UMA FORMULAÇÃO DE PROGRAMAÇÃO INTEIRA PARA O PROBLEMA DE CRIAÇÃO DE ÁREAS DE PONDERAÇÃO AGREGADAS
|
|
- Luísa de Carvalho Peres
- 7 Há anos
- Visualizações:
Transcrição
1 UMA FORMULAÇÃO DE PROGRAMAÇÃO INTEIRA PARA O PROBLEMA DE CRIAÇÃO DE ÁREAS DE PONDERAÇÃO AGREGADAS José André de M. Brto IBGE Insttuto Braslero de Geografa e Estatístca emal: brtom@bge.gov.br Av. Chle, 500, 0º andar, Ro de Janero, RJ Flávo Marcelo Tavares Montenegro IBGE Insttuto Braslero de Geografa e Estatístca emal: fmontenegro@bge.gov.br Lucana Roque Brto COPPE-SISTEMAS, Unversdade Federal do Ro de Janero - UFRJ emal: brtom@ntnet.com.br Ilha do Fundão, RJ, C.P. 685, Marcos Mendonça Passn COPPE-SISTEMAS, Unversdade Federal do Ro de Janero - UFRJ emal: passn@acd.ufrj.br RESUMO Neste trabalho, propomos uma solução para o problema de cração de áreas de ponderação agregadas (APAs) (SILVA[]). O problema de cração de APAs consste em formar k partções compostas por áreas de ponderação do censo demográfco, satsfazendo os crtéros de contgudade, total populaconal mínmo (SILVA[]) e homogenedade (SANTOS[2]). Ao longo desse trabalho, temos a apresentação de uma formulação de programação ntera baseada no partconamento de uma árvore geradora mínma (AHUJA[4]) e a apresentação dos resultados computaconas. Palavras-chave: Partconamento, Árvore Geradora e Programação Intera. ABSTRACT We propose an nteger programmng formulaton for the creaton of aggregated weghtng areas (AWAs) problem (SILVA[]). Ths problem conssts n to form k parttons composed by weghtng areas of the demographc census satsfyng contguty, mnmum total populaton (SILVA[]) and homogenety crtera (SANTOS[2]). The formulaton we present n ths work s based on parttonng a mnmum spannng tree (AHUJA[4]). We have developed a computatonal mplementaton of ths proposal whose man results we also present. Keywords: Parttonng, Spannng-Tree and Integer Programmng.
2 0 - INTRODUÇÃO Nesse trabalho é apresentada uma formulação de programação ntera para auxlar na resolução do problema de cração de Áreas de Ponderação Agregadas (APAs) (SILVA[]). As APAs são cradas a partr da agregação de um conjunto de Áreas de Ponderação (APONDs) defndas no Censo Demográfco 2000 (Censo[5]). Devemos observar que cada uma das APAs deve ser composta por um conjunto de APONDs que sejam contíguas, que tenham um total populaconal mínmo (SILVA[]) e que satsfaçam a um crtéro de homogenedade (SANTOS[2]). O problema de cração de APAs pode ser classfcado como um problema de agrupamento com restrção de contgüdade (MURTAGH[], GORDON[2]). Por sua alta complexdade computaconal, tas problemas são comumente tratados utlzando-se heurístcas, em geral, dssocadas de um procedmento que permta verfcar a otmaldade de suas soluções (BATAGELJ & FERLIGOJ [3], ASSUNÇÃO et al. [4]). Para a resolução de tal problema, propomos uma formulação de programação ntera composta por restrções clásscas de problemas de partconamento (WOLSEY[7]) e baseada no partconamento de uma árvore geradora mínma obtda a partr do algortmo de Kruskal (AHUJA[4]). Esta árvore geradora está assocada ao grafo G, que é utlzado para representar a relação de contgudade entre as áreas de ponderação. Um tratamento dferente, também baseado em uma árvore geradora mínma, mas sem a ntrodução de uma formulação de programação matemátca, é apresentado em (ASSUNÇÃO et al. [4]). O desenvolvmento de nosso trabalho está dvddo em 3 seções. Na prmera seção, descrevemos em detalhes o problema de cração de APAs. Na segunda, apresentamos a formulação de programação ntera e, na últma seção, os resultados da aplcação desta formulação a um conjunto de problemas teste, bem como alguns comentáros fnas. - O Problema de Cração de Áreas de Ponderação Agregadas (APAs).. Defnção de Áreas de Ponderação (APONDs) Defne-se Área de Ponderação (APOND) como sendo uma undade geográfca formada por um agrupamento mutuamente exclusvo de setores censtáros. APONDs são utlzadas para se estmar nformações para a população. O tamanho destas áreas, em termos de número de domcílos e de população, não pode ser muto reduzdo, sob a pena de perda de precsão de suas estmatvas. As APONDs são defndas consderando esta condção. São, també os níves geográfcos mas detalhados da base operaconal, desenvolvdos como forma de atender às demandas por nformações em níves geográfcos menores que os muncípos (SILVA[], CENSO[5]). Para a formação das APONDs, são consderados anda os crtéros de contgudade, de forma que estas áreas sejam consttuídas por conjuntos de setores geografcamente lmítrofes, e de homogenedade, segundo um conjunto de quatorze varáves assocadas às característcas populaconas e de nfra-estrutura conhecdas. Estas varáves, que representaremos por X s, s =,...,4, são chamadas ndcadores de áreas de ponderação. Estão defndas de acordo com SANTOS[2][3], assumndo valores entre 3 e 3 através de um procedmento de normalzação. Consderando esses quatorze ndcadores, são calculadas todas as dstâncas e n vznhas, segundo a expressão D entre APONDs m D = ( X X X X X X m n 2 m n 2 m n 2 ) + ( ) ( )
3 As dstâncas D representam o grau de homogenedade, sto é, a correlação entre as varáves assocadas a todas as APONDs vznhas a serem agregadas (ver SANTOS[2][3])..2 Defnção de Áreas de Ponderação Agregadas (APAs) e crtéros para sua formação. As Áreas de Ponderação Agregadas (APAs) são formadas a partr de agrupamentos mutuamente exclusvos de APONDs. Para cração dessas áreas, dos crtéros de vabldade devem ser obrgatoramente respetados: () Contgüdade: As APONDs agregadas em cada uma das APAs devem ser vznhas ou deve ser possível sar de uma APOND A e chegar em uma APOND B, ambas em uma mesma APA, passando apenas por outras APONDs que também estejam nesta mesma APA (SILVA[]). (2) Total Populaconal: O número de habtantes em cada uma das k APAs deve ser maor ou gual a um total populaconal (pré-estabelecdo). Representaremos este total por TOTPOP. Ou seja : T Populaconal = q j= P TOTPOP de ponderação que compõem uma APA. j, sendo P j a população em cada uma das q áreas Do ponto de vsta da modelagem que propomos neste trabalho, estes crtéros estarão assocados à vabldade do problema. Além dsso, de forma a defnr APAs mas homogêneas entre s, pode-se utlzar um dos seguntes crtéros de otmaldade: (3) Menor Méda Geral: A méda geral X dos valores D assocados às APONDs que compõem as k APAs deve ser a menor possível. k D n Ah Sendo : X = X h / k e X h = n h= h k = N o de APAs n h = N o de APONDs na h-ésma APA A h = Conjunto de APONDs da h-ésma APA X h = Méda das Dstâncas D das APONDs assocadas à h-ésma APA. (4) Soma Mínma : Defnr as APAs de forma que k D h= n Ah seja mínma. 664
4 Obs: O número máxmo de APAs pode ser defndo a pror através do cálculo da razão entre o valor do total populaconal, consderando todas as áreas de ponderação, e o valor máxmo (TOTPOP) da população em cada APA, ou seja: Q k P TOTPOP ( Q = Total de áreas de ponderação) j= j / Na fgura, a segur, apresentamos um exemplo para lustrar o problema de cração de áreas de ponderação agregadas Fgura Exemplo do Problema de Cração de APAs Na fgura acma, temos um conjunto de quatro áreas de ponderação (APONDs) e, a partr deste conjunto, deve-se crar duas APAs, levando-se em conta os crtéros de contgudade e de total populaconal (tabelas e 2). No caso deste exemplo, defnmos o total populaconal máxmo em cada APA como TOTPOP = Tabela População em cada área de ponderação APOND APOND 2 APOND3 APOND4 População (P j ) Tabela 2 Dstâncas D entre as áreas de ponderação vznhas APONDS e 2 e 3 e 4 2 e 4 3 e 4 Dstânca D 3,4234 5,452 3,289 2,342,2390 Na tabela 3, temos as possíves confgurações, ou seja, os conjuntos de APAs que podem ser formados a partr da agregação das áreas de ponderação, consderando os crtéros () e (2) Tabela 3 Confgurações possíves para as APAs APONDS Total Populaconal X h Confguração (I) APA e ,4234 APA2 3 e ,2390 APONDS Total Confguração (II) Populaconal X h APA e ,452 APA2 2 e ,
5 Em seguda, dentre todas as confgurações de APAs geradas (tabela 3), deve-se escolher a confguração assocada à menor méda geral (tabela 3) ou à soma mínma (tabela 2). Observando a tabela 3 e consderando o crtéro da méda geral, temos que a méda geral calculada para a combnação (I) é e para a combnação (II) é Desta forma, a confguração (I) deve ser a escolhda. Pelo exemplo apresentado, observamos que dependendo do número de APONDs que serão analsadas e do número de APAs que serão cradas, o número de confgurações possíves para o problema de cração de APAs pode ser razoavelmente grande. Ou seja, a determnação da melhor confguração de APAs de uma forma ad-hoc pode ser muto dfícl. Em face desta dfculdade, apresentamos na seção 2 uma formulação de programação ntera para auxlar a resolução desse problema. 2. Formulação para Cração das Áreas de Ponderação Agregadas. 2. Introdução: Nesta seção, apresentamos o desenvolvmento da formulação de programação ntera proposta para a resolução do problema de cração de APAs. Esta formulação contém restrções clásscas de problemas de partconamento. Utlza, como dado de entrada, uma árvore geradora mínma obtda a partr da aplcação do algortmo de Kruskal (AHUJA[4]) em um grafo G, que agrega as nformações de contgudade, de total populaconal e das dstâncas D assocadas às APONDs. A partr desta árvore geradora, a formulação de programação ntera retorna o melhor conjunto de subárvores (APAs) satsfazendo os crtéros (), (2) e (4). Nessa formulação, a função objetvo utlzada consdera o crtéro de soma mínma apresentado na seção. Observamos, anda, que essa formulação fo mplementada utlzando o pacote de otmzação XPRESS[6]. 2.2 Formulação: Um prmero passo para o desenvolvmento da formulação consste em assocar as nformações relatvas à contgudade das áreas de ponderação, bem como as nformações de totas populaconas e as dstâncas D, a um grafo G = ( V, E). Ou seja, podemos fazer a assocação de cada uma das APONDs com os nós V de G e também expressar suas relações de contgüdade por um conjunto E de arestas. Para exemplfcar, consdere a fgura e o seu grafo G assocado (fgura 2) Fgura 2 - Representação das APONDs e das suas relações de contgüdade 666
6 Anda utlzando o grafo G (fgura 2), assocamos às arestas A={(,2),(,3),(,4),(2,4),(3,4)} os valores das dstâncas D (onde m e n são nós adjacentes) defndas na seção.. Em seguda, aplcamos algortmo de Kruskal (AHUJA[4]), que determna a árvore geradora mínma T = ( V, E E) assocada consderando os valores D. Em uma árvore geradora T, temos a vantagem de saber o número exato de arestas que devemos retrar para formar as k partções. Fornecda a árvore T e um número k de partções, ou seja, de APAs que devemos formar, temos que o número de arestas a serem retradas de T é ( k ). Quando retramos as ( k ) arestas, defnmos um conjunto de k subárvores T j, j=..k, que também são conexas. Cada uma destas subárvores estará assocada a uma APA. A propredade de conexdade, observada para cada uma das subárvores, possblta o cumprmento medato da restrção de contgüdade em cada uma das APAs. Desta forma, a utlzação da árvore geradora mínma sugere uma boa alternatva para a resolução do problema de cração das áreas de ponderação agregadas. Ou seja, para o partconamento de T em k subárvores T j ( j =,..., k ), devemos encontrar a melhor confguração de k partções, sto é, de subárvores assocadas às APAs, que satsfaçam a restrção de total populaconal e que retorne o menor valor possível, consderando um dos crtéros de otmaldade defndos na seção (.2). Ao nvés de utlzarmos algum algortmo de partconamento e enumeração das subárvores, desenvolvemos uma formulação de programação ntera que encapsula as restrções assocadas à vabldade do problema real e o crtéro de otmaldade da soma mínma, apresentado na seção.2. Esta modelagem utlza como dado de entrada a árvore geradora mínma, em relação ao parâmetro D, obtda a partr do grafo G. Mnmzar e. D = ( E () X NPO = NPO = (2) Yj = X, =,..., j= Y (3) j =, j =,..., NPO = NPO (4) Yj. Pj TOTPOP, =,..., j= e (5), ( E = (6) e = X, =,..., ( E 667
7 (7) t Y m =,...,, ( E (8) t Y n =,...,, ( m, n ) E (9) Y m + Y n t =,...,, ( E (0) e t =,...,, ( E X Z +, Y (0,), t j (0,) Onde: NPO = Número de Áreas de Ponderação = Número de APAs Pj = População em cada Área de Ponderação E = Arestas da Árvore Geradora Mínma X = Varável Intera que determna o número de APONDs que estão na -ésma APA. Y j = Varável Bnára que assume valor se a j-ésma APOND está assocada com a -ésma APA e zero caso contráro. e = Varável Bnára que assume valor se a aresta ( E está atva na -ésma APA. t = Varável Bnára que assume valor se a aresta ( E está atva na -ésma APA. D = Medda que representa o grau de homogenedade entre duas áreas de ponderação vznhas. Função Objetvo: Está assocada ao crtéro de soma mínma. Ou seja, o valor desta função representa a soma do melhor subconjunto de arestas atvas assocadas aos valores D. Restrções e 2: O número de APONDs assocadas a cada uma das APAs deve ser gual ao total de APONDs na regão. Restrção 3: Garante que uma APOND estará assocada a exatamente uma APA. Restrção 4: A soma das populações assocadas às APONDs agregadas em cada uma das APAs deve ser maor ou gual ao total populaconal pré-estabelecdo. Restrção 5: Garante que cada uma das arestas assocadas à árvore geradora que contém todas as APONDs só poderá estar em no máxmo uma APA. Ou seja, se duas APONDs são vznhas e estão em uma mesma APA então e =. Restrção 6: O número de arestas assocadas a cada uma das APAs deve ser gual ao número de APONDs em cada uma das APAs menos um. 668
8 Restrções 7-0: Estas restrções garantem que se uma aresta do conjunto E estver atva, ou seja, pertencer a uma subárvore assocada a uma APA, então os nós m e n (áreas de ponderação) desta aresta também farão parte da APA. 3 - Resultados Computaconas e Consderações Fnas 3. Introdução: Nesta seção, apresentamos tres tabelas que contém nformações sobre um conjunto de dez problemas teste utlzados na modelagem de programação ntera proposta para o problema de cração de APAs. Estes problemas teste foram obtdos a partr da mplementação de um programa em Pascal que teve como parâmetros de entrada: o número de áreas de ponderação; a população máxma em cada área de ponderação e; um ntervalo de varação para o grau de homogenedade (SANTOS[2][3]). A partr destas nformações, o programa constró um grafo G=(V,E), conexo, tal que cada nó deste grafo esteja assocado a uma área de ponderação e cada uma de suas arestas exprma a relação de vznhança entre duas APONDs. Anda consderando o grafo G, para cada nó deste grafo, temos a nformação da população assocada a cada área de ponderação e, para cada uma de suas arestas, temos valores D que representam o grau de homogenedade entre duas APONDs vznhas. D Em seguda, consderado o grafo G e os valores, é aplcado o algortmo de Kruskal (AHUJA[4]) para a obtenção de uma árvore geradora mínma em relação aos valores D. Esta árvore geradora é utlzada como dado de entrada para o modelo de programação ntera, mplementado utlzando o software XPRESS[6]. 3.2 Resultados Computaconas e Consderações Fnas: A segur, temos a apresentação de três tabelas que contemplam os resultados obtdos para um conjunto de dez problemas, utlzados para testar a efcênca da modelagem de programação ntera. Tabela 4 Número do Problema Teste, Número de APAs e Número de Áreas de Ponderação Problema Número DE APAS Número de APONDS
9 Tabela 5 Número do Problema Teste e Número de Restrções e Varáves deste Problema Problema Número Número de Restrções de Varáves Tabela 6 Informações Geras sobre a formulação consderando cada um dos Problemas Teste Problema Função Objetvo (a) Função Objetvo (b) Total de Nós Tempo GAP Solução Intera Solução Relaxação Lnear Árvore B&B CPU (seg) (a-b)/b 3,6697 3, ,05% 2,895, ,28% 3,682, ,96% 4 2,5853 2, ,66% 5 2,089, ,26% 6 4,4644 4, ,6% 7 3,768 3, ,36% 8 5,207 4, ,59% 9 3,9033 3, ,69% 0 7,37 6, ,4% Consderando a complexdade do problema real e analsando as tabelas 4,5 e 6, podemos observar resultados satsfatóros para problemas de dmensões razoáves, consderando o número de varáves e restrções. Dentre esses, podemos destacar: Problema (7) - Com 0 APAs, 25 APONDS defndas e 55 varáves nteras e Problema (0) - Com 7 APAs, 35 APONDS e 43 varáves nteras. Analsando, també a qualdade da solução, ou seja, o valor da função objetvo (tabela 6), podemos observar que a dferença (GAP) entre os valores da solução relaxada e da solução ntera não é muto grande. Dentre os dez problemas teste, oto têm (GAP) nferor a %. Dessa forma, observamos que a formulação de programação ntera proposta neste trabalho pode se consttur em uma abordagem promssora para problemas de porte pequeno e médo e, també como um ponto de partda para outras modelagens subseqüentes. Todava, anda consderando a tabela 6, podemos observar que à medda em que aumentamos o número de APAs e APONDs do problema, o número de nós da árvore de B&B assocada ao modelo cresce razoavelmente, o que torna dfícl a solução de problemas de porte maor. Esta dfculdade é decorrente da característca de smetra encapsulada nas varáves bnáras Y j, que determnam se a j-ésma APOND está assocada à -ésma APA. Com a fnaldade de contornar esta dfculdade e conseqüentemente possbltar a solução de problemas de porte maor, já ncamos, em paralelo a este trabalho, o desenvolvmento de uma nova modelage baseada na técnca de geração de colunas ( BAZARRA[9]). 670
10 Esta modelagem será baseada em uma adaptação do trabalho de MACULAN[0]. Nesse trabalho, é proposta uma formulação para o problema de cração de agrupamentos utlzando o método de geração de colunas. Um outro ponto mportante a ser destacado é que a obtenção de uma solução cujas arestas pertencem todas à árvore geradora mínma pode ser boa em mutos casos, entretanto, soluções melhores, ou mesmo as úncas váves para um dado problema, talvez pudessem estar vnculadas a arestas não pertencentes a essa árvore ncal. Sendo ass tal solução jamas podera ser alcançada pelo método proposto. Uma possível solução para esta lmtação é tratar do problema consderando, de alguma forma, todo o grafo ncal e não apenas o subgrafo que representa a árvore geradora mínma. Este é um ponto também a ser tratado em um trabalho futuro. Uma outra estratéga que pretendemos mplementar é a aplcação de algortmos heurístcos para resolver o problema de cração de APAs, adequados para problemas de porte dversfcado. Esses algortmos serão baseados no estudo das metaheurístcas GRASP e Busca Tabu (VIANA[8]) e deverão fornecer soluções váves para o problema de cração de APAs. Estas soluções também poderão ser utlzadas como um lmte superor tanto para a formulação que apresentamos neste trabalho quanto para a formulação baseada em geração de colunas que menconamos. 67
11 4 Bblografa [] SILVA, ARI NASCIMENTO, CORTEZ, BRUNO FREITAS E MATZENBACHER, LUIZ ALBERTO, Processamento das Áreas de Expansão e Dssemnação da Amostra no Censo Demográfco 2000, Textos para Dscussão, número 7, 2004, IBGE/DPE / COMEQ. [2] REIS, ALEXANDRE S., Escolha de varáves a serem utlzadas na defnção das áreas de expansão e de dssemnação do Censo Demográfco 2000, Mao de 2002, IBGE/DPE/ COMEQ. [3] REIS, ALEXANDRE S., Padronzação das varáves a serem usadas na formação das áreas de expansão e de dssemnação do Censo Demográfco 2000, Junho de 2002, IBGE / DPE / COMEQ. [4] AHUJA, RAVINDRA K., Network Flows, Theory, Algorthms, and Applcatons, By 993, Prentce Hall. [5] CENSO DEMOGRÁFICO 2000, Prmeros Resultados da Amostra, Parte I, 200, IBGE/CDDI. [6] XPRESS-MP, Dash Optmsaton Software,v. [7] WOLSEY, LAURENCE. A., Notes on Integer Programmng, June [8] VIANA, VALDíSIO, Meta-heurístcas e Programação Paralela em Otmzação Combnatóra, UFC edções, 988. [9] BAZARRA, S. M., Sheral, Hanff D., Shetty, C.M, Lnear Programmng, seand Network Flows, Second Edton, 990, John Wley & Sons. [0] MACULAN, N. F., BELOTTI P., PLATEAU, GERARD, LOISEAU, IRENE, Clusterng Problem: A Formulaton usng Colu Generaton, Poltecnco d Mlano, Techncal Report, January, [] MURTAGH, F., A Survey of Algorthms for Contguty-Constraned Clusterng and Related Problems. The Computer Journal vol. 28 (985), [2] GORDON, A. D., A Survey of Constraned Classfcaton, Computatonal Statstcs and Data Analyss vol. 2 (996), [3] BATAGELJ, V, FERLIGOJ, A., Clusterng Relatonal Data, Data Analyss (ed.: W. Gaul, O. Optz, M. Schader), Sprnger, Berln (2000), 3-5. [4] ASSUNÇÃO, R. M., LAGE, J. P., REIS, E. A., Análse de Conglomerados Espacas Va Árvore Geradora Mínma, Revsta Braslera de Estatístca, vol. 63, n. 220 (2002),
RAD1507 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 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 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 mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisUM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO
Pesqusa Operaconal na Socedade: Educação, Meo Ambente e Desenvolvmento 12 a 15/09/06 Goâna, GO UM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO Flávo Marcelo Tavares Montenegro IBGE Insttuto Braslero
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 maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
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 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 maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
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 maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
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 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 maisUM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO
Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Paula Marana dos Santos (UFV) paula-maranna@hotmal.com
Leia maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia 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 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 maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisSeqüenciação de N ordens de produção em uma máquina com tempo de preparação dependente da seqüência uma aplicação de busca tabu
XXVI ENEGEP - Fortaleza, CE, Brasl, 9 a 11 de Outubro de 2006 Seqüencação de N ordens de produção em uma máquna com tempo de preparação dependente da seqüênca uma aplcação de busca tabu Renato de Olvera
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
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 mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
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 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 maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
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 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 mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma magem dgtal r é a função f(r) aplcada a todo pxel
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
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 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 mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
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 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 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 maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
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 maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
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 mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
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 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 maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
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 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 maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
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 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 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 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 maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
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 maisMÉTODOS DE OTIMIZAÇÃO APLICADOS À DISTRIBUIÇÃO DE RECURSOS
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN MÉTODOS DE OTIMIZAÇÃO APLICADOS À DISTRIBUIÇÃO DE RECURSOS Mônca Mara De March Mara José Pnto Carmen Lúca Ruybal dos Santos
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
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 maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em 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 maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisMETOLOGIA. 1. Histórico
METOLOGIA A Sondagem da Construção Cvl do RS é uma sondagem de opnão empresaral realzada mensalmente e fo crada pela Confederação Naconal da Indústra (CNI) com o apoo da Câmara Braslera da Indústra da
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 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 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 maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisCLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS
CLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS Éldman de Olvera Nunes Escola de Admnstração do Exércto Rua Terrtóro do Amapá, 455, 41.540-830, Salvador, BA, Brasl eldman.nunes@gmal.com
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisPROBLEMA DE DIMENSIONAMENTO DE LOTES E SEQÜENCIAMENTO DA PRODUÇÃO: UM ESTUDO DE CASO EM UMA INDÚSTRIA DE BEBIDAS
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& PROBLEMA DE DIMENSIONAMENTO DE LOTES E SEQÜENCIAMENTO
Leia maisBUSCA TABU: UMA APLICAÇÃO AO PROBLEMA DE SEQÜÊNCIAÇÃO DE ORDENS DE PRODUÇÃO
BUSCA TABU: UMA APLICAÇÃO AO PROBLEMA DE SEQÜÊCIAÇÃO DE ORDES DE PRODUÇÃO Renato de Olvera Moraes Departamento de Cêncas Exatas e Aplcadas da Unversdade Federal de Ouro Preto Rua 37, nº 115 Barro Loanda.
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 mais5 Problema de planejamento de novas redes de telecomunicações
Problema de planejamento de novas redes de telecomuncações O Problema de Planejamento de Novas Redes de Telecomuncações (PPNRT) consste em atender um conjunto de clentes com demandas dferentes que devem
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 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 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 maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisUM ESTUDO SOBRE PROBLEMAS DE AGRUPAMENTO CAPACITADO
UM ESTUDO SOBRE PROBLEMAS DE AGRUPAMENTO CAPACTADO Fernando Stefanello stefanello@nf.ufsm.br Felpe Martns Müller felpe@nf.ufsm.br Unversdade Federal de Santa Mara - Centro de Tecnologa Av. Rorama no. 1000
Leia mais3 Aproximador de Função para Simulador de Reservatório Petrolífero
Aproxmador de Função para Smulador de Reservatóro Petrolífero 37 3 Aproxmador de Função para Smulador de Reservatóro Petrolífero 3.1. Introdução O desenvolvmento de um campo petrolífero pode ser entenddo
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisPROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS
PROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS Renato S. Gomde 1, Luz F. B. Loja 1, Edna L. Flôres 1 1 Unversdade Federal de Uberlânda, Departamento de Engenhara
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
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 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 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 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 maisModelação com Variáveis Discretas
Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos
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 mais