Um Algoritmo Evolutivo com Reconexão de Caminhos para o Problema de Clusterização Automática
|
|
- Rui di Castro Cipriano
- 6 Há anos
- Visualizações:
Transcrição
1 Artgo apresentado e publcado nos Proc. of the XII LAIO 2004 XII Latn-Ibero-Amercan ongress on Operatons Research Um Algortmo Evolutvo com Reconexão de amnhos para o Problema de lusterzação Automátca Stêno Sã Rosáro Furtado Soares, Luz Satoru Och* Insttuto de omputação Unversdade Federal Flumnense, Nteró, Ro de Janero, Brasl. e-mal: {(*) satoru,ssoares}@c.uff.br Abstract lusterng s the process by whch dscrete obects can be assgned to groups or clusters whch have smlar characterstcs. In clusterng algorthms, t s usually assumed that the number of clusters s nown or gven. In the absence of such an nformaton, a procedure s needed to fnd the optmal number of clusters. Ths problem s nown as Automatc lusterng Problem (AP). In ths wor we present an Evolutonary Algorthm wth Path-Relnng for ths class of the problem. The hgh potencal of our algorthm s shown through the comparson wth a Genetc Algorthm that has presented the best results for ths problem so far. eywords: metaheurstcs, automatc clusterng methods, evolutonary algorthms. Introdução O Problema de lusterzação (P) conste em agrupar os elementos de uma base de dados em subconuntos dsuntos denomnados clusters, de forma que os pontos pertencentes a um mesmo cluster seam smlares entre s e, ao mesmo tempo, os pontos pertencentes a clusters dferentes apresentem alta dssmlardade. Exste uma gama de aplcações do P, como em Reconhecmento de Padrões, Formação de élulas de Manufatura, Roteamento de Tráfego em Redes etc. Os métodos de clusterzação podem ser classfcados como herárqucos ou de partconamento. O P pode ser descrto da segunte forma: dado uma base de dados X {x,x 2,...,x N }, encontrar a partção de X em clusters dsuntos cua smlardade entre os pontos de um mesmo cluster sea maxmzada e a smlardade entre pontos de clusters dferentes sea mnmzada, sueto às seguntes condções: φ... φ... X A maora das abordagens tratam o P consderando o número de clusters pré fxado. No entanto, na maora das aplcações reas não se tem nenhum conhecmento prévo quanto ao número de clusters deal; devendo o algortmo resolver tanto o problema de agrupar os pontos, como também encontrar o número ótmo de clusters para um dado conunto de entrada. Neste caso, o problema é conhecdo como Problema de lusterzação Automátca (PA). Para um conunto de entrada X contendo n pontos, o número N(x) de soluções váves, quando é conhecdo, é dado por: n N ( x ) ( ) ( ) ( )!. 0 No caso do valor de não ser conhecdo, o espaço de busca formado pelo número de soluções possíves aumentara drastcamente, o que nos é dado pela equação 2, defnda por: n n N ( x ) ( ) ( ) ( 2 ).! 0 O PA é classfcado como NP-Hard e o P com fxado é NP-completo para > 3. Neste trabalho apresentamos um algortmo evolutvo construtvo utlzando o módulo Path Relnng (reconexão por camnhos) denomnado AE-R, que obtém o número de clusters deal através do uso de um crtéro semelhante ao Average Slhouette Wdth apresentado em Kaufman (989), além de uma solução aproxmada de boa qualdade. O AE-R é dvddo em três fases: uma fase de construção, através da qual se faz uma avalação dos dados de entrada de uma nstânca buscando reduzr o tamanho do grafo assocado,,... - Parcalmente fnancado pelo NPq.
2 Artgo apresentado e publcado nos Proc. of the XII LAIO 2004 XII Latn-Ibero-Amercan ongress on Operatons Research e com sso, reduzr parâmetros do AE como o tamanho do strng para representar um ndvíduo, reduzr o espaço de busca e fnalmente obter soluções ncas sem otmzados para as próxmas etapas do AE. A segunda etapa, é a fase evolutva, que executa os operadores genétcos tradconas e um operador de mutação proposto baseado na sobreposção de anelas no strng solução; e, por últmo, uma fase de busca local através da técnca de reconexão por camnhos (path-relnng). Os resultados obtdos são comparados com um algortmo genétco da lteratura que até então apresentava as melhores soluções aproxmadas para um conunto de nstâncas da lteratura. 2. Algortmo Evolutvo onstrutvo com Reconexão por amnhos (AE-R) O AE-R, como á menconamos, é composto de três módulos: o módulo de construção, o módulo evolutvo e o módulo de busca local através de reconexão de camnhos. Em termos de aplcação de algortmos de clusterzação, o AE-R dfere da maora dos AG s, uma vez que o mesmo é capaz de resolver o problema de agrupamento e também resolver o problema de encontrar o número deal de clusters. Uma vez que, em geral, as bases de dados das aplcações de PA apresentam um número consderavelmente elevado de elementos, buscamos desenvolver uma heurístca de construção efcaz para tratar de bases de dados de grande porte e com característcas tas como: regões densas e esparsas, ruídos, característcas estas, usualmente presentes na maora das aplcações reas. 2. A fase de construção do AE-R A fase de construção do AE-R aqu proposta tem como meta, tentar reduzr o espaço de busca das soluções váves do PA buscando com sso, tanto melhorar a qualdade das soluções geradas pelo algortmo como também reduzr consderavelmente os tempos computaconas exgdos. De fato, sabe-se que o tamanho da strng que codfca um ndvíduo em um AG pode nflur no tempo de processamento do mesmo. Assm, dependendo da codfcação utlzada pelo AG para o P, pode ser nteressante substtur grupos de pontos cua smlardade é consderada alta, por um únco ponto. Podemos tomar cada obeto x de um conunto de entrada como uma tupla (x, x 2,., x p ), onde cada coordenada x está relaconada com um atrbuto do obeto. Podemos, então, consderar um obeto como um ponto no espaço R p. Desta forma, a substtução de um grupo de pontos smlares por um únco ponto que os represente pode ser feta tomandose o ponto médo calculado segundo as coordenadas de todos os pontos deste grupo. Nossa proposta é apresentarmos uma abordagem herárquca baseada em grafos para reduzr o tamanho da strng que codfca o ndvíduo no AE e ao mesmo tempo trar proveto desta representação na ocasão da geração da população do AE-R. onsdere os pontos de uma base de dados X como vértces de um grafo construído conforme o conceto de grafo de vznhança relatva (GVR) (Toussant (980)). O GVR do conunto X, denotado GVR(X), é o grafo assocado à matrz de adacênca M dada por: se d (, ) max [ d ( x, x ), d ( x, x )], x X,, M [, ] 0, caso contráro ( 3 ) onde d(,) denota a dstânca eucldana entre os pontos x e x. A equação (3) dz que dos pontos x e x são dtos vznhos relatvos se não exstr nenhum outro ponto x cua dstânca em relação x e x sea nferor a d(,). O GVR(X) é o grafo G(V,E) onde o conunto de vértces V é formado por todos os pontos do conunto X e o conunto de arestas E é formado por todos os arcos e cuo valor de M[,] é gual a. omo podemos observar, os componentes conexos de GV R(X) são agrupamentos que refletem uma vsão de vznhança mínma, ou sea, consderando m como sendo o número de componentes conexos obtdos de GVR(X), podemos esperar, como número máxmo de clusters o valor m (m < n) e como número mínmo 2. Para conclur a fase de construção do AE-R, tomamos os componentes conexos de GVR(X) e obtemos o conunto G {G,G 2,...,G m }, onde cada G é um componente conexo canddato a se tornar um cluster raz, e V, para,..., m é o centróde do componente conexo G. Devemos, então, efetuar agrupamentos entre G s de forma a termos a clusterzação fnal. Isto é feto no sentdo de otmzar uma função obetvo, tarefa realzada pelo módulo evolutvo do AGS. Antes de explcarmos como se constró a população ncal do AGS, é mportante entendermos a modelagem utlzada para a codfcação do ndvíduo. Para tanto, consdere uma strng bnára r (r, r 2,..., r m ), representando uma solução (semente). Se r, o cluster G G fará parte da solução como cluster pa (cluster raz). aso contráro (r 0), G é consderado um cluster flho e será posterormente assocado a um dos clusters pas ndcados pelos r s que constam na strng como sendo guas a. omo exemplo, da strng r [ ] de uma entrada que gerou um conunto G
3 Artgo apresentado e publcado nos Proc. of the XII LAIO 2004 XII Latn-Ibero-Amercan ongress on Operatons Research {G,G 2,G 3,G 4,G 5,G 6,G 7,G 8 }, onde cada G é um componente conexo de GVR(X), podemos dzer que a solução apresentará três clusters, ncalmente G 2, G 4 e G 8 (clusters pas). Os demas clusters (G,G 3,G 5,G 6 e G 7 ) são os clusters flhos, cuos pontos serão anexados a um dos clusters pas para formar com este um novo cluster conforme o crtéro de smlardade adotado. Na geração do strng que codfca uma solução, procuramos prorzar os componentes conexos com maor cardnaldade. Assm, a geração da população ncal do AE-R se dá de tal forma que a probabldade de ocorrer o valor em cada elemento r da strng r é proporconal à cardnaldade do componente conexo G G. Apresentamos agora o processo de formação de um cluster, ou sea, a transformação de uma semente em solução propramente dta. Após a geração da semente, consdere Y {G,G 2,..., G t } o conunto formado pelos componentes conexos G s assocados aos elementos cuo valor é no strng ndvíduo. O conunto solução {,..., t } é ncalmente formado pelos t clusters ncas G s Y e os centródes ncas H s dos clusters da solução são, ncalmente, os centródes V s destes clusters ncas, onde G para, 2,.., t e G denota o número de pontos pertencentes a G. No processo de clusterzação, os componentes G s em \Y {G,G 2,..., G m } - Y são analsados um de cada vez de tal forma que o cluster rá anexar os pontos do componente conexo G se V - H V - H q para q t e q. Quando algum componente conexo G é assocado a um cluster, a nova cardnaldade de, denotado por, e o novo centróde de, denotado por H são atualzados pelas equações (4) e (5). H * * ' + V G H ( 4 ) + G ' + G ( 5 ) Após todos os componentes conexos cuos índces na strng apresentam valor zero tverem sdo assocados aos clusters pas ndcados pelos índces cuo valor é gual a, a clusterzação está concluída e podemos então avalar a qualdade da mesma. 2.2 O Módulo Evolutvo do AE-R O módulo evolutvo do AE-R compõe-se de um AG cua população ncal é gerada segundo as densdades dos componentes conexos obtdos na fase de construção. omo podemos ver, o número de uns (s) no ndvíduo fornecerá o número de clusters do mesmo. Assm, podemos ver faclmente que dentro do ntervalo [,m], com m dado pelo número de componentes conexos, o número deal de clusters a ser encontrado pelo algortmo é bem menor quando comparado ao número de combnações possíves dentro do ntervalo orgnal [, n] dado pela cardnaldade da base de dados X. Para avalar um ndvíduo, utlzamos o crtéro Average Slhouette Wdth apresentado em Kaufman (989). Antes de explcarmos os mecansmos dos operadores do AE-R, defnmos a função de avalação que resulta no ftness de cada ndvíduo. Para tanto, sea um ponto pertencente ao cluster w construído na clusterzação, onde w M >. onsdere a dssmlardade méda de em relação a todos os pontos w dada pela equação (6), onde d é a dstânca eucldana descrta pela equação entre os pontos e. Nos casos em que w possur um únco elemento, defnmos a() 0. M a ( ) d ( 6 ) M onsdere, anda, cada um dos clusters com w. A dssmlardade méda do ponto em relação a todos os pontos de é mostrada na equação (7), onde M é o número de pontos do cluster. M d (, ) d ( 7 ) M Denota-se b() o menor valor dentre todos os d(, ), o que é obtdo pela equação (8). Note que b() é obtdo pelo cluster que sea o vznho mas próxmo do ponto b( ) mn d(, ) (8) c w Defnmos o valor da slhueta do ponto pela equação (2), dada por: b ( ) a ( ) s ( ) ( 9 ) max ( a ( ), b ( ) ) Para avalarmos a qualdade da solução, calculamos a méda artmétca de todos os s() s obtdos. Desta forma, a função de aptdão do ndvíduo é dada por:
4 Artgo apresentado e publcado nos Proc. of the XII LAIO 2004 XII Latn-Ibero-Amercan ongress on Operatons Research f sueto N N a s ( ) Para efetuar a seleção dos ndvíduos reprodutores, o operador utlzado é o Método da Roleta. Entretanto, como a equação que defne a aptdão do ndvíduo admte valores dentro do ntervalo [-, ], portanto podendo assumr valores negatvos, aumentamos uma undade no valor de f para cada ndvíduo. Ao fnal do processamento, subtraímos uma undade do valor de f do ndvíduo campeão. O operador de crossover utlzado no AE é o crossover de dos pontos. Foram desenvolvdos dos operadores de mutação para o AE cuo emprego é alternado a cada cruzamento. O prmero é o operador tradconal, no qual cada elemento da strng pode sofrer mutação com probabldade gual a p(m), passando do valor zero para um, ou vce-versa. O segundo operador de mutação funcona através de sobreposção de anelas. Para exemplfcar, consdere o ndvíduo F gerado do crossover. Dentro do ntervalo [, F ], onde F é o tamanho da strng do ndvíduo, são escolhdos aleatoramente dos pontos de corte p e q, com p < q, e um ponto de nserção t escolhdo aleatoramente no ntervalo (p, q). Os dos pontos de corte defnem uma anela w p,q, como no operador crossover. Defnda a anela, um outro ndvíduo é gerado a partr de F da segunte forma: consderando a strng de F como uma lsta crcular, a partr do ponto de nserção t, a anela w pq será nserda na cadea orgnal de F, gerando um novo ndvíduo F (mut). Após a aplcação dos operadores de crossover e mutação, cada descendente será nserdo na população caso o valor do seu ftness sea superor ao por ndvíduo da população atual. Além dsso, a cada geração, a taxa de reposção é de 95%, ou sea, apenas 5% da população é mantda para a geração segunte. 2.3 O Módulo de Reconexão de camnhos (R) A busca local aplcada em AEs tem encontrado bastante acetação por parte dos pesqusadores desta área (Och et al. (200)), fazendo crescer o nteresse no desenvolvmento de trabalhos na área de Algortmos Evolutvos. Neste contexto, a Reconexãp por amnhos (R) (Path-Relnng) apresenta-se como uma técnca de busca alternatva efcente em relação às buscas tradconas. O R consste em gerar todas as soluções ntermedáras entre uma solução base (SB) e uma solução alvo (AS). Normalmente ambas as soluções são escolhdas dentre as melhores geradas até o momento pela heurístca. Pode-se pesqusar no sentdo SB para AS ou vce versa, ou em ambas as dreções se sso for convenente. O prncípo básco do R é o de que entre duas soluções de qualdade pode exstr uma tercera melhor que os extremos. S ( 0 ) 3. RESULTADOS OMPUTAIONAIS E ANÁLISE QUALITATIVA Incalmente para avalar o AE-R, mplementamos este e também um AG da lteratura que segundo os autores apresentavam os melhores resultados para o PA até então. Para sso, antes de comentarmos detalhes das nossas smulações, vamos resumdamente descrever o AG da lteratura LUSTERING. O algortmo LUSTERING de Ln and Shueng (200) consste de um Algortmo Genétco (AG) que, a exemplo do AE-R, também se propõe resolver o PA. Este algortmo faz uso de uma heurístca baseada em busca bnára para a obtenção da melhor solução através de váras chamadas do própro AG com varações de um peso w que, presente na função de aptdão, prorza uma clusterzação com mutos ou poucos clusters conforme w cresça ou dmnua. Antes de ncar a execução do LUSTERING, vamos explcar a etapa de construção que utlza também concetos de componentes conexos como no AE-R, mas utlzando fórmulas e crtéros dferentes da nossa proposta. Salenta-se que nossa proposta surgu da necessdade de melhorar o desempenho desta construção de Ln e Shueng (200) que como veremos apesar da déa ser muto boa, a forma de defnr os seus passos é extremamente nstável. No LUSTERING calcula-se, para cada ponto, dstânca eucldana entre este ponto e seu vznho mas próxmo, denotada d v () e em seguda toma-se a méda destas dstâncas, dada por d ( ) para... N, onde N é o tamanho do conunto de entrada. A vsão de vznhança do algortmo é dependente de um parâmetro de entradaα, que será usado para a construção da matrz de adacênca M do conunto de entrada. A matrz M é gerada de acordo com a equação (4). se d v (, ) α. M [, ] ( ) o caso contráro N v
5 Artgo apresentado e publcado nos Proc. of the XII LAIO 2004 XII Latn-Ibero-Amercan ongress on Operatons Research Da matrz de adacênca M, é construído o conunto X {,... m }, onde cada é um componente conexo obtdo do grafo assocado a M, tal qual fo feto no AE-R. O algortmo construrá sua população como strngs bnáras de tamanho m, nas quas a ocorrênca de numa dada posção da cadea ndca que o -ésmo componente conexo ncará um clusters na solução fnal. O LUSTERING tem a função de aptdão f dada segundo a relação entre o somatóro das dstancas entre cada ponto e o centróde do cluster ao qual pertence e a dstânca entre cada ponto e o centróde dos demas clusters, conforme a equação (2), onde podemos ver a exstênca de um parâmetro de entrada w. f ( s ) D nt ( ) * w D nt ( ) (2 ) er O LUSTERING recebe como parâmetros de entrada dos valores reas w s e w l que defnem o ntervalo [w s,w l ] em que o parâmetro w da equação (2) assumrá na busca da melhor clusterzação, ou sea, aquela com o número deal de clusters. Na heurístca de busca do melhor valor para o parâmetro w da equação (2), o módulo genétco é chamado ncalmente para w w s, depos para w w l e posterormente para w w m (w s + w l ) / 2. Podemos ver que o LUSTERING não tem uma vsão de vznhança apurada. O que o algortmo faz é calbrar seus parâmetros numa tentatva de achar a calbragem deal, o que para algumas nstâncas acaba sendo uma tarefa árdua e mutas vezes nefcaz. Os parâmetros usados do LUSTERING foram os mesmos sugerdos pelos autores, ou sea, tamanho da população gual a 50 ndvíduos, número de gerações gual a 00, taxa de crossover gual a 85% e taxa de mutação gual a 5%. No caso do AE e do AE-R, apenas o número de ndvíduos fo dferente do LUSTERING, tendo sdo fxado em 0 ndvíduos. Utlzamos como medda de qualdade da solução o valor apresentado pela solução de cada algortmo expresso pela função de aptdão utlzada pelo AGS, á que a solução expressa por esta função está tão próxma da solução deal quanto seu valor se aproxmar de. Desta forma, uma vez que a função de aptdão usada pelo algortmo da lteratura (LUSTERING) na mesma função usada pelo AGS, após o mesmo ter encontrado a solução, esta é avalada para que seu valor sea expresso com base na equação (0). Os resultados apresentados na tabela () apresentam a méda dos valores das 00 soluções obtdas por cada algortmo. Foram utlzadas 7 nstâncas para verfcar a efcênca do AGS, deste total, quatro nstâncas são da lteratura e 3 foram geradas artfcalmente de forma a gerar clusters com formatos varados e com densdades varadas. Das quatro nstâncas da lteratura, lstadas em negrto na tabela, duas são artfcas no espaço R 2 a saber: Ruspn e 200p Kaufman (989). A base Ruspn é composta de 75 pontos dstrbuídos em quatro clusters. Já a base de dados 200p consste de uma dstrbução normal onde cada ponto p é um vetor (µ x, µ y ) com desvo padrão ρ para x e y. A dstrbução gera três grupos conforme segue. Grupo : 20 pontos µ x, 0 µ y 0 ρ.7 Grupo 2: 60 pontos µ x, 20 µ y 2 ρ 0.7 Grupo 3: 20 pontos µ x, 0 µ y 20 ρ.0 As outras duas nstâncas da lteratura são bases reas. A nstânca Wnconsn Breast ancer Database (Mangasaran (990)) é uma base de dados composta de 699 pontos formados por 9 atrbutos que caracterzam tumores no tratamento de câncer. Dos 699 pontos, 6 foram excluídos da base por apresentarem atrbutos ausentes. Desta forma, o conunto de pontos efetvamente avalado é composto de 683 elementos. A últma nstânca da lteratura é a Irs Plants Database (R. A. Fsher (936)), composta de 50 pontos no espaço R 4 dvddos em três grupos de 50 pontos. ada grupo refere-se a uma classfcação de tpo de rs de planta: írs Setosa, írs Verscolor e írs Vrgnca. Os atrbutos dos pontos referem-se às meddas de largura e comprmento da pétala e da sépala da planta. As demas nstâncas da tabela, foram geradas aleatoramente. Para efeto de comparação dos resultados, a tabela apresenta desempenho médo do AE e do AE-R além do desempenho do LUSTERING. Nesta análse, cada algortmo executou 00 vezes e a méda fo calculada para gerar a tabela. Os valores em negrto ndcam o melhor desempenho, á que a função obetvo é de maxmzação. Instânca AE-R AE LUSTERING 200p ancerdata IrsData RuspnData p6c p pc face ra
6 Artgo apresentado e publcado nos Proc. of the XII LAIO 2004 XII Latn-Ibero-Amercan ongress on Operatons Research 350p5c dens p onvdensty ovexo Face Moreshapes Numbers Numbers Tabela : Desempenho médo dos algortmos avalados. Na análse dos resultados obtdos, observamos a efcênca do AE e prncpalmente do AE-R em termos de encontrar o número deal de clusters, a sua robustez e a qualdade da solução gerada. Podemos ver que tanto o AE como o AE-R apresentaram desempenho bem superor ao algortmo da lteratura. Além dsso, podemos ver que a R ncorporado pelo AE-R mplcou em melhora do desempenho em 8 das 7 nstâncas testadas. Para efeto de verfcação da robustez do algortmo proposto, efetuamos também uma análse probablístca sugerda em Aex et al. (2003). Esta análse se ustfca por uma das lmtações clásscas de heurístcas e algumas metaheurístcas que é a sua grande sensbldade com os parâmetros de entrada do problema. Ou sea, o desempenho destes algortmos pode varar muto de uma nstanca a outra. Para verfcarmos a robustez dos métodos aqu propostos, colocamos como crtéro de parada para todos os algortmos, um valor alvo (valor de MQ), obtdo de smulações prelmnares destes métodos para cada nstânca. O alvo pode ser uma méda dos valores obtdos, ou um dos melhores valores, se queremos alvos mas dfíces. Defndo o alvo, cada algortmo é executado m vezes para cada nstânca seleconada. A cada execução, armazena-se o tempo de cpu t, e uma probabldade p ( ½).m ( no nosso caso m 00). om sso geramos pontos no R 2 da forma z (t,p). omo forma de avalar a efcênca do algortmo proposto, a fgura mostra a análse probablístca do AE, do AE-R e do LUSTERING, além das versões AE-S e AE-RS, que são o AE e AE-R sem a heurístca de construção. Fgura : Análse probablístco para nstânca 200p. Podemos ver pela fgura que o AE e o AE-R apresentam 00% de chance de chegar ao alvo antes dos prmeros 00 segundos de processamento (as duas curvas mas a esquerda). Já as versões sem a heurístca de construção AE-S e AE-RS para esta probabldade precsam de mas de 500 segundos de processamento (duas curvas ntermedáras). Anda assm, as versões sem construção são melhores que o algortmo da lteratura, que para esta probabldade precsa de mas de segundos (curva mas a dreta). Isto reflete a robustez dos algortmos propostos. 4. onclusões Neste trabalho apresentamos um algortmo de clusterzação herárquca para o PA que, para todas as nstâncas submetdas, apresentou resultados de boa qualdade em termos de otmzação da função obetvo, do número deal de clusters e tempo de processamento. Além dsso, nossa abordagem enquanto reduz a
7 Artgo apresentado e publcado nos Proc. of the XII LAIO 2004 XII Latn-Ibero-Amercan ongress on Operatons Research cardnaldade do conunto de entrada, tra proveto desta redução para abrevar o processo de busca, fato este comprovado pela capacdade do algortmo de encontrar a solução nas prmeras gerações mesmo numa população pequena de ndvíduos. 5. Bblografa. Aex, R., Bnato, S., e Resende (2003), M. Parallel GRASP wth path-relnng for ob shop schedulng. Parallel omputng 29, R. A. Fsher (936), The use of multple measurements n taxonomc problems, Annual Eugencs, 7, Part II, L. Kaufman and P. J. Rousseeuw (989), Fndng Groups n Data - An Introducton to luster Analyses, Wley Seres n Probablty and Mathematcal Statstcs, John Wley and Sons. O. L. Mangasaran and W. H. Wolberg (990), ancer dagnoss va lnear programmng, SIAM News, 23, Number 5, September, - 8. Y. T. Ln, Y. B. Shueng (200), A genetc approach to the automatc clusterng problem, Pattern Recognton, 34, Och, L. S., Drummond, L. M. A., Vanna, D. S.(200), An asynchronous parallel metaheurstc for the perod vehcle routng problem, Future Generatons on omp. Systems, Elsever, pp , vol 7(4). G.Toussant (980), The relatve neghborhood graph of a fnte planar set, Patt. Recognton, 2,
3 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 maisO PROBLEMA DE CLUSTERIZAÇÃO AUTOMÁTICA: UM NOVO MÉTODO UTILIZANDO O ILS
O PROBLEMA DE CLUSTERIZAÇÃO AUTOMÁTICA: UM NOVO MÉTODO UTILIZANDO O ILS Marcelo Db Cruz 1, Luz Satoru Och 2 1 Departamento de Matemátca Unversdade Federal Rural do Ro de Janero (UFRRJ) BR.465, km7 23.890-000
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 maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia 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 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 maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia 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 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 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 maisCréditos. SCC0173 Mineração de Dados Biológicos. Conteúdo. Métodos Particionais (Sem Sobreposição)
SCC7 Mneração de Dados Bológcos Agrupamento de Dados Partes III & IV: Métodos Partconas e Valdação Crédtos O materal a segur consste de adaptações e etensões dos orgnas: gentlmente ceddos pelo Prof. Eduardo
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia 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 maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisUM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO
Pesqusa Operaconal na Socedade: Educação, Meo Ambente e Desenvolvmento 12 a 15/09/06 Goâna, GO UM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO Flávo Marcelo Tavares Montenegro IBGE Insttuto Braslero
Leia 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 maisCLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS
CLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS Éldman de Olvera Nunes Escola de Admnstração do Exércto Rua Terrtóro do Amapá, 455, 41.540-830, Salvador, BA, Brasl eldman.nunes@gmal.com
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais3 Desenvolvimento do Modelo
3 Desenvolvmento do Modelo Neste capítulo apresentaremos como está estruturado o modelo desenvolvdo nesta dssertação para otmzar o despacho de geradores dstrbuídos com o obetvo de reduzr os custos da rede
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 maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
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 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 maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
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 maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
ALGORITMO GENÉTICO APLICADO À ELEÇÃO MULTI-CRITÉRIO DE CARTEIRA DE PROJETO DE PETRÓLEO E GÁ Karn upo Gavancho Departamento de Engenhara Elétrca, PUC-RIO, Rua Marques de ão Vcente 225, Ro de Janero Karsupo@ele.puc-ro.br
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 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 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 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 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 maisPROPOSTA DE UM MÉTODO DE CLASSIFICAÇÃO BASEADO EM DENSIDADE PARA A DETERMINAÇÃO DO NÚMERO IDEAL DE GRUPOS EM PROBLEMAS DE CLUSTERIZAÇÃO
PROPOSTA DE UM MÉTODO DE CLASSIFICAÇÃO BASEADO EM DENSIDADE PARA A DETERMINAÇÃO DO NÚMERO IDEAL DE GRUPOS EM PROBLEMAS DE CLUSTERIZAÇÃO Gustavo Slva Semaan 1, Marcelo Db Cruz 2, José André de Moura Brto
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 maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia 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 maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
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 maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma magem dgtal r é a função f(r) aplcada a todo pxel
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia 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 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 maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
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 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 maisESCOLA POLITÉCNICA DE PERNAMBUCO. Resumo
Resumo A Computação Evoluconára tem sdo bem aplcada na resolução de dversos problemas. Notadamente, a programação evoluconára apresenta bons resultados na mnmzação de funções multmodas. Tradconalmente,
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
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 maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
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 maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia 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 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 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 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 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 maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Leia 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 maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia 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 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 mais3.2. Solução livre de ciclos e solução como uma árvore geradora
Smplex Para Redes.. Noções Incas O algortmo Smplex para Redes pode ser entenddo como uma especalzação do método Smplex para aplcação em problemas de programação lnear do tpo fluxo de custo mínmo. O Smplex
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisCAPÍTULO IV PROPRIEDADES GEOMÉTRICAS DA SEÇÃO TRANSVERSAL
CPÍTULO IV PROPRIEDDES GEOMÉTRICS D SEÇÃO TRNSVERSL Propredades Geométrcas da Seção Transversal 4. Propredades Geométrcas da Seção Transversal 4.. Introdução O presente trabalho é desenvolvdo paralelamente
Leia mais3.3 Ordenação por Heap (Heapsort)
3.3 Ordenação por Heap (Heapsort) Heap descendente (max heap ou arvore descendente parcalmente ordenada) de tamanho n é um array que pode ser vsto como uma arvore bnára quase completa de n nós tal que
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia 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 maisInvestigação Sobre Robustez de Comunidades em Redes
Investgação Sobre Robustez de Comundades em Redes Vnícus da F. Vera, Vtor E. do Carmo, Carolna R. Xaver, Alexandre G. Evsukoff and Nelson F. F. Ebecken UFSJ - Unversdade Federal de São João del Re São
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 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 mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
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 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 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 maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisIntrodução 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 maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisPROBABILIDADE - CONCEITOS BÁSICOS
ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisDISTRIBUIÇÃO DE FREQUÊNCIAS
Núcleo das Cêncas Bológcas e da Saúde Cursos de Bomedcna, Ed. Físca, Enermagem, Farmáca, Fsoterapa, Fonoaudologa, Medcna Veternára, Muscoterapa, Odontologa, Pscologa DISTRIBUIÇÃO DE FREQUÊNCIAS 5 5. DISTRIBUIÇÃO
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 maisGARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS
GARANIA DE EXCELENE INERCAMBIALIDADE E REDUÇÃO DE CUSOS ARAVÉS DA ANÁLISE ESAÍSICA DE OLERÂNCIAS Edvaldo Antono Bulba* *Prof. Dr. da Fatec SP FEI e Unversdade São Judas E mal: bulba@fe.edu.br Resumo Numa
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 maisCap. 6 - Energia Potencial e Conservação da Energia Mecânica
Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma
Leia maisCaderno de Fórmulas em Implementação. SWAP Alterações na curva Libor
Caderno de Fórmulas em Implementação SWAP Alterações na curva Lbor Atualzado em: 15/12/217 Comuncado: 12/217 DN Homologação: - Versão: Mar/218 Índce 1 Atualzações... 2 2 Caderno de Fórmulas - SWAP... 3
Leia maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
Leia maisALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER. Reinaldo Bomfim da Silveira 1 Juliana Maria Duarte Mol 1 RESUMO
ALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER Renaldo Bomfm da Slvera 1 Julana Mara Duarte Mol 1 RESUMO Este trabalho propõe um método para avalar a qualdade das prevsões
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 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 mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia mais