes de decsão. Dversamete, o segudo e o tercero termos da fução objetvo do método UTA-CR vsam obter um afastameto mímo dos pesos dos crtéros, para mas e para meos, respectvamete (RANGEL, 2002). 3.. Método UTA A prmera publcação a lteratura teracoal acerca do método UTA (Utlté Addtve) data de 982 (JACQUET-LAGRÈZE; SISKOS, 982). Este método da Utldade Adtva permte obter as fuções de utldade dos crtéros presetes a aálse, partdo dos segutes elemetos: a matrz de avalação, que cotém as performaces das alteratvas em relação ao cojuto de crtéros performaces estas que são estmadas pelos agetes de decsão; os julgametos destes agetes quato às possíves preferêcas e dfereças das alteratvas ou um subcojuto destas. Pelo método UTA, obtêm-se as fuções de utldade dos crtéros por meo da execução de dversos problemas de programação lear (PPL). O prmero PPL tem como fução objetvo mmzar os erros assocados às utldades das alteratvas, de modo a se obter a mesma ordeação proposta a pror pelos agetes de decsão. Posterormete, rodam-se outros PPL, tedo como objetvo determar o valor máxmo e o valor mímo que os extremos das fuções de utldade podem assumr, respetado-se um cojuto de restrções. Como referdo a seção deste artgo, o método UTA calca-se as bases axomátcas da MAUT, para determar as fuções de utldade sob a forma adtva (KEENEY; RAIFFA, 993; BELTON; STEWART, 2002). A proposta orgal dos cradores do método UTA fo assm defda: Tedo uma estrutura de preferêca de pré-ordem R (, ~), com sgfcado preferêca estrta e ~ a dfereça em um cojuto de alteratvas ou ações, o ajuste da fução de utldade adtva baseado em crtéros múltplos é obtda de tal modo que a estrutura de preferêca resultate seja tão cosstete quato possível com a estrutura cal (JACQUET- LAGRÈZE; SISKOS, 982, p. 52). Para explcar o método UTA, cosdere-se prmeramete a aálse do cojuto de alteratvas A, em preseça de somete um crtéro de decsão. Sob esta cosderação, verfca-se ou a preferêca [ a b g( a) > g( b)] ou a dfereça [a~ b g( a) = g( b)] etre duas alteratvas a e b pertecetes ao cojuto A, sedo que o símbolo expressa a preferêca e o símbolo ~ expressa

4 Ragel, L. A. D. et al. O Apoo Multcrtéro... avalação de caddatos. Prod. v. 20,., p. 92-0, a dfereça etre duas alteratvas. Estas relações etre as alteratvas defem uma relação de ordem o cojuto A. Cosdere-se agora uma famíla de crtéros g, em que vara de a, que avala o cojuto de alteratvas A. Cosdere-se ada a agregação de todos os crtéros em um úco crtéro de sítese, U( g) = U( g, g2, g3,..., g ). Sob esta codção, aalsado-se o cojuto de alteratvas, obtém-se a relação de preferêca estrta P e a relação de dfereça I (ROY; BOUYSSOU, 993; VINCKE, 989). A relação R, em que R= P I, defe uma pré-ordem para o cojuto de alteratvas, pos permte a preferêca e a dfereça. A fução de utldade (Equação ) é adtva, apresetado, portato, a segute forma matemátca: U[ g( a)] = u [ g ( a)] = em que cada u(g) é a utldade margal do desempeho g o crtéro. Uma hpótese fudametal, que é precso respetar quado se aplca uma fução de utldade adtva, é a codção de depedêca mútua dos crtéros em fução das preferêcas (CLEMEN; REILLY, 200; KEENEY; RAIFFA, 993). Os valores extremos das fuções de utldade de cada crtéro são represetados por: g, para o valor mas alto, e g, para o valor mas baxo. Cosdere-se também que as fuções de utldade margas u de cada crtéro são fuções moótoas crescetes ou decrescetes. Desta forma, ormalzam-se as fuções de utldade detro do tervalo [0, ], obtedo-se (Equações 2 e 3): u( g ) = = u( g ) = 0, para todo (3) A Equação 2 ormalza os valores máxmos de todos os crtéros presetes a aálse, dcado que o somatóro destes valores tem de ser gual à udade. Já a Equação 3 atrbu o valor zero ao valor cal de cada fução de utldade. Os agetes de decsão expressam as suas preferêcas e dfereças em relação ao cojuto de alteratvas A ou a um subcojuto represetatvo de alteratvas A, de modo a obter uma ordeação dessas alteratvas. O modelo matemátco do método UTA busca essecalmete chegar a esta mesma ordeação ou ao mas próxmo possível desta, de modo que a utldade calculada para uma alteratva U [ g( a)] dfra da verdadera () (2) U[( ga)], de um erro σ(a). Desta forma, obtém-se o cálculo para toda alteratva a A da segute forma (Equação 4): U [ g( a)] = U[ ga ( )] +σ ( a) (4) Para duas alteratvas cosecutvas, de acordo com o cojuto A, têm-se as relações de preferêca (Equação 5) e dfereça (Equação 6): U [ g( a)] U [ gb ( )] δ se o agete de decsão dca apb U [ g( a)] U [ gb ( )] = 0 se o agete de decs ão dca aib Na Equação 5, δ é um úmero real sufcetemete pequeo e maor do que zero, empregado para separar sgfcatvamete duas classes da pré-ordem completa R. Os autores do método UTA sugerram que o valor de δ deve ecessaramete pertecer ao tervalo [/0Q, /Q], sedo Q o úmero de classes de dfereça (JACQUET-LAGRÈZE; SISKOS, 982). Assumdo a exstêca de trastvdade, pressuposto básco da MAUT, o agete de decsão só precsará fazer (m ) comparações etre alteratvas, ode m correspode ao úmero de alteratvas de A. Substtudo (4) em (5) e (6), obtêm-se (Equações 7 e 8): { u [ g ( a)] u [ g ( b)]} + σ( a) σ( b) δ apb = { u [ g ( a)] u [ g ( b)]} + σ( a) σ( b) = 0 aib = As fuções u são cosderadas como sedo leares por tervalos. Para defr tas tervalos, o agete de decsão escolhe α potos do tervalo [g, g ], em que a fução u está defda, sedo g e g, respectvamete, os lmtes ferores e superores de cada crtéro. Por meo de cálculos que empregam terpolação, determam-se os valores de u[ g( a)] em fução dos tervalos defdos pelos decsores. As fuções de utldade empregadas este método são moótoas. Desta forma, a hpótese de mootocdade é satsfeta através do segute cojuto de restrções (Equação 9): j+ j u( g ) u( g ) s, j=, 2, 3,..., ( α ), =, 2, 3,..., (9) em que s > 0 é o lmte de dfereça defdo para cada crtéro. Por cosegute, o prmero problema de programação lear deste método tem como fução objetvo a mmzação do somatóro dos erros σ(a), (5) (6) (7) (8)

5 96 Ragel, L. A. D. et al. O Apoo Multcrtéro... avalação de caddatos. Prod. v. 20,., p. 92-0, 200 assocados às utldades das alteratvas pertecetes a A, sujetos às segutes restrções: preferêca etre as alteratvas (Equação 7); dfereça etre as alteratvas (Equação 8); mootocdade das fuções de utldade (Equação 9), e ormalzação das fuções de utldade (Equações 2 e 3). Além destas restrções, todos os problemas de programação lear exgem a codção de ão egatvdade de suas varáves, represetada pelas Equações 0 e. j u( g ) 0,para todo e j (0) σ( a) 0, para todo a A' () Desta forma, tem-se o [PPL] do método UTA (Equação 2): m [PPL] M F= σ( a) Sujeto a: = { u [ g ( a)] u [ g ( b)]} + σ( a) σ( b) δ apb = { u [ g ( a)] u [ g ( b)]} + σ( a) σ( b) = 0 aib = (2) j+ j u( g ) u( g ) s, j=, 2, 3,..., ( α ), =, 2, 3,..., (9) u( g ) = (2) = u( g ) = 0, para todo (3) j u( g ) 0,para todo e j (0) σ( a) 0, para todo a A' () As Equações 7 e 8 são mutuamete exclusvas o [PPL] (Equação 2), uma vez que o método respeta a trastvdade etre as alteratvas. A mplemetação deste método ão terma com a busca da solução do [PPL] (Equação 2), pos outras soluções são pesqusadas o etoro desta solução. Desta forma, cosderado F como sedo a solução ótma deste problema e k(f) como sedo uma folga, buscam-se outras soluções de modo a satsfazer esta ova restrção (Equação 3): F F + kf ( ) (3) em que k é um úmero real sufcetemete pequeo e maor do que zero. Os vértces deste ovo poledro correspodem às fuções de utldade, em que um ou mas crtéros atgem um peso extremo máxmo ou mímo. Implemetam-se mas dos PPL para cada crtéro: um buscado determar o valor mímo que o valor extremo da fução de utldade do crtéro pode assumr e outro buscado determar o valor (7) (8) máxmo que o valor extremo da fução de utldade do crtéro pode assumr (Equações 4 e 5): [PPL2] M u( g ), para = 23,,,..., (4) [PPL3] Max u( g ), para = 23,,,..., (5) Esta etapa é chamada de aálse pós-otmzação, o método UTA. Estes dos ovos problemas de programação lear [PPL2] (Equação 4) e [PPL3] (Equação 5) possuem as mesmas restrções do [PPL] (Equação 2), além da restrção (Equação 3). Depos destas mplemetações, pelo método UTA (JACQUET-LAGRÈZE; SISKOS, 982), calculam se as médas dos valores obtdos pelas varáves que represetam as fuções de utldade margas u(g j ) verfcadas a aálse de pós-otmzação [PPL2] (Equação 4) e [PPL3] (Equação 5). Após estes cálculos, pode-se avalar a U(g(a)) de todas as alteratvas a A, sejam ou ão estas alteratvas do cojuto de referêca A Método UTA-CR O método UTA-CR (Utlté Adtve - Crtéros) proposto por Ragel (2002) é uma varate do método UTA. Esse método da Utldade Adtva baseada os Crtéros busca obter melhores soluções para as fuções de utldade e, para sto, cosdera as preferêcas dos decsores ão em relação ao cojuto de alteratvas, mas cosderado o cojuto de crtéros. A ordeação das alteratvas a ser empregada como dado de etrada o método UTA-CR será a ordeação obtda com o auxílo de outro método de ordeação do Apoo Multcrtéro à Decsão, tedo como referêca as preferêcas dos decsores em relação ao cojuto de crtéros. O modelo matemátco do método UTA-CR leva em cosderação as preferêcas dos decsores em relação ao cojuto de crtéros, através do emprego de dos ovos termos a fução objetvo, além do termo que vsa mmzar o somatóro dos erros assocados à ordeação das alteratvas. No método UTA-CR, os dos ovos termos da fução objetvo vsam mmzar os erros assocados para mas e para meos das preferêcas dos decsores em relação ao cojuto de crtéros. A Equação (6) apreseta a fução objetvo do método: M F= σ( a) + ξ( u ) + ξ( u ) a A SUP INF = = (6) Duas ovas restrções são empregadas este método, além das empregadas o [PPL]

6 Ragel, L. A. D. et al. O Apoo Multcrtéro... avalação de caddatos. Prod. v. 20,., p. 92-0, (Equação 2): a restrção (Equação 7), que busca restrgr os valores extremos de cada crtéro para mas, e a restrção (Equação 8), que busca restrgr os valores extremos de cada crtéro para meos. u( g ) ( u SUP ) w (7) u( g ) + ( u INF ) w (8) Desta forma, tem-se defdo um ovo modelo matemátco que represeta o método UTA-CR (RANGEL, 2002), por meo do [PPL4] (Equação 9): [PPL4] M F= σ( a) + ξ( u ) + ξ( u )(9) Sujeto a: a A SUP = = INF { u [ g ( a)] u [ g ( b)]} + σ( a) σ( b) δ apb = { u [ g ( a)] u [ g ( b)]} + σ( a) σ( b) = 0 aib = j+ j u( g ) u( g ) s, j=, 2, 3,..., ( α ), =, 2, 3,..., (9) u( g ) = (2) = u( g ) = 0, para todo (3) j u( g ) 0,para todo e j (0) σ( a) 0, para todo a A' () u( g ) ( u SUP ) w (7) u( g ) + ( u INF ) w (8) No método UTA-CR (RANGEL, 2002), ão há ecessdade de realzar a aálse pós-otmzação que é feta o método UTA (JACQUET-LAGRÈZE; SISKOS, 982), pos, com apeas uma úca mplemetação do [PPL4] (Equação 9), os resultados obtdos são melhores que os obtdos pelo método UTA (RANGEL et al., 2003; ARAYA et al., 2002; RANGEL, 2006; RANGEL et al., 2006). 4. Estudo de caso O método UTA e sua varate UTA-CR foram empregados para avalar um subcojuto de aluos selecoados, que prestaram exame vestbular para gressar o curso de Egehara Metalúrgca da Uversdade Federal Flumese (UFF), para íco em A COSEAC (Coordeadora de Seleção), vculada à PROAC Pró-Retora de Assutos Acadêmcos é o órgão resposável pela orgazação, pelo plaejameto e pela execução dos cocursos de (7) (8) seleção para gresso os cursos de graduação da UFF, equato os colegados dos cursos de graduação defem as dscplas que comporão as respectvas provas específcas, que são dscursvas. Aualmete, a UFF realza uma avalação para o gresso de aluos em seus dversos cursos. Estas avalações são fetas em duas etapas. Na prmera etapa, faz-se uma prova de múltpla escolha abordado dversas dscplas: Lígua Portuguesa e Lteratura Braslera; Lígua Estragera; Matemátca; Físca; Hstóra; Geografa; Químca, e Bologa. Na outra etapa, os aluos realzam provas dscursvas abordado duas dscplas de cohecmetos específcos, de acordo com o curso preteddo, além da elaboração de uma Redação, que é realzada por todos os aluos caddatos a todos os cursos. Para o curso de Egehara Metalúrgca, a seguda etapa, os aluos realzam provas específcas de Matemátca e de Físca (UFF, 2006b). Assm, esta pesqusa, os órgãos competetes da UFF são os decsores e os quatro crtéros cosderados esta pesqusa são: o úmero de questões certas dos caddatos a prmera fase e as três otas das respectvas provas dscursvas de Redação, Físca e Matemátca, da seguda fase. Esta pesqusa fo realzada selecoado-se 4 etre os 9 caddatos, classfcados e ão classfcados, que prestaram exame para o curso de Egehara Metalúrgca da UFF. Não foram cosderados esta avalação os caddatos elmados por ausêca ou por ota. A ordeação dos caddatos seguu o resultado forecdo pela UFF, sto é, a colocação que o caddato coseguu obter. Com a faldade de obter os pesos dos crtéros empregados pela UFF, um sstema de equações fo resolvdo, utlzado-se como dado de etrada os desempehos dos caddatos. Depos de determados, os pesos foram ormalzados e seus valores são apresetados a segur: o peso do crtéro C (Número de questões certas da Prmera Fase) fo aproxmadamete 0,067; o peso dos crtéros C 2 (Nota da Prova de Redação), C 3 (Nota da Prova de Matemátca) e C 4 (Nota da Prova de Físca) fo 0,3, gualmete para cada um deles. A Tabela apreseta os desempehos dos aluos em relação aos quatro crtéros empregados esta pesqusa, sto é, a matrz de avalação. Os caddatos selecoados foram os segutes: A, A 5, A 0, A 20, A 30, A 40, A 50, A 60, A 70, A 80, A 90, A 00, A 0 e A 5. Os ídces assocados a cada alteratva A j, em que j vara de a 9, represetam a ordeação dos caddatos a avalação realzada pela UFF.

7 98 Ragel, L. A. D. et al. O Apoo Multcrtéro... avalação de caddatos. Prod. v. 20,., p. 92-0, 200 Tabela. Matrz de avalação. Caddatos Crtéros C C 2 C 3 C 4 Ordeação fal A 55 8,5 6,6 6,2 A ,0 4,9 6,8 5 A ,0 7, 5,7 0 A ,0,6 5,3 20 A ,75 3,0 5,0 30 A ,5 3, 3,5 40 A ,75 2,8 2,7 50 A ,5 4,2 2,0 60 A ,0 4, 3, 70 A ,25 3,0 3, 80 A ,0 0,5 3,7 90 A ,5 0,4,4 00 A ,0 0,3 2,7 0 A 5 7 7,0 0,3 0,5 5 A ordeação das alteratvas represeta a prmera restrção o problema de programação lear da formulação dos dos métodos. Esta restrção dca que a alteratva A é preferível à alteratva A 5 e que a alteratva A 5 é preferível à alteratva A 0, e assm sucessvamete. Por cosderar a trastvdade etre as alteratvas, ão há ecessdade de aalsar relações etre alteratvas ão sucessvas, tas como A com A 0, em A 70 com A 00. As outras restrções do modelo são: mootocdade dos crtéros; somatóro dos valores extremos máxmos de cada crtéro gual a uma udade, e valores mímos de cada crtéro guas a zero. A últma restrção do problema de programação lear dz respeto à ão egatvdade das varáves. O valor do parâmetro δ empregado a mplemetação dos dos métodos fo de 0,0 e seguu a recomedação dos autores do método UTA (JACQUET-LAGRÉZE; SISKOS, 982), que defem o valor deste parâmetro pertecete ao tervalo [/0Q, /Q]. Assm, este estudo de caso, cada alteratva fo cosderada como sedo uma classe. Como o cojuto de referêca possu 4 elemetos, é este, portato, o úmero de classes cosderadas. Esta cosderação em relação ao úmero de classes resulta em um modelo que ão possu relação de dfereça etre as alteratvas presetes a aálse. Note-se que o valor ulo do parâmetro s, adotado a mplemetação dos dos métodos, sgfca que as fuções a serem determadas pelos modelos matemátcos dos dos métodos podem ser paralelas ou cocdr com o exo das abscssas. O valor da fução objetvo obtdo com a mplemetação do [PPL] (Equação 2) fo ulo, sgfcado que o modelo matemátco do método UTA coseguu represetar perfetamete as preferêcas dos decsores. Etão, fo realzada a aálse pós-otmzação com a mplemetação dos problemas de programação lear [PPL2] (Equação 4) e [PPL3] (Equação 5), com a faldade de determar os valores médos das varáves. Oto mplemetações foram realzadas e, assm, determaram-se as fuções de utldade dos crtéros presetes a aálse. Os resultados obtdos com as mplemetações deste método são apresetados em forma de gráfco, por meo de lha tracejada a Fgura. Com a faldade de comparar os resultados dos dos métodos, em uma seguda etapa desta pesqusa, fo realzada a mplemetação do método UTA-CR [PPL4] (Equação 9) empregado os mesmos valores dos parâmetros da mplemetação do método UTA. Os resultados obtdos com a mplemetação do método UTA são apresetados a Fgura, através de lha cotíua. Ressalta-se que, a mplemetação deste método, ão há ecessdade de se realzarem as oto mplemetações quatro do [PPL2] (Equação 4) e quatro do [PPL3] (Equação 5). Em uma úca mplemetação [PPL4] (Equação 9), os valores das varáves são obtdos. 5. Comparação dos resultados As grades dfereças das fuções de utldade dos crtéros, obtdas a mplemetação dos dos métodos, buscam represetar da melhor forma possível as preferêcas dos decsores (Fgura ). Nas mplemetações dos dos métodos, verfcam-se as dfereças dos valores máxmos obtdos para cada crtéro. Assm, o crtéro C (Número de questões certas da Prmera Fase), o valor proposto fo 0,067; o valor obtdo pelo método UTA fo 0,22 e o obtdo pelo método UTA-CR fo 0,067. Seguem os valores obtdos para cada crtéro, respectvos aos métodos UTA e UTA-CR: crtéro C 2 (Nota da Prova de Redação) - 0,084 e 0,3; crtéro C 3 (Nota da Prova de Matemátca) - 0,250 e 0,3; crtéro C 4 (Nota da Prova de Físca) - 0,444 e 0,3. Verfca-se, por meo dos resultados apresetados pelo método UTA que os valores dos pesos dos crtéros estão bem dferetes dos propostos a pror pelos decsores. Estes valores propostos foram 0,067, 0,3, 0,3, e 0,3, e os valores obtdos com o emprego deste método foram 0,22, 0,084, 0,250 e 0,444, para os crtéros C, C 2, C 3 e C 4, respectvamete. Apesar de o modelo matemátco

8 Ragel, L. A. D. et al. O Apoo Multcrtéro... avalação de caddatos. Prod. v. 20,., p. 92-0, Fgura. Fuções de Utldade dos Crtéros C, C 2, C 3 e C 4. Método UTA ( ) e Método UTA-CR ( ). cosegur represetar as preferêcas dos decsores pos o valor obtdo pela fução objetvo do [PPL] (Equação 2) fo ulo, sto ão sgfca que estes valores represetem perfetamete as preferêcas dos decsores. Esse fato ocorre porque o problema de programação lear é degeerado. Empregado-se o método UTA-CR (RANGEL, 2002) os valores obtdos dos pesos foram 0,067, 0,3, 0,3 e 0,3 para os crtéros C, C 2, C 3 e C 4, respectvamete. Estes valores são os mesmos propostos a pror pelos decsores. O modelo matemátco que represeta este método busca obter os valores dos pesos com afastameto mímo, tato para mas como para meos, do valor proposto. Assm, este modelo determa as fuções de utldade dos crtéros o mas próxmo possível das preferêcas dos decsores. Com a faldade de comparar os resultados das ordeações obtdas através dos dos métodos UTA e UTA-CR com a ordeação obtda do vestbular, fo realzado um estudo para determar a correlação etre as ordeações. Em uma prmera etapa, determou-se o coefcete de correlação de Kedall (KENDALL; GIBBONS, 990) etre a ordeação obtda através do vestbular da UFF e a obtda através do método UTA. O coefcete de Kedall obtdo fo gual a 0,898, dcado um alto grau de correlação etre as duas ordeações. Em uma seguda etapa, realzou-se o mesmo procedmeto, para determar a correlação etre a ordeação obtda pela a UFF e a obtda pelo método UTA-CR. Neste caso, o coefcete de Kedall obtdo fo gual a 0,8987, dcado também um alto grau de correlação. Desta forma, pode-se comprovar o alto grau de correlação obtda através dos métodos e a obtda através do vestbular. Através dos resultados, observa-se um aumeto da correlação etre a ordeação obtda com o emprego do método UTA-CR e a ordeação obtda com o emprego do método UTA, quado comparadas. Verfca-se que as fuções de utldades obtdas para os crtéros são leares por parte (Fgura ). Isto faz com que a ordeação dos caddatos obtda através destes métodos ão seja tão precsa quato a obtda através do vestbular. A ordeação obtda com o emprego dos métodos UTA e UTA-CR podera ser melhorada com o aumeto da qualdade das fuções de utldades, através do emprego de um maor úmero de potos a defção destas fuções; mas, por outro lado, um esforço maor tera de ser empregado, já que o úmero de varáves de decsão estes métodos é dretamete proporcoal ao úmero de potos e de crtéros presetes a aálse. Sabe-se que todo processo de avalação ecessta de acompahameto e estudo. No caso desta pesqusa, realzada com o emprego dos métodos UTA e UTA-CR para avalar os caddatos ao curso de Egehara Metalúrgca da UFF, a determação das fuções de utldades baseada os resultados do vestbular os próxmos aos rá propcar um melhor acompahameto do processo de avalação do vestbular, uma vez que as fuções de utldades dos crtéros poderão ser comparadas e aalsadas.

9 00 Ragel, L. A. D. et al. O Apoo Multcrtéro... avalação de caddatos. Prod. v. 20,., p. 92-0, Coclusão Dos métodos aalítcos de Apoo Multcrtéro à Decsão foram empregados esta pesqusa: o método UTA (JACQUET-LAGRÈZE; SISKOS, 982) e uma varate deste, o método UTA-CR (RANGEL, 2002). O método UTA cosdera as preferêcas dos decsores em relação ao cojuto de alteratvas para determar as fuções de utldade, equato o método UTA-CR cosdera as preferêcas dos decsores em relação ao cojuto de crtéros para, posterormete, determar uma ordeação das alteratvas e, em seguda, determar as fuções de utldade dos crtéros. As formas das fuções de utldade dos crtéros obtdas com o emprego dos dos métodos são bem dferetes. Isto ocorre porque os problemas de programação matemátca que represetam os dos métodos são degeerados. O método UTA-CR emprega um úmero maor de restrções levado em cosderação os pesos dos crtéros e emprega, também, uma ova fução objetvo. Os pesos defdos pela uversdade para os quatro crtéros C, C 2, C 3 e C 4 este processo de avalação foram 0,067, 0,3, 0,3 e 0,3, respectvamete. Estes mesmos valores foram obtdos para os pesos crtéros através do método UTA-CR. Já os pesos para os crtéros determados através do método UTA foram bem dferetes. Para os crtéros C, C 2, C 3 e C 4 seus pesos foram 0,2, 0,084, 0,250 e 0,444, respectvamete. Verfca-se, desta forma, que as fuções de utldade dos crtéros obtdas com o método UTA-CR estão mas próxmas das preferêcas dos decsores do que as obtdas com o método UTA, coforme os resultados das mplemetações e dos gráfcos apresetados (Fgura ). Referêcas ARAYA, M. C. G. et al. Buldg the addtve utlty fuctos for CAD-UFRJ evaluato staff crtera. Aals of Operatos Research, v. 6,. -4, p , BANA e COSTA, C. A.; CORTE, J. M.; VANSNICK, J. C. O the mathematcal foudatos of MACBETH. I: FIGUEIRA, J.; GRECO, S.; EHRGOTT, M. (Ed.). Multple crtera decso aalyss: state of the art surveys. New York: Sprger, p BARBA-ROMERO, S.; POMEROL, J. C. Decsoes multcrtero: fudametos teórcos y utlzacó práctca. España: Uversdad de Alcalá, 997. p BELTON, V.; STEWART, T. J. Multple crtera decso aalyss: a tegrated approach. Massachusetts: Kluwer Academc Publshers, p BRANS, J. P.; VINCKE, P. H.; MARESCHAL, B. How to select ad how to rak projects: the promethee methods. Europea Joural of Operatoal Research, v. 24,. 2, p , 986. CLEMEN, R. T.; REILLY, T. Makg hard decso wth decsos tools. 2 ed. Ro de Jaero: Thomso, 200. GOMES, L. F. A. M. Teora da decsão. Ro de Jaero: Thomso, p. 32. GOMES, L. F. A. M.; ARAYA, M. C. G.; CARIGÑANO, C. Tomada de decsões em ceáros complexos. Ro de Jaero: Thomso, p. 68. GOMES, L. F. A. M.; RANGEL, L. A. D. A applcato of the TODIM method to the multcrtera retal evaluato of resdetal propertes. Europea Joural of Operatoal Research, v. 93,. 2, p , Dspoível em: < HAMMOND, J. S.; KEENEY, R. L.; RAIFFA, H. Eve swaps: a ratoal method for makg trade-offs. Harvard Busess Revew, v. 76,. 2, p , 998. JACQUET-LAGRÈZE, E.; SISKOS, J. Assessg a set of addtve utlty fuctos for multcrtera decso-makg the UTA method. Europea Joural of Operatoal Research,. 0, p. 5-64, 982. KEENEY, R. L.; RAIFFA, H. Decsos wth multple objectves: prefereces ad value tradeoffs. Cambrdge: Cambrdge Uversty Press, 993. p KENDALL, M. G.; GIBBONS, J. D. Rak correlato methods. 5 ed. Lodo: Edward Arold, 990. p RANGEL, L. A. D. Determação de fuções de utldade através das preferêcas dos decsores sobre o cojuto de crtéros empregado o método UTA. Ro de Jaero, Tese (Doutorado em Egehara de Produção) - Uversdade Federal do Ro de Jaero - UFRJ. RANGEL, L. A. D. Determação de fuções de utldade dos crtéros empregados a avalação de móves resdecas. I: CONGRESO IBERO-LATINOAMERICANO DE INVESTIGACIÓN OPERATIVA - CLAIO, 3, Aas... (CD-Rom). RANGEL, L. A. D. et al. Avalação da terorzação dos cursos da Uversdade Federal Flumese com o uso cojugado dos métodos UTA e MACBETH. Ivestgação Operacoal, v. 23,., p , RANGEL, L. A. D. et al. A varat of the UTA method. I: INTERNATIONAL SYMPOSIUM ON MATHEMATICAL PROGRAMMING - ISMP, 9, Abstracts ROMERO, C. Teoría de la decsó multcrtero: coceptos, téccas y aplcacoes. Madrd: Alaza, 993. p. 95. ROY, B. The outrakg approach ad the foudatos of electre methods. Theory ad Decso, v. 3, p , 99. ROY, B.; BOUYSSOU, D. Ade multcrtère à la décso: méthodes et cas. Pars: Ecoômca, 993. p SAATY, T. L. Fudametals of decso makg ad prorty theory: wth the aalytc herarchy process. Pttsburgh: RWS Publcatos, 994. SCHÄRLIG, A. Pratquer electre et prométhée: u complémet à décder sur pluseurs crtères. Lausae: Press Polytechques e Uverstares Romade, 996. p. 73. SISKOS, Y.; GRIGOROUDIS, E.; MATSATSINIS, N. F. UTA methods. I: FIGUEIRA, J.; GRECO, S.; EHRGOTT, M. (Ed.). Multple crtera decso aalyss: state of the art surveys. New York: Sprger, p UFF. Núcleo de Comucação Socal. Nteró: UFF, 2006.

10 Ragel, L. A. D. et al. O Apoo Multcrtéro... avalação de caddatos. Prod. v. 20,., p. 92-0, UFF. Coordeadora de Seleção (COSEAC) da Pró-Retora de Assutos Acadêmcos (PROAC) da UFF. Nteró: UFF, p. 64. (Edtal de cocurso e programa das dscplas). VINCKE, P. H. L ade multcrtère à la dècso. Bruxelles: Édtos de l Uversté de Bruxelles, 989. p. 79. VON-NEUMANN, J.; MORGENSTERN, O. Theory of games ad ecoomc behavor. 3 ed. Prceto: Prceto Uversty Press, 953. ZOPOUNIDIS, C.; DIMITRIS, A. I. Multcrtera decso ad methods for the predctos of busess falure. Dordrecht: Kluwer Academc Publshers, 998. p. 7. Agradecmetos Os autores deste artgo agradecem ao CNPq Coselho Nacoal de Desevolvmeto Cetífco e Tecológco, através dos Projetos de Pesqusa 30603/2009-9, 5027/ e /2004-6; à PROPP - Pró-Retora de Pesqusa e Pós-Graduação da Uversdade Federal Flumese, e ao Programa de Pós-Graduação e Pesqusa em Admstração e Ecooma do Ibmec/RJ. Abstract Multcrtera Decso Ad the evaluato of caddates The methods of mult-crtera decso ad are appled to problems of selecto, rakg, classfyg, ad descrbg alteratves the presece of multple crtera, both quattatve ad qualtatve. Ths artcle tackles the problem of usg the UTA ad UTA-CR methods for determg the utlty fucto of crtera used to evaluate caddates for the udergraduate program metallurgcal egeerg the Flumese Federal Uversty. After presetg the methods ad outlg the problem, a aalyss of the results shows that the utlty fuctos of crtera obtaed usg UTA-CR are closer to decso-maker prefereces tha those obtaed usg UTA. It s also show that, by usg UTA-CR, t s ot ecessary to perform the post-optmzato aalyss that s requred by the UTA method. I other words, mplemetato of a sgle lear program leads to results that are better tha those obtaed usg UTA. Keywords Multcrtera Decso Ad. Addtve utlty methods. Utlty fucto. Evaluato of caddates.

Emprego dos métodos Utilité Additive e Utilité Additive CRiteria na avaliação de imóveis: um estudo de caso

Emprego dos métodos Utilité Additive e Utilité Additive CRiteria na avaliação de imóveis: um estudo de caso Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso Resumo Luís Alberto Duca Ragel Luz Flávo Autra Motero Gomes Este artgo apreseta uma aplcação do método Utlté

Leia mais

MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA

MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA Luís Alberto Duca Rael (UFF) duca@metal.eemvr.uff.br Nlso Bradalse

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA

AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA versão mpressa ISSN 00-7438 / versão ole ISSN 678-542 AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA Luís Alberto Duca Ragel UFF-COPPE/PEP/UFRJ

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Forma padrão do modelo de Programação Linear

Forma padrão do modelo de Programação Linear POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0 EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

4 O Método de Análise Hierárquica

4 O Método de Análise Hierárquica 4 O Método de Aálse Herárquca 4.. Itrodução O método de aálse herárquca é um dos métodos multatrbuto mas utlzados e dfuddos o mercado mudal (Gomes, 007). Isso se deve, provavelmete, a duas razões. A prmera

Leia mais

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino Plao de Eso Uversdade Federal do Espírto Sato Campus: São Mateus Curso: Egehara de Produção Departameto Resposável: Departameto de Egeharas e Tecologa Data de Aprovação (Art. º 91): Docete resposável:

Leia mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa

Leia mais

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.

Leia mais

8 Programação linear 78

8 Programação linear 78 8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos

Leia mais

Total Bom Ruim Masculino

Total Bom Ruim Masculino UNIDADE I - ESTUDO DIRIGIDO Questão - Classfque as varáves em qualtatva (omal ou ordal ou quattatva (cotíua ou dscreta: a. População: aluos de uma Uversdade. Varável: cor dos cabelos (louro, castaho, ruvo,

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

Leia mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

Leia mais

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional. Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem

Leia mais

Computação das Medidas de Tendência Central e Dispersão Intervalares em Java

Computação das Medidas de Tendência Central e Dispersão Intervalares em Java V ERMAC-R o Ecotro Regoal de Matemátca Aplcada e Computacoal 9- de outubro de 00 Uersdade Potguar Natal/RN Computação das Meddas de Tedêca Cetral e Dspersão Iteralares em Jaa Laís M. Nees, Elaqum L. S.

Leia mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 2ª Atividade Formativa UC ECS Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução

Leia mais

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos 4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um

Leia mais

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

DECISÃO EM GRUPO EM MÉTODOS MULTICRITÉRIO DE APOIO À DECISÃO

DECISÃO EM GRUPO EM MÉTODOS MULTICRITÉRIO DE APOIO À DECISÃO Aas do 15 O Ecotro de Icação Cetífca e Pós-Graduação do ITA XV ENCITA / 2009 Isttuto Tecológco de Aeroáutca São José dos Campos SP Brasl Outubro 19 a 22 2009. DECISÃO EM GRUPO EM MÉTODOS MULTICRITÉRIO

Leia mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

UM ESTUDO SOBRE A UTILIZAÇÃO DE DADOS HISTÓRICOS NO MODELO DE MARKOWITZ APLICADO À BOLSA DE VALORES DE SÃO PAULO

UM ESTUDO SOBRE A UTILIZAÇÃO DE DADOS HISTÓRICOS NO MODELO DE MARKOWITZ APLICADO À BOLSA DE VALORES DE SÃO PAULO III SEMEAD UM ESTUDO SOBRE A UTILIZAÇÃO DE DADOS HISTÓRICOS NO MODELO DE MARKOWITZ ALICADO À BOLSA DE VALORES DE SÃO AULO Akor Heda (*) Adré Luz Oda (**) RESUMO Este artgo dscute a aplcação do modelo de

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos iterativos. Capítulo O Método de Jacobi Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método

Leia mais

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering) 7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve

Leia mais

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si. Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração

Leia mais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO HIPERGEOMÉTRICA 7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora

Leia mais

Estabilidade no Domínio da Freqüência

Estabilidade no Domínio da Freqüência Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;

Leia mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta

Leia mais

Determine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período.

Determine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período. ESTATÍSTICA - 01 1. (UERJ 01) Téccos do órgão de trâsto recomedaram velocdade máxma de 80 km h o trecho de uma rodova ode ocorrem mutos acdetes. Para saber se os motorstas estavam cumprdo as recomedações,

Leia mais

CADERNO 1 (É permitido o uso de calculadora gráfica.)

CADERNO 1 (É permitido o uso de calculadora gráfica.) Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos

Leia mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04 MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de

Leia mais

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo. Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

( ) Editora Ferreira - Toque de Mestre. Olá Amigos!

( ) Editora Ferreira - Toque de Mestre. Olá Amigos! Olá Amgos! Hoje coloco à dsposção de vocês aqu a seção Toque de Mestre da Edtora Ferrera (www.edtoraferrera.com.br) as questões de Matemátca Facera cobradas o últmo cocurso da axa Ecoômca Federal (EF),

Leia mais

INTRODUÇÃO A ESTATÍSTICA

INTRODUÇÃO A ESTATÍSTICA Hewlett-Packard INTRODUÇÃO A ESTATÍSTICA Aulas 01 e 06 Elso Rodrgues, Gabrel Carvalho e Paulo Luz Sumáro Defções... 1 EXERCÍCIOS FUNDAMENTAIS... 1 Meddas de tedêca cetral... 1 Méda artmétca smples... 1

Leia mais

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;

Leia mais

Probabilidades e Estatística

Probabilidades e Estatística Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete

Leia mais

Matemática C Semiextensivo V. 2

Matemática C Semiextensivo V. 2 Matemátca C Semetesvo V. Eercícos 0) Através da observação dreta do gráfco, podemos coclur que: a) País. b) País. c) 00 habtates. d) 00 habtates. e) 00 0 0 habtates. 0) C Através do gráfco, podemos costrur

Leia mais

7 Análise de covariância (ANCOVA)

7 Análise de covariância (ANCOVA) Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x

Leia mais

Monitoramento ou Inventário Florestal Contínuo

Monitoramento ou Inventário Florestal Contínuo C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo

Leia mais

2.0 - MODELAGEM DA CARGA

2.0 - MODELAGEM DA CARGA GAT-23 2 a 26 de ubro de 2 Campas - São Paulo - Brasl G R U P O I V GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT RESERVA DE POTÊNCIA OPERATIVA - UMA METODOLOGIA DE TRANSIÇÃO A. A.

Leia mais

Perguntas Freqüentes - Bandeiras

Perguntas Freqüentes - Bandeiras Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada

Leia mais

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o

Leia mais

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES: NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos

Leia mais

Apostila de Introdução Aos Métodos Numéricos

Apostila de Introdução Aos Métodos Numéricos Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste

Leia mais

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal

Leia mais

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho

Leia mais

Complexidade Computacional da Determinação da Correspondência entre Imagens

Complexidade Computacional da Determinação da Correspondência entre Imagens Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br

Leia mais

Olá, amigos concursandos de todo o Brasil!

Olá, amigos concursandos de todo o Brasil! Matemátca Facera ICMS-RJ/008, com gabarto cometado Prof. Wager Carvalho Olá, amgos cocursados de todo o Brasl! Veremos, hoje, a prova do ICMS-RJ/008, com o gabarto cometado. - O artgo º da Le.948 de 8

Leia mais

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor

Leia mais

José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas

José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas UNIVERSIDADE FEDERAL DE OURO PRETO Isttuto de Cêcas Eatas e Bológcas Departameto de Computação José Álvaro Tadeu Ferrera Cálculo Numérco Notas de aulas Iterpolação Polomal Ouro Preto 3 (Últma revsão em

Leia mais

Como CD = DC CD + DC = 0

Como CD = DC CD + DC = 0 (9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

2. NOÇÕES MATEMÁTICAS

2. NOÇÕES MATEMÁTICAS . NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar

Leia mais

PROBLEMA DE INCERTEZA EM SISTEMAS DINÂMICOS UTILIZANDO DEFUZZIFICAÇÃO PELO CENTROIDE

PROBLEMA DE INCERTEZA EM SISTEMAS DINÂMICOS UTILIZANDO DEFUZZIFICAÇÃO PELO CENTROIDE POSMEC 205 Smpóso do Programa de Pós-Graduação em Egehara Mecâca Faculdade de Egehara Mecâca Uversdade Federal de Uberlâda 8 e 9 de Novembro de 205, Uberlâda - MG PROBLEM DE INCERTEZ EM SISTEMS DINÂMICOS

Leia mais

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( )

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( ) NÚMEROS COMPLEXOS Forma algébrca e geométrca Um úmero complexo é um úmero da forma a + b, com a e b reas e = 1 (ou, = -1), chamaremos: a parte real; b parte magára; e udade magára. Fxado um sstema de coordeadas

Leia mais

9 Medidas Descritivas

9 Medidas Descritivas 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se

Leia mais

Prof. Eugênio Carlos Stieler

Prof. Eugênio Carlos Stieler http://www.uemat.br/eugeo Estudar sem racocar é trabalho 009/ TAXA INTERNA DE RETORNO A taa tera de retoro é a taa que equalza o valor presete de um ou mas pagametos (saídas de caa) com o valor presete

Leia mais