Previsão de Carga Utilizando Support Vector Machine (SVM)
|
|
- Maria dos Santos Chaplin Madureira
- 7 Há anos
- Visualizações:
Transcrição
1 Ttle Prevsão de Carga Utlzando Support Vector Machne (SVM) Regstraton Nº: (Abstract) 200 Company AES ELETROPAULO METROPOLITANA / UNIVERSIDADE PRESBITERIANA MACKENZIE Authors of the paper Name Country e-mal José A. Gomes Brasl jose.agomes@aes.com Elas Barquete Albarello Brasl elas.albarello@aes.com Elza Okubo Brasl elza.okubo@aes.com S. Jonathan Brasl sunny.jonathan@aes.com F. C. S. Cerdan Brasl flavo.cerdan@aes.com B. Vlela Brasl breno.vlela@ccee.org.br Yara Mara Bott de Olvera Brasl yaraolvera@mackenze.br Cecíla Helena N. Magalhães Brasl cecíla.helena@uol.com.br Fabana Aparecda De Toledo Slva Brasl fabana.atoledos@mackenze.br fabana.atoledos@uol.com.br Raquel Cymrot Brasl raquelc@mackenze.br José Lus Atmann Brasl jlatmann@oste.com.br Lus D Agostn Brasl alesfern@terra.com.br J. C. Natale Brasl josecnatale@hotmal.com Marcel S. B. Valverde Brasl marcelvalverde@uol.com.br Alvaro A.O.Telles Brasl aaotelles@g.com.br Key words Rede Neural. Support Vector Machne (SVM). Carga Própra. Comportamento do Consumdor. Prevsão. Resumo Este artgo apresenta os resultados obtdos com o desenvolvmento do Projeto P&D, numa parcera entre a AES Eletropaulo Metropoltana e a Unversdade Presbterana Mackenze, nttulado Prevsão Probablístca de Mercado e da Demanda, para Compra em Grosso, consderando Erro Mínmo (Novo Modelo do Setor Elétrco), com Aplcações no Planeja-mento. O prncpal produto do projeto consste da ferramenta computaconal denomnada SUPREME. A ferramenta computaconal desenvolvda fornece subsídos para análse e refna-mento nas compras de energa em grosso, dmnundo as ncertezas de prevsões. Além de ntroduzr a demanda máxma através da tpcdade (curvas típcas) de suas componentes permtndo organzar cenáros que levam em consderação as varáves de maor nfluênca (peso).. Para tanto, foram realzados testes com varáves de cenáros para a carga e mercado prevstos para a escolha das varáves para cada horzonte de prevsão e classe de consumo.
2 . INTRODUÇÃO A técnca de ntelgênca artfcal Support Vector Machne (SVM) recebeu o prêmo European Network of Intellgent Technologst (EUNITE) em 200. Seus cradores Chh-Chang e Chh-Jen Ln, ganhadores do prêmo, partcparam do evento utlzando esta técnca para prevsão de carga em energa elétrca. Esta técnca é apontada como uma evolução das Redes Neuras Artfcas (RNA s), tanto pelos acertos da prevsão, como pelo processo bastante acessível de calbração de parâmetros durante a fase de trenamento. Seus autores denomnaram a rotna computaconal de LIBSVM [3]. 2. PROCESSO DE TREINAMENTO E AFERIÇÃO DA SVM O processo de calbração da SVM consste de duas etapas: trenamento e aferção. Para tanto, as séres hstórcas das varáves explcatvas e a da explcada são dvddas em duas partes, sendo que a prmera é submetda ao algortmo de treno (etapa de trenamento) e a segunda parte é submetda ao algortmo de prevsão (etapa de aferção). Os valores prevstos pela SVM para a 2ª parte da sére hstórca são então confrontados com os valores reas, calculando-se os erros percentuas absolutos para cada ano (APE) e o erro médo percentual absoluto (MAPE) para o período. O erro relatvo percentual na prevsão dos valores gerados pelo modelo no período de trenamento, recalculado no período de aferção e propagado para o período de prevsão é: APE = 00 Ea Êa Ea Com: E a = Valor Real da Carga Própra Anual de Energa para o ano Ê a = Valor prevsto (estmado) pela SVM da Carga Própra Anual de Energa para o ano A méda do APE durante o período de prevsão é dada por: () 2 = Ta MAPE = APE (2) Ta = Com: Ta = total de anos do período de aferção da SVM Durante o período de aferção a probabldade da ocorrênca de um erro acma de um determnado valor (por exemplo um APE acma de 3%), tendo em vsta apenas o erro de prevsão do modelo SVM pode ser calculado pela relação entre a freqüênca dos erros superores ao lmte estabelecdo e o total de anos do período de aferção. R Ta APE> 3 % = FAPE> 3% (3) Com: FAPE>3% = freqüênca de ocorrênca de APEs acma de 3% Ta = total de anos do período de aferção da SVM Trata-se de um processo teratvo, no qual se busca atngr o menor MAPE em função da escolha dos valores deas de três parâmetros a serem fornecdos à SVM. Uma vez detectados estes parâmetros deas, utlza-se novamente o algortmo de prevsão da SVM para obter os valores futuros da varável explcada a partr das projeções das varáves explcatvas [ 3]. 3. CÁLCULO DO RISCO DO ERRO PERCENTUAL RELATIVO SER, EM MÓDULO, MAIOR QUE TRÊS POR CENTO (COM RE- LAÇÃO AO MERCADO PREVISTO E REALIZADO) Para o cálculo do erro percentual relatvo (dferenças) fo-ram estmadas as cargas própras anuas utlzando a LIBSVM com o trenamento de dez anos e aferção de cnco anos, portanto sendo usados dados dos qunze anos anterores ao ano da prevsão. A sére utlzada para o trenamento fo sempre a do PIB. Para esta amostra foram calculadas dversas estatístcas descrtvas, ntervalos de confança, testada a normaldade dos dados e construído o gráfco de Boxplot. Tas resultados estão apresentados no gráfco. Esta amostra fo
3 denomnada amostra mestre. Resumo para o erro percentual relatvo na amostra mestre Medan -0,02-0,03-0,02-0,0 0,00 0,0 0,02 0,03 Intervalos com 95% de confança Mean -0,0 0,00 0,0 Teste normaldade Anderson-Darlng Valor-P 0,85 Méda -0, Desvo padrão (d. p.) 0,08383 Assmetra 0,25504 Curtose -0, N 5 Mínmo -0,0382 º Quartl -0,09607 Medana -0, º Quartl 0,0548 Máxmo 0, Intervalos 95% de conf. para méda -0, ,00734 Intervalos 95% de conf. para d. p. 0, ,02899 Gráfco Estatístcas descrtvas e ntervalos de confança para a amostra mestre Os dados desta amostra aderram à dstrbução Normal, pos pelo teste de Anderson- Darlng o nível descrtvo fo gual a 0,85, superor a 0,05 gual ao nível de sgnfcânca do teste. A méda e o desvo padrão obtdos foram respectvamente guas a 0, e 0, Usando a técnca de Bootstrap para confrmar a normaldade e para que resulte em valores confáves, é necessáro que mutas reamostragens sejam realzadas. Város autores recomendam ml como um número adequado de reamostragens. É mportante que cada reamostragem seja realzada com reposção, sempre seleconando os valores de forma aleatóra. O desvo padrão da dstrbução Bootstrap para a méda (também chamado de erro padrão) é uma medda de varabldade e é calculado da segunte forma: SE bootstrap ˆ * ˆ * θ θ B B = * com ˆ θ gual ao valor da estatístca para cada reamostra e B gual ao número de reamostragens realzadas. O astersco é usado para dferencar a estatístca das reamostras da estatístca da amostra orgnal, a qual é representada por θˆ. Calcula-se o ntervalo de confança Bootstrap t para uma determnada estatístca da segunte manera: bootstrap t 2 (4) [ estatístc a ± t SE ] (5) IC = bootstrap, com n gual ao tamanho da amostra mestre, encontrado utlzando-se (n-) graus de lberdade e o desvo padrão Bootstrap para a estatístca em estudo, calculado utlzando-se a Equação () apresentada acma. O ntervalo de confança Bootstrap t só deve ser utlzado quando se sabe que 3 a dstrbução da estatístca na dstrbução Bootstrap é aproxmadamente normal e pouco vcada. O ntervalo de confança percentl pode ser calculado de duas maneras. Segundo Efron (986) [], para uma confança ( α)00%, a prmera forma é encontrar o percentl ( α/2)00% e o percentl (α/2)00% das estatístcas nas reamostras do parâmetro que se deseja estmar. A segunda manera de se obter o ntervalo de confança percentl utlzando a técnca de Bootstrap é por meo dos percents das dferenças dos valores das estatístcas das reamostras, em relação ao valor médo desta mesma estatístca nas reamostras [2]. A partr da amostra mestre de qunze erros percentuas relatvos foram geradas ml reamostras e calculado para cada uma delas o erro percentual relatvo. Para esta amostra, denomnada amostra Bootstrap, foram calculadas dversas estatístcas descrtvas, ntervalos de confança, testada a normaldade dos dados e construído o gráfco de Boxplot. Tas resultados estão apresentados no gráfco 2 abaxo: Resumo erro percentual relatvo médo na amostra bootstrap -0,05-0,00-0,005-0,000 0,005 0,00 Intervalos com 95% de confança Mean Medan -0,0034-0,0032-0,0030-0,0028 Teste normaldade Anderson-Darlng Valor-P 0,977 Méda -0, Desvo padrão (d. p.) 0,00477 Assmetra 0, Curtose -0, N 002 Mínmo -0,07888 º Quartl -0, Medana -0, º Quartl 0, Máxmo 0,02596 Intervalos 95% de conf. para méda -0, , Intervalos 95% de conf. para d. p. 0, , Gráfco 2 Estatístcas descrtvas e ntervalos de confança para a amostra Bootstrap Os dados desta amostra aderram à dstrbução Normal, pos pelo teste de Anderson- Darlng o nível descrtvo fo gual a 0,973, superor a 0,05 gual ao nível de sgnfcânca do teste. A méda do erro percentual relatvo médo e desvo padrão do erro percentual relatvo médo obtdos foram respectvamente guas a 0,00302 e 0, Calcula-se a estmatva do desvo padrão do erro percentual relatvo nesta amostra gual a x 0,00477 = 0,08263, uma vez que o desvo padrão da méda é gual ao desvo padrão da amostra dvddo pela raz do tamanho desta amostra. Notase que os valores das estmatvas da méda e desvo padrão do erro médo relatvo na amostra Bootstrap pratcamente concdram com os da amostra mestre, apresentando dferenças só a partr da quarta casa decmal. Os ntervalos Bootstrap calculados são apresentados a segur:
4 Intervalo de confança Bootstrap t = [ 0,03; 0,0070]. Intervalo de Confança Bootstrap Percentl = [ 0,022; 0,0064]. Intervalo de Confança Bootstrap Percentl (das dferenças) = [ 0,025; 0,0060]. Como estes ntervalos estão todos próxmos, conclu-se por meo da técnca de Bootstrap que a dstrbução do erro relatvo percentual médo é aproxmadamente Normal. Como a amostra mestre tem apenas 5 elementos, pelo Teorema do Lmte Central conclu-se que a dstrbução do erro relatvo percentual é aproxmadamente Normal, pos se não o fosse, somente uma amostra de tamanho no mínmo gual a trnta garantra a normaldade da dstrbução de probabldades da méda. Com o teste de Anderson-Darlng e a técnca Bootstrap, não rejetando a hpótese de normaldade da dstrbução do erro percentual relatvo e com as estmatvas da méda e desvo padrão do erro relatvo percentual pratcamente concdndo para a amostra mestre e a amostra Bootstrap, calculou-se o rsco do módulo do erro percentual relatvo superar 3% da segunte manera: P ( ER(%) > 0,03 = P( ER(%) < 0,03) + P( ER(%) > 0,03) com ER gual ao erro relatvo. 0,03 + 0, ,03 + 0, P Z < + P Z > = 0, ,08383 P ( Z <,4662) + P( Z >,7976) = 0, ,036 = 0,074 Ressalta-se que na amostra mestre não ocorreu nenhuma vez de o erro percentual relatvo superar 3%. O rsco fo calculado para o módulo do erro percentual relatvo, uma vez que a LIBSVM deve calcular um estmador não vcado, portanto com méda zero para o erro percentual relatvo. Quando se obtver uma maor sére hstórca, pode-se recalcular a méda e o desvo padrão de todos os erros percentuas relatvos e recalcular o rsco do módulo do erro percentual relatvo superar 3%. 4. PROCESSO DE PREVISÃO As prevsões anuas de carga própra foram obtdas pela utlzação da LIBSVM, trenada, por exemplo, com as séres hstórcas de PIB. Naturalmente, sempre é mportante analsar os cenáros e suas varáves para determnar as melhores correlações entre comportamento dessas 4 varáves com a carga própra no horzonte de tempo estudado, pesqusando multcolneardades entre varáves, se forem mas de uma. As prevsões efetuadas pelo SUPREME obedecem à seqüênca de cálculos descrta nos tópcos apresentados a segur. A. - Prevsões Anuas de Carga Própra As prevsões anuas de consumo, para o horzonte de 0 anos, foram obtdas medante utlzação da rotna de SVM (LIBSVM), devdamente trenada com as séres hstórcas de Produto Interno Bruto (PIB) e Carga Própra, tendo como dado de entrada as Taxas de Crescmento do PIB prevstas pelos órgãos governamentas. O erro médo estmado para estas prevsões corresponde ao MAPE obtdo a partr dos resultados do trenamento da SVM. Nestas prevsões supõe-se que não há nenhuma modfcação de tendênca nas varáves exógenas consderadas, a menos das consderações de cenáros que podem ser ntroduzdas nas séres de aferção. A.2 - Fatores de Sazonaldades Mensas de Carga Própra Tomando-se por base a sére hstórca da Carga Própra Mensal da Eletropaulo para um período seleconado (por exemplo, os últmos 5 anos), estes fatores podem ser calculados por 2 métodos: Partcpações Médas da Carga Própra Mensal no Ano Índces Sazonas da Carga Própra por Médas Móves. Foram testados os dos métodos e, como a sére é de 5 anos, os dos fatores foram concdentes. Naturalmente, se a sére for, por exemplo, de 2 anos, o modelo de médas móves deverá ser mas precso. A.3 - Prevsões Mensas de Carga Própra São obtdos pela multplcação dos Fatores de Sazonaldades Mensas de Consumo com as Prevsões Anuas de Consumo. A.4 - Partcpações Mensas do Mercado por Classe/Tensão do Ano Base A partr da sére hstórca mensal dos dados de Mercado por Classe/Tensão referentes ao Ano Base, calculam-se as partcpações de mercado de
5 cada tensão em relação ao mercado da respectva classe, verfcadas no Ano Base. A.5 - Prevsões Anuas do Mercado das Classes de Consumo São obtdas pela utlzação da LIBSVM, trenada, por exemplo, com as séres hstórcas de PIB Setoral para a Classe Industral, de PIB Servços para a Classe Comercal, da Renda das Famílas para a Classe Resdencal, e assm por dante, tendo como dados de entrada as prevsões das séres dos respectvos ndcadores ao longo do período de planejamento. Estas prevsões são então compatblzadas com as obtdas para a Carga Própra Anual. A.6 - Prevsões Mensas por Classe/Tensão São obtdas pela multplcação das Partcpações Mensas do Mercado por Classes/Tensão com as Prevsões Anuas do Mercado das Classes de Consumo. B. Prevsões de Demanda e Curvas de Carga Foram mplementados no SUPREME os seguntes cálculos de demanda e respectvas curvas de carga ao longo do período de prevsão: demanda máxma anual do sstema; demandas máxmas mensas do sstema; demandas máxmas mensas por classe de consumo. Além dsso, é possível smular cenáros de modulação na curva de carga do sstema e calcular seus reflexos no valor da carga própra anual e nas curvas de carga das classes de consumo. B. - Prevsão da Demanda Máxma Anual O método mplantado no SUPREME corresponde ao atualmente utlzado pela AES Eletropaulo para prever a sua Demanda Máxma Anual (em MWh/h), que consste em calcular a demanda méda dára a partr da carga própra anual prevsta e dvd-la por um fator que representa a relação matemátca entre a demanda méda dára e a demanda máxma anual verfcada (Fator de Carga Anual). Este Fator de Carga Anual pode ser a méda hstórca de um período ou então um valor fornecdo pelo própro planejador de mercado para cada um dos anos do período de prevsão. Determnado o valor da demanda máxma anual, aplca-se o perfl (valores em PU) da curva de carga do sstema referente ao mês em que ocorrerá a ponta (defndo pelo planejador de mercado com base no hstórco). 5 B.2 - Prevsão das Demandas Máxmas Mensas Para os demas meses do ano, aplcam-se, prmeramente, as sazonaldades mensas de demanda para obter as demandas máxmas mensas ao longo do ano de prevsão, para, em seguda, utlzar os respectvos perfs de curvas de carga mensas do sstema, obtendo-se, então, as curvas de carga das demandas máxmas mensas para o ano em questão. B.3 - Demandas Máxmas Mensas por Classe de Consumo São calculadas aplcando-se os perfs de curva típcos das classes de consumo (calculados pelo SUPREME a partr da campanha de meddas ou nformados dretamente pelo planejador de mercado) às respectvas prevsões mensas de mercado já calculadas. As curvas obtdas para o mês em questão são então ajustadas para compatblzá-las com a respectva curva de carga total do sstema. B.4 - Modulação da Curva de Carga do Sstema O SUPREME permte smular os efetos de uma modulação na curva de carga do sstema no valor prevsto para a carga própra anual e também nas curvas de carga prevstas para cada classe de consumo. Para tanto, o planejador n-forma ao programa o período do da em que ocorrerá a modulação, bem como a respectva porcentagem. Essa porcentagem de redução será aplcada às 365 curvas dáras do sstema (hstórco de medção de ano). O programa calcula a porcentagem de redução que houve na energa anual e a aplca nas prevsões anuas da carga própra (obtdas pelo algortmo da SVM. Os reflexos nas curvas mensas prevstas para as classes de consumo são calculados aplcando-se dretamente o índce de modulação nformado pelo planejador de mercado nas respectvas curvas de carga. 5. CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS Durante os testes de calbração, a LIBSVM apresentou excelente desempenho com relação às característcas báscas de duas funções matemátcas testadas: uma crescente e outra cíclca. Durante os testes de cenáros envolvendo as varáves ma-cro e mcroeconômcas encontrou-se
6 multcolneardade entre varáves (quando se optou por mas de uma), fazendo com que se escolhesse apenas uma. Detectaram-se também necessdade de dados de séres temporas maores e a não sgnfcante correlação entre a temperatura e carga própra. Fo equaconado (nferênca matemátca) o efeto do raconamento (200) para compor séres não nfluencadas e, portanto, mas aderentes aos modelos de prevsão. 6. BIBLIOGRAFIA [] EFRON, B.; TIBSHIRANI, R. Bootstrap methods for standard errors, confdence ntervals, and other measures of statstcal accuracy. Statstcal Scence, v., n., p , Feb [2] MONTGOMERY, D. C.; RUNGER, G. C. Estatístca aplcada e probabldade para engenheros. 4. ed. Ro de Janero: LTC, [3] HSU, C. W.; CHANG, C. C.; LIN, C. J. A Practcal Gude to Suport Vector Classfcaton. Tape, Natonal Tawan Unversty, Dsponível em: < f> Acesso em: 26 de novembro de
3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia mais2ª Atividade Formativa UC ECS
I. Explque quando é que a méda conduz a melhores resultados que a medana. Dê um exemplo para a melhor utlzação de cada uma das meddas de localzação (Exame 01/09/2009). II. Suponha que um professor fez
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisMedidas de Tendência Central. Prof.: Ademilson Teixeira
Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisPROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO
PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 013 PROTOCOLO CT-Floresta - LPC - FOI/004 7/11/01 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO...
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
Leia maisPROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO
PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 013 PROTOCOLO CT-Floresta - LPC - FOI/004 05/0/013 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO...
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL
3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisAULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.
Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisUNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisPreço Base = 2,581 US$/MMBTU x TMD 0
Portara Intermnsteral MME/MF/nº 176, de 01 de junho de 2001. OS MINISTROS DE ESTADO DE MINAS E ENERGIA E DA FAZENDA, no uso das atrbuções que lhes são conferdas pelo art. 87, parágrafo únco, ncso II, da
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisGabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisDETERMINAÇÃO DE VALORES LIMITE DE EMISSÃO PARA SUBSTÂNCIAS PERIGOSAS DA LISTA II DA DIRECTIVA 76/464/CEE
DETERMINAÇÃO DE VALORES LIMITE DE EMISSÃO PARA SUBSTÂNCIAS PERIGOSAS DA LISTA II DA DIRECTIVA 76/464/CEE Anabela R. S. REBELO Lc. Químca Industral, CCDR Algarve, Rua Dr. José de Matos n.º 13, 800-503 Faro,
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia mais(c) 0,5; 9,5; -10,5; -0,5; 12,3; 2,3; etc. Ocorre desvio alto para o indivíduo 19 (-19,5) X (idade da casa)
Bussab&Morettn Estatístca Básca Capítulo 6 Problema zˆ,5, 55x αˆ : a acudade vsual méda estmada para recém-nascdos (zero anos de dade) é,5; βˆ : a acudade vsual méda estmada dmnu,55 a cada ano,5; 9,5;
Leia maisCléber da Costa Figueiredo Séries Temporais PAE - 2º semestre de 2007
Quem sou? Autocorrelação Lcencado em matemátca pelo IME- USP; Incação Centífca sob orentação da Profª Drª Mônca Carnero Sandoval; Transformação de Bo-Co. Mestre em estatístca sob a orentação da Profª Drª
Leia maisUniversidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento de Estatística
Unversdade Federal de São Carlos Centro de Cêncas Exatas e de Tecnologa Departamento de Estatístca Introdução ao Controle Estatístco de Processo on-lne Paulo Henrque Ferrera da Slva Orentador: Prof. Dr.
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisEstatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard
Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisPALAVRAS-CHAVE Predição de Carga, Sistemas de Suporte à Decisão, Supervisão e Controle de Sistemas Elétricos.
21 a 25 de Agosto de 2006 Belo Horzonte - MG Sstema de Suporte à Decsão para Predção de Cargas e Análse de Influênca dos Fatores Clmátcos e Sóco-Econômcos em Sstemas Elétrcos de Potênca Cláudo Alex J.
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Leia maisESTATÍSTICA. PROBABILIDADES Professora Rosana Relva Números Inteiros AULA e Racionais 09 e 10 ESTATÍSTICA. Professor Luiz Antonio de Carvalho
Professor Luz Antono de Carvalho PROBABILIDADES Professora Rosana Relva Números Interos AULA e Raconas 9 e APRESENTAÇÃO ROL:,,, 4, 4,,, DISCRETA : rrelva@globo.com PROGRESSÃO ARITMÉTICA PROGRESSÃO ARITMÉTICA
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisXVIII Seminário Nacional de Distribuição de Energia Elétrica
XVIII Semnáro Naconal de Dstrbução de Energa Elétrca SENDI 2008-06 a 10 de outubro Olnda - Pernambuco - Brasl Aplcação da Teora de Conjuntos Dfusos para Determnação do Rsco de Contratação dos Agentes de
Leia maisDiferença entre a classificação do PIB per capita e a classificação do IDH
Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia mais37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8
Resposta da questão 1: [C] Calculando:,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 8, 8,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 5, x = 9,9 Moda = 8 8+ 8 Medana = = 8,5 + 10 + 8 + 9,4 + 8 +,4 + 7,4 Méda das outras
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisContagens em dispositivos de pesagens (scale counting)
Contagens em dspostvos de pesagens (scale countng) Raquel Cymrot (Unversdade Presbterana Macenze) raquelc@macenze.com.br Lnda Lee Ho (USP) lndalee@usp.br Resumo Mutas vezes uma ndústra produz pequenas
Leia maisMETODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO
Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento
Leia mais