Estágio de Pré-Processamento Combinado com Rede Neural Aplicada a Classificação de Distúrbios de Qualidade de Energia Elétric em Sinais Janelados
|
|
- Isaac Ronaldo Canto Nobre
- 7 Há anos
- Visualizações:
Transcrição
1 Estágo de Pré-Processameto Combado com Rede eural Aplcada a Classfcação de Dstúrbos de Qualdade de Eerga Elétrc em Sas Jaelados Fábbo A S Borges, Rcardo A S Ferades e Iva da Slva Escola de Egehara de São Carlos Uversdade de São Paulo USP São Paulo, Brasl fabboaderso@gmalcom, rcardoasf@uspbr, slva@scuspbr Abstract Este trabalho apreseta o desevolvmeto de uma metodologa para classfcar os dstúrbos de qualdade de eerga o poto de acoplameto comum etre a dústra e rede de dstrbução Os dstúrbos que foram gerados seguem as defções do IEEE Além dsso, esses dstúrbos foram jaelados e adcoalmete cada jaela é pré-processada utlzado cálculos estatístcos e a Trasformada Rápda de Fourer Com o objetvo de classfcar os dstúrbos de eerga presete em cada jaela as característcas dos sas obtdas pelos cálculos, foram utlzadas como etradas de váras Redes euras Artfcas especalstas, uma para cada tpo de dstúrbo É mportate mecoar que este método emprega cálculos que podem ser corporados em hardware e apreseta desempeho satsfatóro em face de outros métodos da lteratura I ITRODUÇÃO Os estudos de Qualdade de Eerga Elétrca (QEE) estão comumete relacoados a dstúrbos que alteram as característcas seodas de tesão e/ou formas de oda de correte Detre os prcpas dstúrbos de QEE se destacam: afudametos de tesão, elevações dstorções harmôcas, etre outros [] Tas dstúrbos de QEE são causados por dferetes tpos de feômeos e/ou operações do sstema de dstrbução como: chaveameto de baco capactores, cargas ão leares, descargas atmosfércas Estes dstúrbos afetam a produtvdade da dústra e reduzem o tempo de vda dos equpametos Assm, é mportate para a dústra uma boa qualdade de eerga elétrca, prcpalmete, o poto de acoplameto comum A fm de melhorar a QEE o poto de acoplameto comum faz-se ecessáro a detfcação e classfcação destas perturbações o etato, este processo ão é trval, devdo às característcas semelhates que podem ser observadas etre os dstúrbos Portato, para o propósto de classfcação, algus métodos têm sdo propostos, os quas são baseados em ferrametas de pré-processameto resposáves por aplcar trasformações os dados Desta forma, algumas característcas podem se ressaltadas e, assm as mesmas são forecdas como etradas ao classfcador Segudo este cotexto, algus trabalhos propõem ferrametas automatzadas de classfcação e ormalmete, utlzam a Trasformada Wavelet (TW), para aalse do sal o domío do tempo-frequêca Em [] a Trasformada Wavelet é utlzada juto com uma Rede eural Wavelet O algortmo proposto pelos autores é testado com um grade úmero de formas de oda e comparado a outras abordages ecotradas a lteratura correlata, ode esta metodologa apreseta resultados satsfatóros Em [3] as característcas extraídas a partr da decomposção do sal utlzado a Trasformada Wavelet são troduzdas o classfcador baseado Suport Vector Mache (SVM) A Trasformada Wavelet Packet cosste uma geeralzação da Trasformada Weavlet e se caracterza pela decomposção completa do sal tato em ível de detalhes como em íves de aproxmação Em [4] e [5] as característcas extraídas a partr de cada ível de detalhe e aproxmação resultate da aplcação da Trasformada Wavelet Packet são utlzadas como etrada do classfcador baseado em Fuzzy k-earest eghbour (Fk) e do classfcador baseado em Suport Vector Mache (SVM) Outros trabalhos se caracterzam por utlzarem a Trasformada-S (TS) como ferrameta de pré-processameto Esta trasformada forece formações de tempo e frequêca, com dsttas resoluções, utlzado uma jaela de comprmeto varável A saída da Trasformada-S é costtuída por uma matrz complexa cujas lhas e coluas represetam as frequêcas e o tempo respectvamete As característcas extraídas da matrz-s são utlzadas em dferetes classfcadores, ode em [6] é utlzado o algortmo Fuzzy c-meas, em [7] é utlzada uma Rede eural Probablístca, em [8] as característcas são troduzdas em três dferetes tpos de classfcadores tas como Rede
2 Perceptro Múltplas Camadas, k-earest eghbour e Rede eural Probablístca De acordo com os trabalhos supractados, os quas utlzam a Trasformada Wavelet como ferrameta de préprocessameto, fo observado que ela cosegue uma boa resolução do sal o domío tempo-frequêca, o etato, o processo de aálse pode ser fortemete fluecado pela escolha de algus parâmetros como: ível de decomposção do sal e tpo de Wavelet mãe Adcoalmete, otou-se que a Trasformada Wavelet ão apreseta ótmos resultados quado exste ruído sobreposto ao sal Com relação à Trasformada-S fo observado que ela é utlzada para suprr os problemas obtdos com a utlzação da Trasformada Wavelet, portato, ela cosegue uma boa resolução e ão sofre alterações com o ruído o etato a Trasformada-S basea-se a forma de processameto em bloco e, portato, sua utlzação em tempo real ão é recomedada [0] ota-se que os métodos até etão propostos utlzam ferrametas de aálse de sas o que aumeta sua complexdade Portato, este trabalho propõe um método que classfca jaelas de sas cotedo dstúrbos,ode empregase Trasformada Rápda de Fourer (amplamete usado em hardware), bem como cálculos smples realzados o domío do tempo Falmete, as redes euras com arqutetura Perceptrom Múltplas Camadas foram utlzadas para classfcar os dstúrbos que fluecam a Qualdade De Eerga Elétrca II BACO DE DADOS DOS DISTÚRBIOS DE QUALIDADE DE EERGIA A modelagem do baco de dados tem objetvo de armazear o maor úmero de sas com característcas dsttas, estes sas serão utlzados para testar a metodologa proposta Os dstúrbos que compõem o baco de dados são caracterzados por afudametos de tesão, elevações de tesão, flcker, dstorções harmôca, mpulsos trastóros, terrupções, otches, spkes e trastóros osclatóros Estes dstúrbos são obtdos com base as equações paramétrcas obtdas em [-3] e [8] Estas equações acrescetam a oda seodal, fuções que parametrzam cada dstúrbo modelado detro dos lmtes mpostos pelas defções do IEEE [] Estas fuções fazem uso de parâmetros como ampltude ( ), frequêca( f ) que represetam as característcas de cada dstúrbos e também uma fução degrau (u), resposável por produzr uma jaela de tempo de acordo com a duração do dstúrbos Portato, com a utlzação de fuções algébrcas é possível gerar dstúrbos com característcas semelhates às de sas reas De forma a melhor stetzar tas equações, estas são apresetadas por meo da Tabela I A vatagem de se utlzar modelos matemátcos para obteção de sas se da devdo à possbldade de ser possível obter város tpos de dstúrbos heterogêeos podedo, assm, estmar a capacdade de geeralzação dos classfcadores [5] e [0] A partr das equações mostradas a Tabela I, os dstúrbos de Qualdade De Eerga foram gerados com uma taxa de amostragem de 56 potos por cclo e utlzado uma frequêca fudametal de 60 Hz Esta taxa de amostragem fo escolhda por ser a que é frequetemete utlzada pelos equpametos de medção (aalsadores de eerga) Após os dstúrbos serem gerados o jaelameto de cada caso fo realzado, ode cada jaela se desloca com um passo de poto até atgr toda a dmesão do sal É mportate cometar que 00 formas de oda para cada dstúrbo foram produzdas com um período de 0 cclos Esta quatdade fo escolhda de forma a produzr uma grade quatdade de jaelas de dstúrbos para que se possam separar os dados para treameto e valdação da metodologa da metodologa Assm, foram geradas aproxmadamete: 085 jaelas para afudameto, 0097 jaelas para elevação, jaelas para flcker, 9684 jaelas para dstorções harmôcas, 959 jaelas para mpulsos trastóros, jaelas para terrupção 0576 jaelas para otch, jaelas para spke e 5678 jaelas para trastóros osclatóros III PRÉ-PROCESSAMETO DOS SIAIS JAELADOS a fase de processameto de sal, as característcas das jaelas são extraídas de modo a melhor preparar os dados para o processo de classfcação Portato, o pré-processameto vsa a redução da dmesoaldade dos dados de forma a elmar as característcas redudates da formação orgal, ressaltado somete as propredades mas mportates para cada um dos padrões a serem classfcadas Desta forma, esta etapa tem o objetvo de extrar as característcas das jaelas adqurdas e, por cosequêca, reduzr a dmesoaldade da etrada (que será submetda aos classfcadores), mmzado assm o esforço computacoal do classfcador Coforme supramecoado, a metodologa proposta este trabalho tem como objetvo dmur o esforço computacoal Aalsado este objetvo, fo observado que o uso de uma ferrameta de pré-processameto como a Trasformada Wavelet e a Trasformada-S aumetaram o esforço computacoal ou ão poderam ser empregadas em tempo real [0] Assm, esta pesqusa as prcpas característcas são obtdas a partr de cálculos smples o domío do tempo o etato para melhorar a classfcação das dstorções harmôcas, otches e spkes apeas uma característca fo extraída o domío da frequêca A Característcas Extraídas o Domío do Tempo As característcas obtdas o domío do tempo utlzam operações smples sobre cada jaela meddas, dmudo assm o custo computacoal do método Três tpos de cojutos de formações dsttas são obtdos esta prmera fase de extração O prmero cojuto de característca é resposável por resumr as formações presetes uma jaela em uma vsão global dos dados Para sto, foram utlzadas meddas estatístcas que calculam a varâca, o desvo médo e dfereça etre o máxmo e o valor máxmo da jaela e valor mímo, represetadas em (), () e (3)
3 TABELA I - MATRIZ DE COFUSÃO PARA A IDETIFICAÇÃO DOS DISTÚRBIOS Dstúrbo Equações Parâmetros Iterrupção 0, v v( t) [- ( u( t - t) - u( t - t))]s( * f * t ) 0,8 Mometâea T t t 9T Afudameto v( t) [ ( u( t t ) u( t t ))]s( f t ) Elevação v( t) [ ( u( t t ) u( t t ))]s( f t ) Flcker v( t) [ v s( f t)]s( f t ) Trastóro Osclatóro Impulso Trastóro Dstorção Harmôca otch Spke v( t) s( f t ) e ( u( t t ) u( t t )) s( f t ) ( ( t t )/ ) 75 0 ( t t ) ( t t ) p v t v ( e e ) ( u( t t ) u( t t )) (s f t v t f t f t f t v t s f t sg( f t) k 0 A { u t t 00 u t t 00 } v t s f t sg( f t) k 0 A { u t t 00 u t t 00 } v 0, 0,8 T t t 9T v 0, 0,8 T t t 9T 0,05 v 0, 8 f 5 0, 0,8 0,5T t t 3T 300Hz f 900HZ 8ms 40ms 0, T t 7T t t ms v p 0,05 0,03 par 0,035 0,06 mpar 0, A 0,4 k 8 sg fuçaosal 0, A 0,4 k 8 sg fuçaosal Varâca Desvo Médo = (dj Méda ) () j= = j= d j - Méda () Df = max(d )- m(d ) j j (3) O segudo cojuto de característcas estma a etropa de cada jaela A etropa defe uma gradeza matemátca que mede a quatdade de formação e certeza acerca de uma varável aleatóra Desta forma, este cojuto de característcas é calculado por meo da etropa, etropa de Shao e Etropa de Rey, defdas por (4), (5) e (6) Etropa de Shao = - Etropa de Réy = * log -α d j log d (5) j j= α d j= j (6) O parâmetro da Etropa de Rey é um parâmetro lvre que fo ajustado por meo de dversos testes em 0,4 Por fm, o últmo cojuto é resposável por extraír característcas que dzem respeto ao formato e valores de ampltude da jaela, obtdas por meo dos cálculos da eerga, Root Mea Square (RMS) e fator de crsta que ecotra-se defdas respectvamete as expressões (7), (8) e (9) Etropa j log (4) d j Eerga j d (7) j
4 RMS = * d j (8) j= Fator decrsta = RMS (9) B Característcas Extraídas o Domío da Frequêca A úca característca extraída o domío da frequêca correspode à Dstorção Harmôca Total (DHT) que é calculada a partr de um vetor de frequêcas harmôcas e fudametal obtdo por meo da Trasformada Rápda de Fourer A Trasformada Rápda De Fourer fo escolhda por se tratar de uma ferrameta smples e rápda quado comparada com outros métodos ecotrados a prátca [0] Depos do cálculo da Trasformada Rápda de Fourer a Dstorção Harmôca Total é extraída com o objetvo de melhor caracterzar os dstúrbos que deformam a forma de oda( harmôca, otch e spke) A DHT correspode a relação etre a valor da frequêca fudametal e o valor de todas as harmôcas observadas, defda por () IV DHT / k X [ k] abs( X []) () CLASSIFICATIO OF POWER QUALITY DISTURBACES Após a fase de extração de característcas observa-se um vetor de tamaho gual a 0 posções a ser utlzado como etrada do classfcador baseado em Redes euras Artfcas As Redes euras são modelos computacoas sprados o cérebro humao, que por sua vez coseguem adqurr e mater o cohecmeto Suas prcpas característcas são a capacdade de apredzado e habldade de geeralzação A capacdade de apredzado é adqurda por meo de experêca, utlzado um algortmo de treameto que cosegue extrar padrões de amostras que são apresetadas às etradas da mesma Já a geeralzação está relacoada com a habldade que depos de depos de treadas gerar soluções codzetes a partr de amostras descohecdas [] este trabalho, a RA empregada possu arqutetura com Múltplas Camadas, deomada MLP (Multlayer Perceptro) Este tpo de arqutetura, geralmete, é aplcado em tarefas de recohecmeto de padrões, aproxmação fucoal, detfcação e cotrole [] Assm, cosderado o propósto de classfcação dos dstúrbos de qualdade de eerga elétrca, verfca-se etão que esta arqutetura se ecaxa à tarefa proposta este trabalho a teção de melhorar a classfcação, crou-se uma RA para cada um dos 9 dstúrbos que pretede-se detfcar Vale cometar que todas as RAs possuem a mesma cofguração, sedo 5 eurôos a prmera camada escodda, 9 eurôos a seguda camada escodda e apeas um eurôo a camada de saída (Fgura ) Esta cofguração fo escolhda por apresetar melhor taxa de acerto quado comparada com outras cofgurações que foram testadas Quato às fuções de atvação, para as camadas escoddas, utlzou-se a tagete hperbólca, e para a camada de saída empregou-se a fução lear Camada de Etrada Varâca Desvo Médo Df Etropa DHT Camada eural Escodda 3 5 Camada eural Escodda 3 9 Camada de Sada Fgura Arqutetura das RAs empregadas para a classfcação dos dstúrbos Para cada saída obtda da Rede eural fo realzada uma fase de pós processameto atrbudo o valor - caso a saída for meor que zero e atrbudo caso cotraro, represetado assm a preseça ou ão do dstúrbo em uma jaela (lgado ou deslgado) As fuções de atvação têm como faldade lmtar a saída dos eurôos O método de classfcação cometado é lustrado pela Fgura Etradas Varâca Desvo Médo Df Etropa Etropa de Shao Etropa de Rey Eerga RMS Fator de Crsta RA Afudameto RA Elevação RA Flcker RA Dstorção Harmôca RA Impulso Trastóro RA Iterrupção RA othc RA Spke RA Trastóro Osclatóro - ou - ou - ou - ou - ou - ou - ou - ou - ou Saídas Fgura Método proposto para para a classfcação dos dstúrbos utlzado Rede euras Especalstas
5 Vale cometar que as RAs foram desevolvdas utlzado-se o software Matlab jutamete com seu ferrametal destado a Redes euras Artfcas Para a utlzação de um classfcador baseado em Redes euras, fazse ecessáro esta pesqusa estes dados foram obtdos por meo da base de dados crada e mecoada a Seção II A Etapa de Treameto O processo de treameto de uma rede eural cosste da aplcação de passos ordeados ecessáros para ajuste dos pesos sáptcos a partr da apresetação de amostras que exprmem o comportameto do sstema Durate esta etapa, empregou-se o algortmo Leveberg- Marquardt [] fo escolhdo como método de ajuste dos pesos sáptcos Este treameto cosste de uma aproxmação do método de ewto Este método apreseta um processo otmzado de ajuste de peso, que proporcoa a covergêca mas rápda quado comparado ao algortmo backpropagato covecoal O algortmo Leveberg- Marquardt acelera o processo de covergêca já que este método cosste de uma aproxmação do método de ewto para sstemas ão leares Para o processo de treameto das RAs, foram cosderadas 5006 jaelas extraídas do baco de dados Esta quatdade de dados fo escolhdo de forma que a RA ão sofra problemas de overfttg, que acotece quado a RA memorza dados de treameto, porem ão é capaz de geeralzar suas soluções para ovas stuações B Etapa de Valdação A valdação é utlzada para verfcar a efcêca e a geeralzação da rede com dados que ão foram prevamete utlzados Deste modo, para a valdação foram utlzadas 4738 jaelas Destaca-se que o resultado da valdação das Redes euras Artfcas são mostrados a Seção V V CLASSIFICAÇÃO DOS DISTÚRBIOS DE QUALIDADE DE EERGIA ELÉTRICA Os resultados obtdos a etapa de valdação são apresetados por meo de uma matrz de cofusão lustrada a Tabela II Esta matrz tem como objetvo mostrar o úmero de prevsões corretas em relação a aquelas esperadas para cada uma das jaelas ode, a dagoal prcpal represeta a quatdades de jaelas que foram classfcadas corretamete Pelos resultados observados a tabela, pode-se verfcar que o desempeho das RAs foram satsfatóros, possudo uma taxa de acertos acma de 90% para algus dstúrbos como: afudameto, elevação, dstorções harmôcas, flcker, otch, spke, terrupção o etato, fo observado que as RAs ão coseguram classfcar de forma satsfatóra os mpulsos trastóros e os trastóros osclatóros Estas classfcações errôeas estão tmamete relacoadas ao fato de os dstúrbos possuírem característcas semelhates em suas formas de oda Isto é, como o deslzameto da jaela ocorre com passo de um poto, os dstúrbos presetes as jaelas cas e fas estão localzados as suas extremdades, sedo assm, os dstúrbos presetes estas jaelas ão estão perfetamete caracterzados, dfcultado sua detfcação É mportate frsar que a metodologa apreseta um baxo esforço computacoal, pos as prcpas característcas são extraídas o domío do tempo por meo de cálculos smples e somete a DHT é obtda o domío da frequêca, ao cotrao dos trabalhos supramecoados a lteratura, que utlzam trasformações que aumeta a complexdade [9], tas como: Trasformada Wavelet e Trasformada-S Toda a metodologa pode ser desevolvda com o tuto de embarcála em hardware para seja testada sua capacdade de classfcar os dstúrbos em tempo-real Além dsso, é mportate cometar que apesar de o processo de extração de característcas forecer grade auxílo às redes euras, ada faz-se ecessáro vestgar ovas característcas que possam cotrbur ada mas para o processo de classfcação TABELA II - MATRIZ DE COFUSÃO PARA A IDETIFICAÇÃO DOS DISTÚRBIOS Afudameto Elevação Flcker Dstorção Harmôca Trastóro Impulsvo Iterrupção otch Spke Trastóro Osclatóro Afudameto % Elevação % Flcker % Dstorção Harmôca % Impulso Trastóro % Iterrupção % otch % Spke % Trastóro Osclatóro % Acertos (%)
6 VI COCLUSÕES Este trabalho apreseta uma ferrameta smples e rápda, para a classfcação dos dstúrbos que afetam o sstema elétrco de potêca Para sto, fo proposta uma metodologa que emprega cálculos smples o domío do tempo e a Trasformada Rápda de Forer para extração de característcas dos sas de tesão e/ou forma de oda de correte do sstema elétrco, que mplca um baxo custo computacoal De acordo com os resultados obtdos fo possível observar que metodologa proposta cosegue classfcar de forma efcete e rápda os dstúrbos, além do fato de elmar o esforço computacoal gasto com o processameto de sal quado se utlza a Trasformada Wavelet e a Trasformada-S resultado assm, uma ferrameta rápda que pode ser mplemetada para respoder em tempo real AGRADECIMETOS Os autores gostaram de agradecer à FAPESP (Fudação de Amparo à Pesqusa do Estado de São Paulo) e à CAPES (Coordeação de Aperfeçoameto de Pessoal de ível Superor) pelos auxílos faceros propcados REFERECES [] IEEE Std , IEEE Recommeded Practce for Motorg Electrc Power Qualty, 995 [] M A S Masoum, S Jamal ad Ghaffarzadeh, Detecto ad classfcato of power qualty dsturbaces usg dscrete wavelet trasform ad wavelet etworks, IET Scece, Measuremet ad Techology Vol 4, pp 93 05, 00 [3] H Erşt, A Uçar ad Y Demr, Wavelet-based feature extracto ad selecto for classfcato of power system dsturbaces usg support vector maches, Electrc Power Systems Research, vol 80, pp , 00 [4] B K Pagrah ad V R Pad, Optmal Feature Selecto for Classfcato of Power Qualty Dsturbaces Usg Wavelet Packet- Based Fuzzy K-earest eghbor Algorthm, IET Geerato, Trasmsso & Dstrbuto, vol 3, pp , 009 [5] K Mamala, K Selv ad R Ahla, Optmzato techques for mprovg power qualty data mg usg wavelet packet based support vector mache, eurocomputg, vol 77, pp 36-47, 0 [6] B Bswal, P K Dash ad B K Pagrah, Power Qualty Dsturbace Classfcato Usg Fuzzy C-Meas Algorthm ad Adaptve Partcle Swarm Optmzato, IEEE Trasactos o Idustral Electrocs, vol 56, pp -0, 009 [7] S Mshra, C Bhede ad B K Pagrah, Detecto ad Classfcato of Power Qualty Dsturbace Usg S-Trasform ad Probablstc eural etwork, IEEE Trasactos o Power Delvery, vol 3, pp 80 87, 008 [8] C Lee ad Y She, Optmal Feature Selecto for Power-Qualty Dsturbaces Classfcato, IEEE Trasactos o Power Delvery, vol 6, pp 34-35, 0 [9] D Graados-Leberma; RJ Romero-Trocoso; RA Osoro-Ros; A Garca-Perez ad E Cabal-Yepez;, Techques ad methodologes for power qualty aalyss ad dsturbaces classfcato power systems: a revew, IET Geerato, Trasmsso & Dstrbuto, vol5, pp59-59, 0 [0] T K Abdel-Gall, M Kamel, A M Youssef, E F El-Saaday ad M M A Salama Power Qualty Dsturbace Classfcato Usg the Iductve Iferece Approach, IEEE Trasactos Power Delvery, vol 9, pp 8-88, 004 [] I Slva, D H Spatt ad R A Flauzo, Redes euras Artfcas para Egehara e Cêcas Aplcadas - Curso Prátco, rd ed ArtLber, 00 [] M T Haga e M B Mehaj, Trag Feedforward etworks wth the Marquardt Algorthm, IEEE Trasactos o eural etworks, vol 5, pp , 994
Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisArquitetura da ART Controle 1 Controle 2
Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte
Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisINTELIGÊNCIA COMPUTACIONAL APLICADA NA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE PROBLEMAS DE MEDIÇÃO DE ENERGIA ELÉTRICA
INTELIGÊNCIA COMPUTACIONAL APLICADA NA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE PROBLEMAS DE MEDIÇÃO DE ENERGIA ELÉTRICA Adré Nues de Souza, Lucas Imazum Perera, Mara Gorett Zago, Pedro da Costa Juor 4, João Paulo
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisINVESTIGAÇÃO DE UM MODELO DE PREVISÃO BASEADO EM REDES NEURAIS PPS
INVESTIGAÇÃO DE UM MODELO DE PREVISÃO BASEADO EM REDES NEURAIS PPS Reato Juquera Maa Trbual de Cotas da Uão Setor de Admstração Federal Sul, quadra 4, lote 70042-900, Brasíla - DF - BRASIL (55(6 36-7563
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisEstabilidade no Domínio da Freqüência
Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;
Leia mais6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS
7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero
Leia maisModelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Leia maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
Leia maisPROBLEMA DE INCERTEZA EM SISTEMAS DINÂMICOS UTILIZANDO DEFUZZIFICAÇÃO PELO CENTROIDE
POSMEC 205 Smpóso do Programa de Pós-Graduação em Egehara Mecâca Faculdade de Egehara Mecâca Uversdade Federal de Uberlâda 8 e 9 de Novembro de 205, Uberlâda - MG PROBLEM DE INCERTEZ EM SISTEMS DINÂMICOS
Leia maisTREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS UTILIZANDO ENHANCED-CONTINUOUS-GRASP
Aas do IX Cogresso Braslero de Redes Neuras /Itelgêca Computacoal (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Socedade Braslera de Redes Neuras TREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS
Leia maisInstituto Politécnico de Bragança Escola Superior de Tecnologia e de Gestão
Isttuto oltécco de Bragaça Escola Superor de ecologa e de Gestão 2º Ao de Egehara Electrotécca Istrumetação Electróca e Meddas Exame (ª Chamada) 2 de Juho de 200 SUGESÃO DE RESOLUÇÃO ) retede-se vsualzar,
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia mais3 Procedimento Experimental
3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5
Leia maisESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Leia maisComputação das Medidas de Tendência Central e Dispersão Intervalares em Java
V ERMAC-R o Ecotro Regoal de Matemátca Aplcada e Computacoal 9- de outubro de 00 Uersdade Potguar Natal/RN Computação das Meddas de Tedêca Cetral e Dspersão Iteralares em Jaa Laís M. Nees, Elaqum L. S.
Leia maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
Leia maisNeural Network-Based Approach for Identification of the Harmonic Content of a Nonlinear Load in a Single-Phase System
EEE LATN AMERCA TRANSACTONS, VOL. 8, NO., MARCH 00 65 Neural Network-Based Approach for detfcato of the Harmoc Cotet of a Nolear Load a Sgle-Phase System C. F. Nascmeto, A. A. Olvera Jr, A. Goedtel,. N.
Leia maisTotal Bom Ruim Masculino
UNIDADE I - ESTUDO DIRIGIDO Questão - Classfque as varáves em qualtatva (omal ou ordal ou quattatva (cotíua ou dscreta: a. População: aluos de uma Uversdade. Varável: cor dos cabelos (louro, castaho, ruvo,
Leia maisDESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS
DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia mais9 Medidas Descritivas
1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisCapitulo 1 Resolução de Exercícios
S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisInferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia maisFormas de Apuração de Indicadores da Central de Análise da Gestão e Qualidade da Energia Elétrica da LIGHT
1 Formas de Apuração de Idcadores da Cetral de Aálse da Gestão e Qualdade da Eerga Elétrca da LIGHT R.P.Gomes; M. Frade (LIGHT); J. Camargo; E.F.Nues; V.H. Perera; R.Fradse; F.P.Marafão ; H.K. M.Paredes;
Leia maisAula Condições para Produção de Íons num Gás em Equilíbrio Térmico
Aula 2 Nesta aula, remos formalzar o coceto de plasma, rever osso etedmeto sobre temperatura de um gás e falmete, cohecer algus processos de ozação. 1.3 Codções para Produção de Íos um Gás em Equlíbro
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
Leia maisDISTRIBUIÇÃO HIPERGEOMÉTRICA
7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisOrganização; Resumo; Apresentação.
Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisProbabilidades e Estatística
Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete
Leia maisControle Estatístico de Qualidade. Capítulo 6 (montgomery)
Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem
Leia maisProjeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão
Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia maisA REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
Leia maisAnálise Exploratória de Dados
Aálse Eploratóra de Dados Objetvos Aálse bvarada: uma varável qualtatva e uma quattatva: represetar grafcamete as duas varáves combadas; defr e calcular uma medda de assocação etre as varáves. Eemplo 1
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Jaete Perera Amador 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisHIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia
Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e
Leia maisSTE SESSÃO TÉCNICA ESPECIAL DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E QUALIDADE DE ENERGIA
SCQ/2 2 a 26 de Outubro de 2 Campas - São Paulo - Brasl STE SESSÃO TÉCNICA ESPECIAL DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E QUALIDADE DE ENERGIA ALOCAÇÃO ÓTIMA DE FILTROS, CAPACITORES E CARGAS
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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisProf. Janete Pereira Amador 1
Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia maisNas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das
CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia mais3 Fundamentação Teórica
3 Fudametação Teórca A segur são apresetados os fudametos teórcos os quas é embasado o desevolvmeto do trabalho. 3.. Espectros de Resposta De acordo com Sampao [3], é descrta a resposta máxma de um osclador
Leia mais( ) Editora Ferreira - Toque de Mestre. Olá Amigos!
Olá Amgos! Hoje coloco à dsposção de vocês aqu a seção Toque de Mestre da Edtora Ferrera (www.edtoraferrera.com.br) as questões de Matemátca Facera cobradas o últmo cocurso da axa Ecoômca Federal (EF),
Leia maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisIvan G. Peyré Tartaruga. 1 Metodologia espacial
RELATÓRIO DE PESQUISA 5 Procedmetos o software ArcGIS 9. para elaborar os mapas da Regão Metropoltaa de Porto Alegre RMPA com as elpses de dstrbução drecoal etre 99 e 000 Iva G. Peré Tartaruga Metodologa
Leia maisUso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii
Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho
Leia maisAlgoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações
Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do
Leia maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia mais8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:
NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos
Leia maisTópicos Extras 2ª parte. Análise de Correlação e Regressão
Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO
Leia mais6. MÉTODOS APROXIMADOS DE ANÁLISE DE SISTEMAS CONTÍNUOS
6. ÉOOS APROXAOS ANÁS SSAS CONÍNUOS Nos dos capítulos aterores, estudaram-se métodos exactos de aálse de sstemas dscretos e de sstemas cotíuos. Agora, serão aalsados algus métodos aproxmados da solução
Leia maisComplexidade Computacional da Determinação da Correspondência entre Imagens
Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br
Leia mais4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos
4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um
Leia maisTESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL
TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL As hpóteses a serem testadas serão: H 0 : p p 0 H : p p 0 p > p 0 p < p 0 Estatístca do Teste: pˆ p0 z c p ( p ) 0 0 EXEMPLOS. Uma máqua está regulada
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisa) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.
Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0
Leia mais3 Sistema Neuro-Fuzzy Hierárquico BSP (NFHB)
3 Sstema Neuro-Fuzzy Herárquco BSP (NFHB) 3.. Itrodução Os sstemas euro-fuzzy descrtos a seção ateror possuem lmtações por terem uma capacdade reduzda de cração de sua própra estrutura e de receberem um
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia maisTécnicas Não Paramétricas
Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze Em mutos problemas prátcos As abordages de estmação
Leia mais