5 MODELO DE PREDIÇÃO UTILIZANDO REDES NEURAIS
|
|
- Alexandra Barateiro Marques
- 6 Há anos
- Visualizações:
Transcrição
1 5 MODELO DE PREDIÇÃO UTILIZADO REDES EURAIS 5.1. Introdução As redes neuras emulam certas característcas própras dos humanos, como a capacdade de memorzar e de assocar fatos. Se forem examnados com atenção aqueles problemas que não se podem expressar através de um algortmo, é possível observar que todos eles têm uma característca em comum: a experênca. O home é capaz de resolver estas stuações acudndo a experênca acumulada. Então, as redes neuras smulam um modelo artfcal e smplfcado do cérebro humano capaz de adqurr conhecmento através da experênca. A aprendzagem sgnfca que aqueles problemas que ncalmente não se podem resolver, podem ser resolvdos depos de se obter mas nformações acerca do problema. As redes neuronas consstem de undades de processamento que ntercambam dados ou nformação; utlzam-se para reconhecer padrões, nclundo magens, manuscrtos e seqüêncas de tempos (por exemplo: tendêncas fnanceras); e têm capacdade de apreender e melhorar seu funconamento Parâmetros Expermentas Analsados Rendmento Térmco O rendmento térmco ou efcênca de uma máquna térmca é uma magntude defnda como a razão entre a energa que desejamos obter de dta máquna e a energa que se deve fornecer para o seu funconamento. Desgnase com a letra grega, como apresentado na equação a segur.
2 Cap. 5: Modelo de Predção usando Redes euras P a g. 62 T, D G E E OBTIDA UTILIZADA... (7) Para o estudo do rendmento térmco em motores de combustão a equação anteror fca: T, D G P... (8) PCI D md +PCIG mg Onde: P é a potênca no exo do motor, W m T, D G D é o rendmento térmco do motor, é o vazão mássca de combustível desel, kg s m G é o vazão mássca de gás natural, kg s PCI D é o poder calorífco do desel, J / kg PCI G é o poder calorífco do gás natural, J / kg Consumo de Combustíves O Consumo de desel é um parâmetro assocado dretamente à efcênca do motor. o caso de funconamento com o gás natural, o desel cumpre a função de ncar a combustão dentro da câmara. O consumo de gás natural é um parâmetro que determna a taxa de substtução e, em conseqüênca, a economa por dmnução do consumo de desel Taxa de substtução A taxa de substtução representa a quantdade de desel que fo substtuída por gás natural. Como o desel e o gás natural têm característcas termo-físcas dferentes, a taxa de substtução é defnda com base na relação da vazão do desel atual e a vazão correspondente orgnal (operação 100% desel).
3 Cap. 5: Modelo de Predção usando Redes euras P a g. 63 md TSD 1 100% G... (9) $md,o TS é a taxa de substtução, % D G m D é o vazão mássca do desel, kg h m D.O é o vazão mássca orgnal de desel (100% desel), kg h Monóxdo de Carbono (CO) O monóxdo de carbono é um gás nodoro, ncolor e de sabor ácdo que tende a depostar-se nas zonas baxas por ser mas pesado que o ar. É um químco produzdo a partr da quema ncompleta de alguns combustíves fósses que contém carbono, como: a quema de carvão, gasolna, querosene, desel, propano ou madera. A quema pode ser em motores de combustão, grelha ou forno de carvão de lenha, sstemas de calefação, aquecedores de propano, estufas, aquecedores de água, etc. Quando nalado, o CO substtu o oxgêno no sangue e em conseqüênca, o coração, o cérebro e o corpo padecem sem este Hdrocarbonetos não quemados (HC) Os hdrocarbonetos não quemados são uma mstura de compostos que se produzem por falta de oxgêno no processo de combustão ncompleta de todo o hdrocarboneto fornecdo, formando a conhecda névoa fotogênca Óxdos de trogêno (O x ) A emssão deste tpo de poluente é Independente do processo de combustão, devdo a que em altas pressões e temperaturas, que se geram na câmara de combustão, o ntrogêno e o oxgêno presentes no ar reagem, dando lugar aos óxdos de ntrogêno. As altas temperaturas e o excesso de O 2 favorecem a aparção destes gases. Esta substânca é muto danosa para o meo ambente, sendo responsável pelo efeto estufa, além de provocar a destrução da camada de ozôno
4 Cap. 5: Modelo de Predção usando Redes euras P a g. 64 estratosférco. O O x é um gás ncolor, que rapdamente se combna com o O 2 na atmosfera formando O 2, que ao se decompor em contato com a água, produz ácdo ntroso (HO 2 ) e ácdo nítrco (HO 3 ) os quas são altamente corrosvos. Quando ascende à atmosfera e faz contato com a chuva, se forma a conhecda chuva ácda Parâmetros Avalados Para a avalação da rede neural foram utlzados os dados expermentas do trabalho de CUISAO 0. Os parâmetros foram os seguntes Varáves Independentes Rotação (1000 RPM, 1300 RPM, 1600 RPM, 1850 RPM, 2100 RPM e 2600 RPM). Carga (10%, 25%, 50%, 75% e 100%). Taxa de substtução (valores entre 0% e 90%) Varáves Dependentes Temperatura dos gases de escapamento. Consumo de ar. Emssões (CO, HC, Ox). Consumo de desel. Consumo de gás natural. Rendmento térmco Arqutetura do modelo da Rede euronal Um esquema de funconamento da rede pode ser observado no dagrama de blocos da
5 Cap. 5: Modelo de Predção usando Redes euras P a g. 65 Fgura 18. Fgura 18. Dagrama de blocos do funconamento da rede neural. Para poder modelar a rede neural, é necessáro determnar o tpo de arqutetura; neste caso optou-se por uma arqutetura de multcamadas. As redes multcamada são aquelas que dspõem de conjuntos de neurônos agrupados em város níves ou camadas. ormalmente todos os
6 Cap. 5: Modelo de Predção usando Redes euras P a g. 66 neurônos de uma camada recebem snas de entrada de outra camada anteror e envam os snas de saída para uma camada posteror. Às conexões se lhes denomnam feed-forward. A Fgura 19 mostra esta dstrbução. A partr de sua stuação dentro da rede, podem-se dstngur três tpos de camadas: De entrada: É a camada que recebe dretamente a nformação provenente das fontes externas da rede. Ocultas: São nternas à rede e não têm contato dreto com o entorno exteror. O número de níves ocultos pode ser zero, um ou mas. De Saída: Transferem nformação da rede para o exteror. Camada de Camada Oculta eurôno de 1 W 1-1 W 1-2 W 1- W Camada Saída eurôno de eurôno de 2 3 W 2-2 W 2-1 W 2-3 W 3-1 W 3-2 W 3-3 W 2- W W 1-2 W 1-1 W 1-3 W 2-2 W 3-2 W j-2 W 1-j 1 2 eurôno de Saída eurôno de Saída W j-2 eurôno de Pesos Snáptcos W j-3 W j- W j-1 j Pesos Snáptcos Fgura 19. Estrutura de uma rede multcamada. Para o modelo de rede escolhdo, têm-se duas arquteturas (Fgura 20 e Fgura 21). a prmera arqutetura (Fgura 20) tem-se uma dstrbução de três camadas (camada de entrada, oculta, e saída). Para a camada de entrada são fornecdos os dados expermentas para rede neural: Rotação (RPM). Porcentagem de carga (%). Vazão de ar Seco (kg/h). Vazão de gás natural (kg/h).
7 Cap. 5: Modelo de Predção usando Redes euras P a g. 67 Para a camada de saída tem-se: Rendmento térmco (%). Vazão de desel (kg/h). Temperatura dos gases de escapamento (ºC). Rotação Varáves de Porcentagem de Carga Vazão de Ar Seco Rendmento Térmco Vazão de Desel Temperatura de Escape Varáves de Saída Vazão de Gás atural Pesos Snáptcos Pesos Snáptcos Fgura 20. Prmero Modelo de Rede euronal a segunda arqutetura (Fgura 21) tem-se, também, uma dstrbução de três camadas (camada de entrada, oculta e saída). Para a camada de entrada são fornecdos os dados para rede neural: Rotação (RPM). Porcentagem de carga (%). Vazão de ar seco (kg/h). Vazão de consumo de gás natural (kg/h). Rendmento térmco (%). Temperatura dos gases de escapamento (ºC). E para a camada de saída temos: Emssões de CO (PPM). Emssões de HC (PPM). Emssões de O x (PPM).
8 Cap. 5: Modelo de Predção usando Redes euras P a g. 68 Rotação Porcentagem de Carga Varáves de Vazão de Ar Seco Vazão de Gás atural Emssões de CO Emssões de HC Emssões de Ox Varáves de Saída Rendmento Térmco Temperatura de Escape Pesos Snáptcos Pesos Snáptcos Fgura 21. Segundo Modelo de Rede euronal 5.5. Função de Atvação Para o modelo foram empregados os três tpos mas conhecdos de funções de atvação (Fgura 22). f(net) 1.0 f(net) 1.0 f(net) net net net (a) (b) (c) Fgura 22. Funções de Atvação: (a) Lnear, (b) Sgmóde, (c) Tangente Sgmóde. A Tabela 3 mostra as funções de atvação com cada parâmetro avalado. Tabela 3 Lsta das funções de atvação dos modelos neuronas. Varáves FUÇÃO DE ATIVAÇÃO CAMADA ETRADA - ESCODIDA CAMADA ESCODIDA - SAIDA Emssões de CO Tangente sgmóde Sgmóde Emssões de ox Tangente sgmóde Sgmóde Emssões de HC Tangente sgmóde Sgmóde Temperatura de Escape Tangente sgmóde Lnear Consumo de desel Tangente sgmóde Sgmóde Rendmento Térmco Tangente sgmóde Lnear Um neurôno pode estar atvo (exctado) ou natvo (não exctado); ou seja, que tem um estado de atvação. A função de atvação calcula o estado de atvdade de um neurôno; transformando as entrada em um valor (estado) de
9 Cap. 5: Modelo de Predção usando Redes euras P a g. 69 atvação, cujo ntervalo normalmente va de 0 até 1 ou de -1 até 1. Este é assm porque um neurôno pode estar totalmente natvo (0 ou -1) ou atvo (1). A função de atvação produz um novo estado de atvação de um neurôno a partr do estado atual que exsta e a combnação das entradas com os pesos das conexões (net). Cada uma das funções de atvação é mostrada a segur. Funções de Atvação Lnear f x net... (10) Funções de Atvação Sgmóde f x 1 1 e net... (11) Funções de Atvação Tangente Sgmóde f x e e x x e e x x... (12) Onde: net é o somatóro das multplcações de cada peso por sua respectva entrada. x valor da entrada da função é um parâmetro de aprendzagem 5.6. Mecansmos de Aprendzagem A aprendzagem pode ser compreendda como a modfcação de comportamento nduzdo pela nteração com o entorno, ou seja, como o resultado de experêncas conduz ao estabelecmento de novos modelos de resposta a estímulos externos. o cérebro humano o conhecmento se encontra na snapse (conexão que exstem entre neurônos bológcos). o caso das RA
10 Cap. 5: Modelo de Predção usando Redes euras P a g. 70 o conhecmento se encontra nos pesos das conexões entre neurônos. Todo processo de aprendzagem mplca em certo número de mudanças nestas conexões. Uma rede é trenada de manera que uns conjuntos de valores de entrada produzam a saída desejada. Durante o trenamento ou aprendzagem, os pesos se vão ajustando/modfcando gradualmente, até determnar aqueles que gerem as saídas desejadas. Exstem dos tpos de trenamento da RA: trenamento com supervsão e trenamento sem supervsão. o caso em questão, tem-se um trenamento supervsado, porque os dados de entrada são relaconados com uma saída desejada. A cada par de dados que representam os valores de entrada e saída desejada, dá-se o nome de par de trenamento. Fo usado o método conhecdo como Back-propagaton, baseado na generalzação da regra delta e, apesar das suas própras lmtações, têm amplado de forma consderável o ntervalo de aplcações nas redes neuronas. O algortmo de propagação Back-propagaton é uma regra de aprendzagem que se pode aplcar em modelos de redes com mas de duas camadas de células. Uma característca mportante deste algortmo é a representação nterna do conhecmento que é capaz de organzar na camada ntermedára das células para consegur qualquer correspondênca entre a entrada e a saída para a resolução do problema Processo de Convergênca Uma ferramenta padrão da estatístca conhecda como valdação cruzada fornece um prncpo orentador atraente onde, prmeramente, o conjunto de dados é dvddo aleatoramente em um conjunto de trenamento e num conjunto de teste. O conjunto de trenamento é dvddo adconalmente em dos subconjuntos dsjuntos. a) Subconjunto de estmação, usado para seleconar o modelo. b) Subconjunto de valdação, usado para testar ou valdar o modelo. O objetvo é valdar o modelo com um conjunto de dados dferentes daquele que fo usado para estmar os parâmetros. Desta forma, pode-se usar o conjunto de trenamento para valdar város canddatos e, assm, escolher o melhor. Porém, para evtar que o modelo ajuste excessvamente o subconjunto de valdação e lograr um bom desempenho de generalzação, o desempenho é
11 Raz do erro meo quadrátco [RMSE] Cap. 5: Modelo de Predção usando Redes euras P a g. 71 meddo sobre um subconjunto de teste, dferente do subconjunto de valdação. Assm a rede neural será seleconada por aquela que tenha o menor erro possível num ponto. Se. a partr deste ponto o erro dos dados de trenamento cresce, então o trenamento fnalza (Fgura 23) Epocas Trenamento Valdação Fgura 23. Valdação cruzada y/o convergênca de dados Métrcas do erro. Há város métodos de meddas de erro que permtem a comparação do desempenho da predção com os valores observados. Os dos métodos comumente usados são o RMSE (Raz do erro quadrátco médo) e o MAPE (Erro médo absoluto porcentual). Onde defnmos como: RMSE 1 y a... (13) 1 y a MAPE...(14) 1 a Onde: y = O valor prevsto.
12 Cap. 5: Modelo de Predção usando Redes euras P a g. 72 a = O valor observado/orgnal. = O número de observações. A desvantagem do RMSE é sua sensbldade a valores anômalos e a desvantagem da medda MAPE é que mpõe uma penaldade maor às prevsões que excedem os valores atuas do que àquelas que subestma. Vsto que RMSE e o MAPE apresentam vantagens e desvantagens, eles foram gualmente utlzados neste trabalho, admtndo-se que o menor desses valores ndca a prevsão mas precsa. Para auxlar no julgamento do desempenho de um modelo de regressão, THEIL propôs um índce conhecdo na lteratura como índce U-Thel. U Thel 1 1 y y a 1 1 a 2... (15) Onde: y = O valor prevsto. a = O valor observado/orgnal. = O número de observações. Onde o índce de desgualdade de Thel (U-Thel ) avala o ajuste da sére prevsta à sére orgnal. Quanto mas perto de zero, melhor o ajuste da sére prevsta em relação à sére orgnal. Porém, quando tem valores maores do que zero, próxmos a um, sgnfca que o modelo não conseguu fazer boas prevsões.
4 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 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 mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
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 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 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 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 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 maisRedes Neuronais (introdução)
Redes Neuronas (ntrodução) Vctor Lobo Introdução INÍCIO Programação Imperatva Explcta-se o algortmo Conjunto de nstruções S?? N S N Intelgênca Artfcal Usar o homem e a bologa como nspração Abordagem smbólca
Leia 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 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 maisCap.3 - Redes Neuronais Introdução e MLP V 3.0, V.Lobo, EN/ISEGI, 2005
Cap.3 - Redes Neuronas Introdução e MLP V 3., V.Lobo, EN/ISEGI, 25 Introdução INÍCIO Redes Neuronas (ntrodução) Programação Imperata Explcta-se o algortmo Conunto de nstruções S? N? N S Vctor Lobo Intelgênca
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 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 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 maisProblemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria.
Elementos de Engenhara Químca I II. Frações e Estequometra (problemas resolvdos) Problemas Propostos. Frações másscas, volúmcas ou molares. Estequometra.. Em 5 moles de Benzeno (C 6 H 6 ) quanto é que
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 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 maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia mais3 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 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 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 maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia 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 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 maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda
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 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 maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisCOEFICIENTE DE GINI: uma medida de distribuição de renda
UNIVERSIDADE DO ESTADO DE SANTA CATARINA ESCOLA SUPERIOR DE ADMINISTRAÇÃO E GERÊNCIA DEPARTAMENTO DE CIÊNCIAS ECONÔMICAS COEFICIENTE DE GINI: uma medda de dstrbução de renda Autor: Prof. Lsandro Fn Nsh
Leia maisCOMBUSTÃO. A termodinâmica permite um estudo elementar de combustão através da termoquímica.
COMBUSTÃO A termodnâmca permte um estudo elementar de combustão através da termoquímca. Aplcação de balanço de massa e energa (1º le) e de defenção de condções de equlíbro e sentdo de evoluções termodnâmcas
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia 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 maisAGÊNCIA NACIONAL DE ENERGIA ELÉTRICA ANEEL RESOLUÇÃO NORMATIVA Nº 62, DE 5 DE MAIO DE 2004
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA ANEEL RESOLUÇÃO NORMATIVA Nº 62, DE 5 DE MAIO DE 2004 Estabelece os procedmentos para o cálculo do montante correspondente à energa de referênca de empreendmento 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. UFRGS Insttuto de Matemátca
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia maisAprendizagem de Máquina
Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade
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 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 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 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 mais% Al 48 b) Alumínio que fica em solução. Precisamos calcular o equilíbrio da alumina com Al e O no aço:
1a Verfcação Refno dos s I EEIMVR-UFF, Setembro de 11 Prova A 1. Calcule o valor de γ no ferro, a 17 o C, com os dados fornecdos na prova. Vmos em aula que o 1% G e o γ estão relaconados através de 1%
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 mais3 Redes Neurais Auto-Associativas
44 3 Redes Neuras Auto-Assocatvas 3.1. Neurôno Artfcal Redes neuras artfcas são estruturas compostas por dversas undades processadoras, chamadas de neurônos artfcas, que são nterlgados através de conexões,
Leia maisResistores. antes de estudar o capítulo PARTE I
PARTE I Undade B 6 capítulo Resstores seções: 61 Consderações ncas 62 Resstênca elétrca Le de Ohm 63 Le de Joule 64 Resstvdade antes de estudar o capítulo Veja nesta tabela os temas prncpas do capítulo
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia 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 maisD = POLINÔMIO INTERPOLADOR DE NEWTON 1) DIFERENÇAS DIVIDIDAS 1.1) DIFERENÇAS DIVIDIDAS ORDINÁRIAS (D) Sejam n+1 pontos de uma função y = f(x):
POLINÔMIO INTERPOLAOR E NEWTON ) IFERENÇAS IVIIAS.) IFERENÇAS IVIIAS ORINÁRIAS () Sejam n pontos de uma função f():... n f( )... n - ferença dvdda de ordem zero: n n M - ferença dvdda de ordem um: M M
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia 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 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 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 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 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 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 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 maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisdo Semi-Árido - UFERSA
Unversdade Federal Rural do Sem-Árdo - UFERSA Temperatura e Calor Subêna Karne de Mederos Mossoró, Outubro de 2009 Defnção: A Termodnâmca explca as prncpas propredades damatéra e a correlação entre estas
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 maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia maisDENSIDADE DE BIODIESEL EM FUNÇÃO DA TEMPERATURA: EXPERIMENTAL X PREDIÇÃO
DENSIDADE DE BIODIESEL EM FUNÇÃO DA TEMPERATURA: EXPERIMENTAL X PREDIÇÃO A. M. M. BESSA 1 ; F. M. R. MESQUITA 1 ; F. R. DO CARMO 1 ; H.B.DE SANT ANA 1 E R.S.DE SANTIAGO-AGUIAR 1 1 Unversdade Federal do
Leia maisAprendizagem 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 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 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 maisREDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS
GOP/010 21 a 26 de Outubro de 2001 Campnas - São Paulo - Brasl GRUPO IX GRUPO DE ESTUDOS DE OPERAÇÕES DE SISTEMAS ELÉTRICOS REDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS Rosângela Balln
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 maisNotas de aulas de Sistemas de Transportes (parte 4)
1 Notas de aulas de Sstemas de Transportes (parte 4) Helo Marcos Fernandes Vana Tema: Demanda por transportes (2. o Parte) Conteúdo da parte 4 1 Acuráca (ou precsão) nas prevsões da demanda 2 Modelos sequencas
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 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 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 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 maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia 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 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 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 maisCQ110 : Princípios de FQ
CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?
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 maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
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 maisFísica 10 Questões [Difícil]
Físca Questões [Dfícl] - (UF MG) Um líqudo encontra-se, ncalmente, à temperatura T o, pressão P o e volume o, em um recpente fechado e solado termcamente do ambente, conforme lustra a fgura ao lado. Após
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 maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisMETODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO
Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento
Leia 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 maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
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 mais