Estudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
|
|
- Roberto Molinari de Vieira
- 6 Há anos
- Visualizações:
Transcrição
1 Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco Pacheco Azevedo (CEFET/RJ) marco@consultora-cca.com.br Leydervan de Souza Xaver(CEFET/RJ) lsxaver@unnet.com.br José Antono Assunção Pexoto(CEFET/RJ) jpexoto@cefet-rj.br Resumo O uso de modelos de Redes Neuras Artfcas tem sdo alvo de muta pesqusa, atualmente com emprego em dversas áreas de conhecmento como: controle de processos, predção de seres temporas, otmzação, problemas de classfcação e processamento de magens e snas. O presente trabalho tem como objetvo o estudo comparatvo entre Redes Neuras Artfcas e Análse de Regressão Múltpla aplcadas a 28 casos de Avalações Patrmonas -stuações de mercado -, que têm como característca um reduzdo número de amostras por caso em estudo. 1 - Introdução O uso da Análse de Regressão Múltpla em trabalhos de avalação patrmonal consagrou-se a partr de meados da década de 80, mpulsonado pelo surgmento dos computadores pessoas e softwares aplcatvos específcos. O objetvo está em eleger-se um modelo matemátco, pela Inferênca Estatístca, que melhor represente o mercado mobláro, consderando toda sua complexbldade. Assm, tal ferramental, aplcado em sólda teora estatístca, tem hoje emprego obrgatóro na busca de um maor grau de precsão na determnação do valor do Bem Avalado. Paralelamente, o crescente desenvolvmento tecnológco vs-à-vs o aumento da capacdade computaconal, proporconou o aparecmento de novas técncas de modelagem, como por exemplo, modelos baseados em Redes Neuras Artfcas. O uso de sstemas de Redes Neuras Artfcas tem sdo objetvo de pesqusa em váras áreas do conhecmento, tas como: controle de processos, predção de séres temporas, otmzação, problemas de classfcação e processamento de magens e snas. O presente trabalho tem por objetvo realzar estudo comparatvo do uso de RNA na avalação patrmonal de 28 casos, cujos valores de avalação foram obtdos através da Inferênca Estatístca, e cuja característca marcante é a de que as amostragens, para cada caso, não foram superores a 15 amostras. 2 - Redes Neuras Artfcas A partr do desenvolvmento, em proporção geométrca, da tecnologa da nformação, a comundade centífca vem sendo estmulada a desenvolver o uso das máqunas - computadores - no desempenho de atvdades de processamento de nformações de manera mas próxma ao processamento das nformações pelo cérebro humano, o que dfere bastante do uso do computador dgtal, dto convenconal. A base de tal processamento - complexo, não-lnear e paralelo - está na aqusção de conhecmento medante um processo de aprendzagem, segudo de processos de tomadas de decsão com base no conhecmento adqurdo. A computação tradconal, de característca procedural, mostra-se nsufcente para a solução de problemas com as caraterístcas acma menconadas. Dessa forma, as Redes Neuras Artfcas - RNA - surgem como área de conhecmento cujo objetvo está no desenvolvmento de uma forma de computação através de sstemas que, em algum nível, se ENEGEP 2004 ABEPRO 3216
2 aproxmam da estrutura do cérebro humano. Os prmeros trabalhos sobre o assunto datam de meados dos anos 40 e níco dos anos 50 do século passado. Nos anos 70 a abordagem de RNA s, sofreu um adormecmento, retomando-se o nteresse pela área a partr de meados da década de 80. Em uma rede neural, os neurônos podem estar estruturados de dferentes formas, consttundo-se assm arquteturas dferentes. Em geral, podem-se dentfcar três classes de arquteturas de rede essencalmente dferentes: Redes Almentadas Adante com Múltplas Camadas Esta arqutetura, representada na Fgura1, se caracterza pela presença de camadas de neurônos ocultos entre as camadas de entrada e saída da rede. A função destas camadas ocultas é de aumentar a capacdade da rede de extrar nformações estatístcas a partr da massa de entrada. Tal habldade é partcularmente valosa quando a camada de entrada tem grande tamanho. A camada de entrada fornece nformações à prmera camada oculta, cujos snas de saída servrão de entrada à segunda camada, e assm por dante. Os snas de saída dos neurônos da últma camada consttuem-se na resposta global da rede para o padrão de entrada fornecdo. Fgura 1 Representação de redes neuras com múltplas camadas PROCESSOS DE APRENDIZAGEM Uma característca mportante das redes neuras está na sua capacdade de aprender a partr de seu ambente, por meo de exemplos, e com sso realzar nterpolações. Uma rede neural aprende acerca de seu ambente através de um processo teratvo de ajustes a seus pesos snáptcos. No contexto de redes neuras, pode-se defnr aprendzagem como : Aprendzagem é um processo pelo qual os parâmetros lvres de uma rede neural são adaptados através de um processo de estmulação do ambente no qual a rede está nserda. O tpo de aprendzagem é determnado pela manera pela qual a modfcação dos parâmetros ocorre (HAYKIN, 2001) Aprendzado Supervsonado É o método de trenamento de redes neuras mas comum. Neste método a entrada e saída desejada são fornecdas por um supervsor (professor) externo. O objetvo do trenamento é ajustar os pesos snáptcos, de forma a aproxmar o máxmo possível a resposta dada pela rede da resposta desejada, fornecda ncalmente. Assm, a resposta da rede é comparada com a resposta desejada, gerando-se um snal de erro função da dferença entre elas. O algortmo de trenamento da rede é uma ferramenta matemátca dervada de técncas de otmzação, no caso ENEGEP 2004 ABEPRO 3217
3 mnmzação do erro. Um dos algortmos mas utlzados no aprendzado supervsonado é o de retropropagação ou backpropagaton. A Fgura 2 lustra o mecansmo do aprendzado supervsonado. O processo de ajustes dos pesos é feto pela correção dos erros, buscando-se mnmzar a dferença entre a soma ponderada das entradas pelos pesos - correspondente à saída da rede - e a saída desejada. Fazendo-se: e () t d() t y() t = onde: e () t - Erro no nstante t, a ser mnmzado. d () t - Saída desejada no nstante t. y () t - Saída calculada no nstante t. Tem-se a forma genérca para alteração dos pesos por correção de erros : ( t +1 ) = w + ηe( t) x ( t), onde η é a taxa de aprendzado e ( t) w no tempo t. x é a entrada para o neurôno Fgura 2 Modelo de Aprendzagem em RNA. O trenamento de uma RNA através do algortmo backpropagaton ocorre em duas fases: Fase forward - utlzada a saída da Rede para um dado padrão de entrada Fase backword - utlza a saída desejada e a saída fornecda pela rede para o ajuste dos pesos das conexões. O objetvo do processo de aprendzagem é ajustar os parâmetros lvres da rede para mnmzar uma função de erro ou energa, defnda pela forma dos erros quadrátcos, representada por: 1 κ ( d ( p) Υ ( p) ) 2 Ε = 2 Ρ Ι= 1 Onde: Ε - medda de erro total p - número de padrões de entrada Κ - número de undades de saída equação 01 d - -ésma saída desejada Υ - -ésma saída gerada pela rede Estudos desenvolvdos ndcam que, em uma Rede Neural Artfcal de múltplas camadas tem-se: - Uma camada ntermedára é sufcente para aproxmar qualquer função contínua - Duas camadas ntermedáras são sufcentes para aproxmar qualquer função matemátca ENEGEP 2004 ABEPRO 3218
4 3 - Análse de Regressão Múltpla Em Engenhara de Avalações fcou consagrado o uso da Análse de Regressão Múltpla para estmação - predção - do valor do Bem Avalando. Modelos de regressão lnear múltpla envolvem três ou mas varáves, onde uma delas é chamada de varável dependente e as demas são chamadas de varáves ndependentes. O objetvo está em obter-se uma equação do modelo que relacone o valor da varável dependente y, com todas as demas varáves ndependentes x. A equação de regressão tem a forma geral: y = a + b1 x1 + b2 x b k x k equação 02 onde: Υ κ - Varável dependente Χ κ - Varáves ndependentes a - Intercepto - Y b 1 - Coefcentes angulares κ - Número de varáves ndependentes Aplcando o modelo para estmatva do valor médo de mercado tem-se: ^ y = a + b x + b x + + b x k k equação 03 Em que os parâmetros a, b 1, L,bκ são obtdos pela aplcação do método dos mínmos quadrados, que consste em encontrar tas parâmetros de tal forma que o somatóro dos quadrados das dstâncas, meddas na vertcal, entre cada ponto observado e ajustado pela curva de regressão, seja mínma (DANTAS, 1998). Dentre um conjunto de característcas que um modelo de regressão deve atender, tas como: normaldade, não auto-correlação e homocedastcdade dos resíduos, não exstr nenhuma relação lnear exata entre quasquer varáves ndependentes; tem-se o poder de explcação do modelo como uma característca que ndca a aderênca do mesmo à realdade - mercado mobláro - que se deseja representar. O coefcente de determnação múltpla ndca o grau de aderênca do modelo, e é obtdo pela razão entre a varação explcada e a varação total do modelo e é representado por: R 2 VaraçãoExplcada = VaraçãoTotal R 2 VaraçãoTotal VaraçãoNão Explcada = equação 04 VaraçãoTotal ^ 2 Υ Y R 2 = 1 2 Υ Y 4 - Metodologa Adotada Para o presente estudo foram seleconadas 28 avalações em que se utlzou a Análse de Regressão Múltpla para estmação do valor do Bem, com o uso do software Infer Versão 3. Tas modelos foram consderados como referênca para a comparação com modelos análogos obtdos através de Redes Neuras Artfcas, com o uso do Software EaSyNN8.01; calculando-se assm, a dferença percentual entre os valores obtdos com o uso de Redes Neuras e os respectvos valores obtdos com a Análse de Regressão Múltpla. ENEGEP 2004 ABEPRO 3219
5 O número de amostras para cada um dos 28 casos estudados varou entre 7 e 14, e o número de varáves ndependentes varou entre 2 e 4, e foram adotados os seguntes atrbutos para tas varáves: Área, Localzação, Idade, Vaga de Garagem, Dependênca de Empregada, Padrão Construtvo, Infra-Estrutura de Lazer, Estado de Conservação, Concepção Arqutetônca, Vocação de Uso, Número de Undades por Andar, Vsta para o Mar, Testada, Topografa e Intensdade de Tráfego. Tas varáves foram do tpo contínuo, proxy ou dcotômcas, e para a varável dependente foram utlzados valores untáros em 27 modelos e valor total em 1 modelo. Os modelos de Redes Neuras Artfcas utlzados são do tpo Multcamadas Almentadas Adante, usando-se o algortmo backpropagaton para trenamento da Rede. A camada de entrada é consttuída dos atrbutos correspondentes às varáves ndependentes dos respectvos modelos de regressão. A camada de saída está consttuída de apenas um neurôno que corresponde ao valor predto - varável dependente dos respectvos modelos de Regressão. Todas as RNA s estavam consttuídas de apenas uma camada oculta com o número de neurônos varando entre o mínmo de 3 e o máxmo de Resultados Obtdos A tabela 1 e a Fgura3, ndcam os resultados obtdos para os 28 casos estudados. 30,00% 20,00% 10,00% 0,00% ,00% -20,00% -30,00% Fgura 3 Resultados para 28 amostras. Da análse desses resultados observa-se que 20 casos apresentaram dferenças nferores a 10%, em valores absolutos; 4 casos apresentaram dferenças, em valores absolutos, entre 10% e 15% e os casos restantes apresentaram dferenças entre 15% e 26,37%, também em valores absolutos. ENEGEP 2004 ABEPRO 3220
6 Nº de Nº Varáves Rede Referênca Regressão Dferença % Amostras Independentes Neural Lau , ,19 0,13% Lau , ,76 0,60% Lau , ,00-0,69% Lau , ,71-0,77% Lau , ,63-0,91% Lau ,39 651,74 0,98% Lau , ,10-1,31% Lau , ,10-2,09% Lau , ,36-2,16% Lau , ,65-2,32% Lau ,13 388,03 3,44% Lau , ,08 5,12% Lau ,89 172,10 5,65% Lau ,48 54,21-5,69% Lau , ,61-5,73% Lau , ,96-5,77% Lau ,35 237,76 5,98% Lau , ,41 7,35% Lau ,92 54,43-7,62% Lau , ,50-9,15% Lau , ,33 10,33% Lau ,10 122,02-12,28% Lau , ,52-13,46% Lau ,76 24,57-14,57% Lau ,27 7,27 15,95% Lau , ,37 16,99% Lau , ,66-25,10% Lau , ,09 26,37% Tabela 1- Resultados para 28 amostras. Para os 2 casos que apresentaram dferenças mas dscrepantes -25,10% e 26,37% foram calculados os coefcentes de determnação para ambos os modelos, como forma de aferr os respectvos graus de aderênca. Os valores obtdos estão ndcados na tabela 2. CASO Dferença (% ) Coefcente de Determnação Regressão RNA Lau ,10 0,8800 0, Lau ,37 0,9513 0, Tabela 2 Coefcentes de determnação para os dos modelos. 6 - Conclusão Pelos resultados obtdos no presente estudo, verfcou-se que o uso de Redes Neuras Artfcas, para o caso de pequenas amostragens, apresenta um desempenho superor aos modelos equvalentes de Regressão Lnear Múltpla, havendo na maora dos casos dferenças pequenas entre os valores predtos pelos modelos em comparação. Nos dos casos em que ocorreram dferenças mas dscrepantes, os modelos obtdos com RNA apresentaram um grau de aderênca superor ao respectvo modelo obtdo pela Análse de Regressão Múltpla. Modelos de RNA s apresentam como prncpas vantagens a ndependênca de outros parâmetros, além dos dados de entrada, para valdação do Resultado; e elevado grau de aderênca, uma vez que o algortmo de trenamento está baseado na mnmzação do erro quadrátco médo que mplca mnmzar a varação não-explcada, elevando o poder de explcação do modelo. A prncpal desvantagem está em se apresentar como modelo do tpo Caxa-preta, sem uma representação matemátca não complexa. Assm, pelo presente estudo, conclu-se que modelos de Redes Neuras Artfcas consttuemse ferramentas com bom desempenho na Engenhara de Avalação, apresentando-se como uma técnca complementar à Análse de Regressão Múltpla. ENEGEP 2004 ABEPRO 3221
7 7 Bblografa AZEVEDO, F.M., BRASIL, L.M., OLIVEIRA, R.C.L.(2000) - Redes Neuras com Aplcações em Controle e em Sstemas Especalstas, 1ª Edção, Floranópols, Bookstore. BRAGA, A.P., CARVALHO, A.C.P. L.F., LUDEMIR, T.B (2000) - Redes Neuras Artfcas Teora e Prátca, 1ª Edção, Ro de Janero, LTC Edtora. DANTAS, R.A(1998) - Engenhara de Avalações - Uma Introdução à Metodologa Centífca, 1ª Edção, São Paulo, Pn. FAUSETT, L.V.(1994) - Fundamentals of Neural Network : archtectures, algorthms, and applcaton, 1ª Edção, New Jersey, Prentce Hall. GONZÁLEZ, M.A.S.(2000) - Planta de Valores Utlzando Intelgênca Artfcal, COBRAC 2000, Congresso Braslero de Cadastro Técnco Multfnaltáro, UFSC Floranópols. HAYKIN, S.(2001) - Redes Neuras Prncípos e Prátca, 2ª Edção, Porto Alegre, Bookman. STEVENSON, W.J.(1981) - Estatístca Aplcada à Admnstração, 1ª Edção, São Paulo, Harper & Row do Brasl. PUPPIO, R.P.(2004) - Redes Neurales Aplcadas al Avalúo Inmoblaro, SOITAVE, Socedad de Ingenería de Tasacón de Venezuela, ENEGEP 2004 ABEPRO 3222
IBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG
IBAPE XII COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS, BELO HORIZONTE/MG ESTUDO COMPARATIVO ENTRE REDES NEURAIS ARTIFICIAIS E ANÁLISE DE REGRESSÃO MÚLTIPLA NA AVALIAÇÃO DE BENS,
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
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 maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
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 mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
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 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 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 maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
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 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 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 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 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 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 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 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 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 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 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 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 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 maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
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 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 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 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 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 maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
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 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 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 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 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 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 maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
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 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 maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
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 maisREGRESSÃO LINEAR ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO CURVILÍNEA FUNÇÃO QUADRÁTICA
ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO LINEAR Verfcado, pelo valor de r, que ocorre uma sgnfcante correlação lnear entre duas varáves há necessdade de quantfcar tal relação, o que é feto pela análse
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 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 maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
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 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 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 maisBrazilian Journal of Biosystems Engineering v. 11(1): 01-17, 2017
AVALIAÇÃO DO MODELO DE REGRESSÃO LINEAR MÚLTIPLA E REDES NEURAIS ARTIFICIAIS NA PREVISÃO DO GANHO DE MASSA EM ANIMAIS M. L. M. Lopes, F. R. Chavarette *, A. M. Coss UNESP - Unv. Estadual Paulsta, Faculdade
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
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 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 maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA 22 a 25 Novembro de 2009 Recfe - PE GRUPO IV GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA CA E CC - GAT DESENVOLVIMENTO
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 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 maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
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 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 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 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 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 maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisEQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) Introdução Seja a segunte equação derencal: d ( ) ; d para. que é reerencado com o problema do valor ncal. Essa denomnação deve-se
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 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 maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisREGRESSÃO LINEAR ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO CURVILÍNEA FUNÇÃO QUADRÁTICA VERIFICAÇÃO DO AJUSTE A UMA RETA PELO COEFICIENTE 3 X 3
ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO LINEAR Verfcado, pelo valor de r, que ocorre uma sgnfcante correlação lnear entre duas varáves há necessdade de quantfcar tal relação, o que é feto pela análse
Leia mais4. Sistemas Neuro-Fuzzy
4. Sstemas Neuro-Fuzzy Neste capítulo será apresentado o sstema híbrdo Neuro-Fuzzy, o qual é a combnação das técncas de fuzzy e redes neuras. Alguns modelos Neuro-Fuzzy já desenvolvdos na lteratura são
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia maisAplicação de Funções de Base Radial em Problemas de Previsão de Cargas Elétricas via Redes Neurais Artificiais
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Aplcação de Funções de Base Radal em Problemas de Prevsão de Cargas Elétrcas va
Leia maisNOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO
I Congresso Baano de Engenhara Santára e Ambental - I COBESA NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO Marcos Vnícus Almeda Narcso (1)
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 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 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 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 maisAnálise da curva de crescimento de ovinos cruzados
Análse da curva de crescmento de ovnos cruzados Dana Campos de Olvera DEX, UFLA Antôno Polcarpo Souza Carnero DET, UFV Joel Augusto Munz DEX, UFLA Introdução Os ovnos, assm como grande maora dos anmas
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 maisModelagem do Transistor Bipolar
AULA 10 Modelagem do Transstor Bpolar Prof. Rodrgo Rena Muñoz Rodrgo.munoz@ufabc.edu.br T1 2018 Conteúdo Modelagem do transstor Modelo r e Modelo híbrdo Confgurações emssor comum, base comum e coletor
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 Redes Neurais Auto-Associativas
44 3 Redes Neuras Auto-Assocatvas 3.1. Neurôno Artfcal Redes neuras artfcas são estruturas compostas por dversas undades processadoras, chamadas de neurônos artfcas, que são nterlgados através de conexões,
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
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 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 maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
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 maisO íon lantanídeo no acoplamento Russell-Saunders e a classificação de seus estados segundo os subgrupos do grupo GL(4
O íon lantanídeo no acoplamento Russell-aunders e a classfcação de seus estados segundo os subgrupos do grupo G(4 ) O hamltonano, H, dos íons lantanídeos contém uma parte que corresponde ao campo central,
Leia mais5 Validação dos Elementos
5 Valdação dos Elementos Para valdar os elementos fntos baseados nas Wavelets de Daubeches e nas Interpolets de Deslaurers-Dubuc, foram formulados dversos exemplos de análse lnear estátca, bem como o cálculo
Leia mais