Adriana da Costa F. Chaves
|
|
- Maria Antonieta de Sequeira Lombardi
- 6 Há anos
- Visualizações:
Transcrição
1 Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1
2 Introdução Sejam {(x,y )}, =1,...,, x R n e y R, os pontos de trenamento. a regressão ε-sv, o objetvo é achar uma função f (x) que tenha desvo de máxmo ε dos alvos obtdos y para todos os pontos de trenamento e, ao mesmo tempo, seja o mas suave possível. Em outras palavras, erros são permtdos só se forem menores do que ε. 3 Regressão Lnear Para um melhor entendmento, começa-se com o caso de funções lneares f da forma f (x) = w.x + b, (1) onde w R n e b R. o caso (1) se procura por um w pequeno (em norma). 4 2
3 Regressão Lnear Uma manera de garantr sso, é mnmzar a norma eucldana. Pode-se escrever o problema como um problema de mnmzação convexo como: mnmzar ½ w 2 sujeto a (w.x + b) - y ε, (2) y - (w.x + b) ε. 5 Regressão Lnear Para exstr uma função f que aproxme todos os pares (x,y ) com precsão ε é necessáro que seja possível resolver o problema de otmzação. Em alguns casos, sso não é verdade ou smplesmente se deseja permtr alguns erros. 6 3
4 Regressão Lnear Analogamente ao caso de classfcação, pode-se ntroduzr varáves soltas para contornar as restrções no problema de otmzação 7 Regressão Lnear São necessáras 2 varáves soltas para os 2 casos, uma por exceder o alvo em mas que ε (y f (x ) > ε) e outra por estar mas que ε abaxo do alvo (f (x ) - y > ε). Elas serão denotadas, respectvamente, por ξ e ξ. 8 4
5 Regressão Lnear Assm, chega-se ao problema de otmzação: mnmzar ½ w 2 + C ( ξ + ξ ), sujeto a y - (w.x + b) ε + ξ, = 1 (w.x + b) - y ε + ξ, ξ, ξ 0, =1,...,. 9 Regressão Lnear A formulação anteror corresponde a ldar com a função perda ε-nsensível ζ ε descrta por ζ ε = máx (0, ζ - ε). Assm, na Fgura 1, só os pontos fora da regão marcada serão penalzados. 10 5
6 Fgura 1 11 Problema de otmzação O problema de otmzação pode ser resolvdo mas faclmente na forma dual. Além dsso, a formulação dual, feta com o método que utlza os multplcadores de Lagrange, fornece o camnho para o extensão para o caso não lnear. 12 6
7 Formulação Dual L = 1 2 = 1 w α 2 + C com α, α, η, η 0. ( ξ + ξ ) α ( ε + ξ y + w. x + b) = 1 = 1 (5) ( ε + ξ + y w. x b) ( ηξ + η ξ ) = 1 13 Formulação Dual Solução do problema de otmzação mnmzar L em relação a w, b, ξ, ξ ; maxmzar L em relação a α, α, η e η. 14 7
8 Formulação Dual Dervando L em relação às componentes de w, a b, a ξ e a ξ e gualando a 0, temos w = Σ(α - α )x, Σ(α - α ) = 0 e C - α () - η () = Problema de otmzação dual Substtundo as relações anterores na equação (5), chega-se ao problema de otmzação dual (as varáves η e η não aparecem). 1 Maxmzar ( α α )( α j α j )( x. x j ) 2 ε, j = 1 = 1 ( α + α ) + sujeto a Σ(α - α ) = 0 α, α [0,C] = 1 ( α α ) y (6) 16 8
9 Regressão Lnear Substtundo w na expressão de f, chega-se a f (x)= Σ(α - α )(x.x) + b. (7) ote que f é completamente descrta como combnação lnear dos padrões de entrada. 17 Condções de Karush-Kuhn- Tucker As condções de Karush-Kuhn-Tucker mostram que na solução ótma: α (ε + ξ - y + w.x + b) = 0, α (ε + ξ + y -w.x - b) = 0, (8) (C - α )ξ = 0, (C - α )ξ =
10 Condções de Karush-Kuhn- Tucker A partr das relações anterores, conclu-se que: 1) os pontos que estão dentro do tubo ε- nsensível, que têm ξ = ξ = 0, devem ter α = α = 0; 2) somente os pontos (x,y ) com o correspondente α () = C se stuam fora do tubo ε-nsensível em torno de f; 19 Condções de Karush-Kuhn- Tucker A partr das relações anterores, conclu-se que: 3) α.α = 0, sto é, as varáves duas α,α não podem ser postvas smultaneamente (as varáves soltas nas 2 dreções teram que ser dferentes de 0); 4) para α () (0,C), ξ () = 0 e o 2º fator de (8) tem que se anular
11 Cálculo de b Assm, b pode ser calculado da segunte manera: b = y -w.x - ε se α (0,C), b = y -w.x + ε se α (0,C). 21 Regressão não Lnear Generalzação para regressão com vetores suporte é feta de manera análoga ao caso de classfcação. A déa básca mapear os dados de entrada em um espaço F, o espaço de característcas, va uma função não lnear Φ:R n F
12 Regressão não Lnear De forma análoga ao caso de classfcação, é sufcente substtur x.x por k(x,x ) na equação (6). 23 Problema de otmzação dual Maxmzar 1 2 ε, j = 1 ( α α sujeto a Σ(α - α ) = 0 = 1 ( α α, α [0,C] + α )( α ) + j = 1 α ( α j )k( x α (9) ) y, x j ) 24 12
13 Regressão não Lnear A expansão de f pode ser escrta como f (x)= Σ(α - α )k(x,x) + b. (10) 25 9 pares entrada/saída undmensonas regressão lnear 26 13
14 9 pares entrada/saída undmensonas regressão não lnear (ε = 0) 27 9 pares entrada/saída undmensonas regressão não lnear (ε 0) 28 14
15 51 pares entrada/saída undmensonas regressão não lnear (ε 0) pares entrada/saída undmensonas regressão não lnear (ε 0) 30 15
16 49 pares entrada/saída undmensonas regressão não lnear (ε 0) 31 Conclusão Fo feta uma apresentação de SVM, aplcada à regressão. o caso mas geral, sso sgnfca a construção de um hperplano no espaço de característcas que melhor se ajuste aos pontos dados, com a defnção de uma ε-nsensível. função perda 32 16
17 Referêncas B. Schölkopf and A. J. Smola. Learnng wth Kernels. The MIT Press, Crstann and J. Shawe-Taylor. An Introducton to Support Vector Machnes and other kernel-based learnng methods. Cambrdge Unversty Press, Smon Haykn. eural etworks A Comprehensve Foundaton. Macmllan College Publshng Company, Referêncas B. Schölkopf and A. J. Smola. A Tutoral on Support Vector Regresson. eurocolt2 Techncal Report Seres C2-TR , October,
Aprendizagem de Máquina
Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método
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 maisMáquinas de Vetores de Suporte Supprot Vector Machine. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Máqunas de Vetores de Suporte Supprot Vector Machne Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Introdução 2. Classfcadores Bnáros 3. Aprendzagem Estatístca
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 maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
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 maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
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 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 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 maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
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 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 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 maisUM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS
UM NOVO MÉTODO KERNEL PARA A ANÁLISE DISCRIMINANTE DE SEQUÊNCIAS BIOLÓGICAS RAUL FONSECA NETO Departamento de Cênca da Computação UFJF raulfonsecaneto@g.com.br VICTOR S. DE A. MENESES Programa de Pós-Graduação
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
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 maisAdriana da Costa F. Chaves. Máquina de Vetor Suporte (SVM) para Classificação Binária 2
Máquina de Vetor Suporte (SVM) para Classificação Binária Adriana da Costa F. Chaves Conteúdo da Apresentação Introdução Máquinas de Vetor Suporte para Classificação binária Exemplos Conclusão Máquina
Leia maisProgramação Não Linear. Programação Não-Linear 1
Proramação Não Lnear Proramação Não-Lnear Os modelos empreados em Proramação Lnear são, como o própro nome dz, lneares (tanto a unção-obetvo quanto as restrções). Este ato é, sem dúvda, a maor das restrções
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ ANDRÉ LUIZ EMIDIO DE ABREU BOOTSTRAP E MODELOS DE SUPPORT VECTOR MACHINE SVM
UNIVERSIDADE FEDERAL DO PARANÁ ANDRÉ LUIZ EMIDIO DE ABREU BOOTSTRAP E MODELOS DE SUPPORT VECTOR MACHINE SVM CURITIBA 2016 ANDRÉ LUIZ EMIDIO DE ABREU BOOTSTRAP E MODELOS DE SUPPORT VECTOR MACHINE SVM Tese
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 mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
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 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 maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisEM (Dempster, Laird, Rubin: 1977)
EM (Dempster, Lard, Rubn: 1977) Algortmo teratvo para localzação do(s) parâmetro(s) que maxmza(m) a função de verossmlhança p(x ) Dos passos por teração Passo E: cálculo do valor esperado de uma certa
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 maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
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 maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisAnálise Complexa Resolução de alguns exercícios do capítulo 1
Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +
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 maisGABARITO ERP19. impedância total em pu. impedância linha em pu; impedância carga em pu; tensão no gerador em pu.
GABARITO ERP9 Questão mpedânca total em pu. mpedânca lnha em pu; mpedânca carga em pu; tensão no gerador em pu. Assm, tem-se que: ( ). Mas, ou seja: : ( ).. Logo: pu. () A mpedânca da carga em pu,, tem
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 maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia maisAnálise de faltas balanceadas e não-balanceadas utilizando Z bar. 1. Análise de falta balanceada usando a matriz de impedância de barra (Z bar )
Análse de altas balanceadas e não-balanceadas utlzando. Análse de alta balanceada usando a matrz de mpedânca de ra ( ) Aqu será eta uma análse de cálculo de curto-crcuto trásco (alta balanceada), utlzando
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
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 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
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 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 Classificação Supervisionada
3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas.
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 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 maisDiferença entre a classificação do PIB per capita e a classificação do IDH
Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca
Leia maisCLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES
CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES Classfcaton of Hyperspectral Images wth Support Vector Machnes RAFAELA ANDREOLA VITOR HAERTEL Unversdade Federal do Ro Grande
Leia mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
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 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 maisMicroeconomia I. Licenciaturas em Administração e Gestão de Empresas e em Economia
Mcroeconoma I Lcencaturas em Admnstração e Gestão de Empresas e em Economa Ano lectvo 010-011 Teste Intermédo 1º Semestre 5 de Outubro de 010 Regente: Fernando Branco (fbranco@ucppt) Catarna Slva, Danel
Leia mais3 Animação de fluidos com SPH
3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisaplicação do lagrangeano aumentado em otimização estrutural com restrições dinâmicas
Marcelo Araújo da Slva aplcação do lagrangeano aumentado em otmzação estrutural com restrções dnâmcas Dssertação Apresentada à Escola Poltécnca da Unversdade de São Paulo para a Obtenção do Título de Mestre
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 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 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 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 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 maisEstatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
Leia maisSC de Física I Nota Q Nota Q2 Nota Q3 NOME: DRE Teste 1
SC de Físca I - 2017-2 Nota Q1 88888 Nota Q2 Nota Q3 NOME: DRE Teste 1 Assnatura: Questão 1 - [3,5 pontos] Uma partícula de massa m se move sobre uma calha horzontal lsa com velocdade constante de módulo
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 maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia 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 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 maisMétodo híbrido de pontos interiores e branch-and-bound aplicado ao problema multiobjetivo de aproveitamento de resíduos da
Método híbrdo de pontos nterores e branch-and-bound aplcado ao problema multobjetvo de aprovetamento de resíduos da cana-de-açúcar Camla de Lma, Antono Roberto Balbo, Departamento de Matemátca, Faculdade
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 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 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 mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisUm Estudo Comparativo Entre Diferentes Técnicas de Otimização do Treinamento de Neurocontroladores
Proceedngs of the IV Brazlan Conference on Neural Networks - IV Congresso Braslero de Redes Neuras pp. 29-24, July 2-22, 999 - ITA, São José dos Campos - SP - Brazl Um Estudo Comparatvo Entre Dferentes
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
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 maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisFUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores
FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos
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 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 mais3 O PROBLEMA DA REPARTIÇÃO DOS BENEFÍCIOS
O PROBLEMA DA REPARTIÇÃO DOS BENEFÍCIOS 39 3 O PROBLEMA DA REPARTIÇÃO DOS BENEFÍCIOS Como fo vsto na seção 1.3, a produção frme total do sstema resultante de uma operação ntegrada das usnas, onde todas
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisPERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS
PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada
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 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 maisMAP Cálculo Numérico e Aplicações
MAP0151 - Cálculo Numérco e Aplcações Lsta 5 (Correção Neste ponto, todos já sabemos que todas as questões têm o mesmo valor, totalzando 10.0 pontos. (Questão 1 Fque com vontade de fazer mas do que fo
Leia maisModelagem de Equilíbrio de Fases Fluidas usando EDE Cúbicas
UNIERSIDADE FEDERA DO PARANÁ SETOR DE TECNOOGIA DEPARTAMENTO DE ENGENHARIA QUÍMICA PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA Modelagem de Equlíbro de Fases Fludas usando EDE Cúbcas Prof. Marcos. Corazza DEQ/UFPR
Leia mais4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES
4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisIntrodução ao Método dos Elementos Finitos: Estruturas Articuladas
Análse de Estruturas II: Estruturas Artculadas Introdução ao Método dos Elementos Fntos: Estruturas Artculadas. Introdução O modelo de estrutura artculada, o mas smples dos modelos estruturas, é utlzado
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. UFRGS Insttuto de Matemátca
Leia maisGabarito para a prova de 1º Ano e 8ª serie (atual 9º Ano)
Gabarto para a prova de 1º Ano e 8ª sere (atual 9º Ano) 1. t t c F 5 3 9 ; t c 451 3 5 9 o ; tc 33 C ΔS. a) Δ t 5 s V 4, 1 mnuto possu 6 s, portanto, dos 5 s temos: 8 mnutos (equvale a 48 s) e sobram segundos.
Leia mais