Um estudo comparativo entre as funções de validação para agrupamento nebuloso de dados
|
|
- Esther da Silva Aranha
- 5 Há anos
- Visualizações:
Transcrição
1 IV Cogresso Braslero de Coputação CBCop 004 Itelgêca Artfcal U estudo coparatvo etre as fuções de valdação para agrupaeto ebuloso de dados Lela R. S. da Slva, Medaera, Mestre, CEFET-PR, Ferado Gode. Capas, Doutor, Ucap Abstract Ths paper presets a coparso of the a clusterg valdty dces adopted fuzzy clusterg. Fuzzy clusterg as at fdg a fuzzy partto of data sets expressed va a ebershp atrx to characterze a group structure, that s, a partto of a fte data set. Here the ebershp atrx s foud usg two clusterg algorths, Gustafso-Kessel (GK) ad Partcpatory Learg (AP), respectvely. Coparso of valdty dces s ade two crcustaces. The frst uses represetatve sythetc data sets suggested the lterature ad the secod the well-ow Irs Data. Idex Ters -- cluster valdty dces, fuzzy clusterg, partcpatory learg, usupervsed clusterg. I. INTRODUÇÃO problea de agrupaeto de dados é ecotrado e Outos cotextos por pesqusadores das as dversas áreas, refletdo a portâca de explorar e aalsar dados para se obter foração. As aplcações de téccas de agrupaeto de dados clue áreas coo coucação hoe áqua, recoheceto autoátco de objetos, edca, trasporte, geoprocessaeto, recursos aturas (agrcultura, florestas, geologa, eo abete), dústras (teste, speção e cotrole de qualdade e otage, odelage e cotrole de processos) [9]. Cotudo, os étodos de agrupaeto exstetes possue ltações e restrções de aplcação, coo é observado e [6], ode se ecotra ua coparação etre algortos de agrupaeto. O resultado do algorto de agrupaeto é ua partção do cojuto de dados. Esta partção pode ser ou rígda, co valores de fuções de pertêca e {0,} ou ebulosa, co valores de fuções de pertêca o tervalo [0,]. Para obter esta partção utas vezes presue-se a exstêca de c grupos. Surge, portato, a ecessdade de forular crtéros ou étodos quattatvos para ua avalação objetva dos resultados dos algortos de agrupaeto. Crtéros e étodos quattatvos se traduze e ídces que auxla a valdação dos agrupaetos realzados pelos algortos. O deal é obter u algorto de agrupaeto que seja capaz de corporar u ídce de valdação. Cotudo, este ada ão é o caso da grade aora dos algortos de agrupaeto. O objetvo deste trabalho é apresetar ua coparação das prcpas fuções (alteratvaete, ídces) de L. R. S. da Slva, (e-al: lela@d.cefetpr.br) F. Gode. (e-al: gode@dca.fee.ucap.br) valdação. Estas fuções são utlzadas para avalar as atrzes de pertêca de dos algortos de agrupaeto ebuloso de dados, Gustafso-Kessel (GK) e Apredzage Partcpatva (AP). Estes algortos fora escolhdos por ecotrare os grupos desejados para os cojutos de dados cosderados este trabalho e por forecere as partções a fora de ua atrz de pertêca ebulosa. Os algortos de agrupaeto GK e AP ão serão descrtos por estare fora do escopo deste artgo. Detalhes são forecdos e [4] e [0], respectvaete. Este artgo possu a segute orgazação: Após esta trodução, a Seção II resue as prcpas fuções de valdação propostas a lteratura. A Seção ΙΙΙ apreseta os resultados proporcoados pelas fuções de valdação a avalação das partções forecdas pelos algortos de agrupaeto. Na Seção IV, dscute-se e copara-se os resultados da seção ateror. A Seção V falza o artgo resudo suas prcpas coclusões e trabalhos futuros. II. FUNÇÃO DE VALIDAÇÃO Quado u algorto de agrupaeto ão cosdera u crtéro de valdação e sua estrutura, utlza-se de étodos para deterar o úero de grupos e a partção as adequada detre aquelas ecotradas. Estes étodos basease e fuções de valdação aplcadas sobre a partção. As fuções de valdação pode ser vstas coo dcadores da qualdade da partção va ídces de valdação. Estes ídces são os valores das fuções e dspoblza u odo de avalar resultados de agrupaeto. Os crtéros para defr ua partção acetável basea-se os três requstos ctados abaxo [7]:. Clara separação etre grupos resultates;. Ua deterada cocetração (coesão) de potos e toro do cetro de u grupo. 3. Meor úero de grupos possível, desde que tabé obedecedo aos requstos aterores. A segur resue-se os as portates ídces de valdação utlzados para avalar partções ebulosas. Observado que µ deota o grau de pertêca de x X, X={x...x }, ao -éso grupo represetado pelo seu cetro v. A atrz de pertêca [ µ ] defe ua partção de X.. deota ora Eucldaa. A. Partção etrópca - PE Ídce de partcoaeto etrópco (Parttog etropy) [3][]: 66
2 IV Cogresso Braslero de Coputação CBCop 004 c PE( U, c) = µ log a µ, < a <, () = = ode a é ua base logarítca. O ídce PE possu valores o tervalo [0, log a c], e é do tpo zadora, sto é, o valor de PE tede para 0 quado se tê grupos be defdos e X, sedo X u cojuto fto de dados {x...x }, e o úero de eleetos de X. U valor próxo do lte superor do tervalo (log a c), dca a ausêca de estruturas de grupos o cojuto de dados ou a capacdade do algorto de obtê-las. B. Xe-Be - XB Ídce de Xe-Be [6]: A fução de valdação XB pretede detfcar a copactação e a separação das classes de odo a ecotrar u úero óto de grupos. Etão a copactação de ua partção ebulosa é defda por (). c Cop = µ v x. () = = Se os cojutos de dados possuíre u baxo ídce de copactação, etão todas as classes são copactas e separadas uas das outras. A separação ou a edda de dstâca etre os cetros das classes de ua partção ebulosa é: Sep = v x. (3) A fução de valdação XB é defda coo a razão etre a copactação e a separação da partção ebulosa, sto é, defe-se XB =Cop/Sep. Logo, u valor pequeo para XB reflete u valor pequeo de copactação, pos µ será grade quado a dstâca v x for pequea. O valor óto de c é obtdo pela zação XB sobre c {, 3,..., c ax }. Assue-se que ao eor valor de XB correspode o úero acetável (alteratvaete, desejável) de classes. C. Fuuyaa-Sugeo - FS O Ídce de Fuuyaa-Sugeo [7][] é defdo coo: FS = c = = ( x v v v ) µ, (4) ode v é o cetro do vetor de X e A é ua atrz sétrca defda postva. Quado A = I, a dstâca será o quadrado da dstâca Eucldaa. Para copactar e separar be as classes espera-se valores pequeos para FS. O prero tero etre parêteses refere-se à copactação das classes, equato que o segudo refere-se à dstâca etre as classes. D. Coefcete de Partção - CP Ídce ou coefcete de partcoaeto (Parttog coeffcet) [3][]: c CP( U, c) = µ. (5) = = O valor de CP está o tervalo [/c, ], ode c é o úero de classes. Quado µ =/c, o ídce atge o seu eor A A Itelgêca Artfcal valor. U valor do ídce próxo de /c dca a ausêca de grupos o cojuto X cosderado. Os ídces CP e PE tê algus coveetes [3] tas coo:. Depede do úero de classes. O valor para CP é versaete proporcoal ao úero de classes e para o PE, o valor é dretaete proporcoal;. São sesíves ao parâetro, coo é o caso do algorto GK;. Não possue coexão dreta co os dados, vsto que estes ídces ão utlza o cojuto X. E. Partção pela Desdade Méda - AD Ídce de partção por desdade éda (Average partto desty) [][7][3]. A desdade éda é calculada de acordo co o segute: c S AD =, (6) c = [ det( F )] ode S é cohecda coo a "soa dos ebros dos cetros", calculada coo: T { x ( x v ) F ( x v ) < } S = µ, x (7) = ode o hpervolue da -ésa classe é deterado por h =[det (F )] /, sedo F, a atrz de covarâca relacoada ao cetro, sto é: l l l [ µ ] ( x v )( x v ) = F =, =,,..., c. N l [ µ ] = 0 Outros étodos de valdação de agrupaeto são estudados e [] [] [8] [] [3] [6]. Deve-se efatzar que, apesar dos avaços e das dferetes propostas a lteratura vsado ua avalação de grupos objetva e be deterada, preseteete ehu dos ídces de valdação é aceto co uadade. A próxa seção apreseta os ídces de valdação testados e cojuto de dados stétcos e e u cojuto de dados real. III. RESULTADOS No caso deste artgo, as fuções de valdação avalara as partções forecdas pelos algortos GK e AP. Estes algortos detera ua atrz de pertêca para cada cojuto de dados. Os algortos fora calzados aleatoraete. Para o algorto AP que é u algorto ão supervsoado, sto é, detera o úero de grupos, fo ecessáro ajustar o parâetro τ, de odo que, o úero de grupos desejado fosse ecotrado pelo algorto. A segur serão apresetados os ídces forecdos pelas fuções de valdação para os respectvos cojutos de dados. : é o valor que odula o quão ebulosa é a partção obtda. T (8) 67
3 IV Cogresso Braslero de Coputação CBCop 004 A. Cojuto dados (a) O prero cojuto de dados, Fg., fo sugerdo e [4] e costtu u caso co baxo grau de dfculdade. Devdo a esta característca, este cojuto é utlzado para verfcar se o algorto de agrupaeto e a fução de valdação estão coeretes. Parte-se do prcípo que qualquer algorto e fução possa ecotrar e valdar apropradaete os grupos cotdos este cojuto de dados.,00 0,80 0,60 0,40 0, o. de grupos Itelgêca Artfcal PC GK CP AP AD GK AD AP Fg.. Ídces das fuções de valdação (ax) para o cojuto de dados (a). Fg.. Cojuto de dados orgal e os respectvos grupos. TABELA I RESULTADO DAS FUNÇÕES DE VALIDAÇÃO PARA O CONJUNTO DE DADOS (a) o. Algortos Fução Grupos GK AP valor de τ Legeda: ax PE XB FS CP ax AD ax 0,09 0,09 0, 3 0,05 0,05 0,05 4 0, 0,4 0,05 5 0,7 0,8 0,0 0,3 0,5 3 0,0 0,0 4 0,43 0,0 5 0,43 0,0 0,85,38 3-8,6-8,5 4-6,85 -,9 5-5,9-7,67 0,89 0,88 3 0,96 0,96 4 0,88 0,64 5 0,79 0,36 790,06 70, ,65 587, ,7 89, ,8 34,8 : za fução; : axza fução; : úero de grupos desejado. A Fg. e Fg. apreseta grafcaete a Tabela I. Isto é, todos os ídces para as dferetes atrzes de pertêca deteradas pelos algortos de agrupaeto. Nestes gráfcos é possível vsualzar os úeros de grupos dcados pelas fuções de valdação para o cojuto de dados (a).,00 0,80 0,60 0,40 0, o. de grupos 5,00-5, ,00 - PE GK XP GK PE AP XB AP FG GK FG AP Fg. 3. Ídces das fuções de valdação () para o cojuto de dados (a). B. Cojuto de dados (b) O segudo cojuto apresetado a Fg. 4. ostra u cojuto de dados sugerdo e [5] que possu dos grupos dstates e co ua grade dfereça de desdade etre eles. O cojuto possu 3 potos, dvddos e 30 potos para o prero grupo e potos para o segudo. Este cojuto de dados te por prcpal objetvo avalar o coportaeto das fuções de valdação segudo a varação a desdade dos dados etre os grupos. Fg. 4. Cojuto de dados orgal e os respectvos grupos. TABELA II RESULTADO DAS FUNÇÕES DE VALIDAÇÃO PARA O CONJUNTO DE DADOS (B) o. Algortos Fução Grupos GK AP valor de τ PE XB FS 0,0 0,0 0,05 3 0,8 0, ,8 0, ,35 0,9 4 0,0 0,0 3 0,9 0,9 4 0, 0,6 5 0,54 0,0-5,68-5,3 3-7,9-7,5 68
4 IV Cogresso Braslero de Coputação CBCop 004 CP ax AD ax 4-8,35-8,5 5-8,34 -,33 0,99 0,99 3 0,74 0,73 4 0,64 0,64 5 0,58 0,4 39,3 905, ,77 538, , , ,89 853, C. Cojuto de dados (c) A Fg. 5. ostra u cojuto de dados uto seelhate ao sugerdo por [4]. Este cojuto de dados fo crado para verfcar o coportaeto das fuções de valdação date de u cojuto de dados que possua ua dstrbução quase elpsodal e grupos que teha ua sobreposção de potos. Ua observação portate a ser feta aqu cosste o fato de que abos os algortos de agrupaeto de dados escolhdos este artgo são capazes de ecotrar os grupos desejados cofore sugerdo pela Fg. 5. Itelgêca Artfcal D. Cojuto de dados Irs A Fg. 6. apreseta u cojuto de dados real (Írs [5]). Este cojuto é freqüeteete utlzado e testes de algortos de agrupaeto e de classfcação. O cojuto possu as eddas, e cetíetros, do copreto e da largura das sépalas e das pétalas, para 50 flores das espéces: Setosa, Verscolor e Vrgca. Nesta fgura apeas são apresetados os atrbutos as represetatvos, sto é, o prero e o tercero atrbuto, respectvaete. Este cojuto de dados possu duas classes que ão são learete separáves. Novaete aqu, os dos algortos de agrupaeto cosderados este artgo fora capazes de ecotrar os grupos desejados cofore sugerdo pela Fg. 6. Fg. 6. Cojuto de dados real e os respectvos grupos. Fg. 5. Cojuto de dados orgal e os respectvos grupos. TABELA III RESULTADO DAS FUNÇÕES DE VALIDAÇÃO PARA O CONJUNTO DE DADOS (c) o. Algortos Fução Grupos GK AP valor de τ PE XB FS CP ax AD ax 0, 0, 0,04 3 0,3 0,7 0,0 4 0,6 0, ,8 0,7 5 0,0 0, 3 0,0 0,5 4 0,6 0,34 5 0,78 0,73-0,35 0,55 3-8,57-0, 4-3,67-8,9 5-7,64-6,0 0,84 0,84 3 0,7 0,78 4 0,80 0,68 5 0,78 0,80 95,64 895, 3 806,9 38, , 086, ,3 3364,4 TABELA IV RESULTADO DAS FUNÇÕES DE VALIDAÇÃO PARA O CONJUNTO DE DADOS REAL o. Algortos Fução Grupos GK AP valor de τ PE XB FS CP ax AD ax 0,09 0,08 0,04 3 0,4 0,6 0,0 4 0, 0, 8 5 0,8 0,4 5 0,05 0,04 3 0,7 0,44 4 0,7 0,5 5 0,68 0,3-6,68-7,3 3-7,98-7,0 4-8, -7,34 5-6,99-5,89 0,88 0,89 3 0,8 0,79 4 0,75 0,73 5 0,66 0,47 79, , ,53 974, , , , ,6 IV. DISCUSSÃO SOBRE OS RESULTADOS A Tab. V resue os resultados, ou seja, os valores dos ídces obtdos a partr das fuções de valdação durate a avalação das partções (grupos, caracterzados pela atrz de pertêca) geradas pelos algortos de agrupaeto GK e 69
5 IV Cogresso Braslero de Coputação CBCop 004 AP. TABELA V NÚMERO ÓTIMO DE GRUPOS PROPOSTOS PELOS ÍNDICES DE VALIDAÇÃO Ídce Dados (a) Dados (b) grupos Dados (c) Dados reas o. óto de grupos ( GK e AP) PE 3 3 XB FS CP 3 3 AD Todos os ídces sugerra três grupos para o cojuto de dados (a). Por outro lado, o ídce FS dca ua partção co quatro grupos para o cojuto de dados (b), e o ídce AD foreceu duas respostas dsttas para duas fuções de pertêcas avalado o eso cojuto de dados, ode os resultados desejados sera dos grupos. No caso do cojuto de dados (c), apeas os ídces XB e FS sugerra três grupos, cofore desejado, sedo que estes resultados se ltara apeas para o algorto GK, ão repetdo o eso sucesso para a avalação das atrzes de pertêca obtda pelo algorto AP. Para o cojuto de dados reas soete o ídce AD dcou três grupos, cofore desejado. V. CONCLUSÃO Cofore resultados e dscussões das seções V e IV, otase que os ídces forecdos pelas fuções de valdação são fluecados pelas foras (cocetração de potos, potos learete separáves, sobreposção de potos) dos cojutos de dados e pela própra estrutura dos algortos de agrupaeto e as correspodetes partções. Os algortos ão supervsoados, caso ode ão se cohece o úero de grupos a pror, possue o problea de ajuste de algus parâetros, coo é o caso do algorto AP que possu o parâetro τ. Estes parâetros pode ser aalsados e deterados co o auxílo de fuções de valdação apresetados a Seção II, pos estas fuções pode dcar u valor acetável para o úero de grupos e, portato, o valor adequado para τ, por exeplo. Alteratvaete, é possível utlzar algortos geétcos para se deterar u valor acetável para o parâetro τ. Cotudo, e abos os casos o resultado depederá da escolha da fução de valdação. Coo se observa, aalsado os resultados da Seção III, a deteração de ua fução de valdação é ua questão que erece aprofudaeto e peraece e aberto. Este trabalho, através de ua coparação de fuções de valdação, evdecou eleetos portates para a cotudade da pesqusa a área. VI. REFERÊNCIA BIBLIOGRÁFICA [] A. B. Geva, "Herarchcal-fuzzy clusterg of teporal-patters ad ts applcato for te-seres predcto." Patter Recogto Letters. 4 ed, vol. 0, pp , dez Itelgêca Artfcal [] A. B. Geva, Geva, Y. Steberg, S. Brucar, ad Ge Nahu, "A coparso of cluster valdty crtera for a xture of oral dstrbuted data." Patter Recogto Letters. 5 ed, vol., pp. 5-59, a [3] C. T. L ad C. S. G. Lee, Neural fuzzy systes: a euro-fuzzy syergs to tellget systes. Lodo: Pretce Hall, 995. p [4] D. E., Gustafso, W. Kessel, "Fuzzy clusterg wth a fuzzy covarace atrx." I: Proc IEEE CDC ja. 0-, 979, Sa Dego, CA, 979. pp ,. : Bezde ad Pal, 99. [5] E. Aderso, "The rses of the gaspé pesula." Bullet of the Aerca Irs Socety. 9, pp. -5, 935. [6] E. de O. Araújo, "A heurstc adjustet to the calculato of the dsslarty the fc algorth. " I: Proc. 9th IFSA World Cogress ad 0th NAFIPS Iteratoal Coferece, jul. 5-8, Vacouver, Caada, v., 00. pp [7] I. Gath, A. B. Geva, "Usupervsed optal fuzzy clusterg." IEEE Trasactos Patter Aalyss ad Mache Itellgece, vol. PAMI-,. 7, pp , jul [8] J. C. Bezde, S. K. Pal ad R. Nhl. "Soe ew dexes of cluster valdty." IEEE Trasactos o Systes, Ma, ad Cyberetcs. part B: Cyberetcs. vol. 8,. 3, pp , ju [9] J. C. Bezde ad S. K. Pal, Fuzzy odels for patter recogto: ethods that search for structures data. New Yor: IEEE, 99. [0] L. R. S. da Slva, "Apredzage partcpatva e agrupaeto ebuloso de dados," estrado, dssertação, Dept. Faculdade de Egehara Elétrca, Uv. Estadual de Capas - Ucap, 003. [] M., Hald, Y. Batstas, M. Vazrgas, "O clusterg valdato techques." I: JIIS 7, pp [Ole]. Avalable: [] M. Roubes, "Fuzzy clusterg algorths ad ther cluster valdty. " Europea Joural of Operatoal Research, secod Euro IV. Specal Issue. vol. 0,. 3, pp , jul. 98. [3] R. N. Dave, "Valdatg fuzzy parttos obtaed trough c-shells clusterg." Patter Recogto Letters. 6 ed, vol. 7, pp , a [4] R. Yager, D. Flev, "Approxate clusterg va outa ethod." IEEE Trasactos o Systes, Ma ad Cyberetcs. vol. 4,. 8, pp , ago [5] U. Kaya ad M. Setes, "Exteded fuzzy clusterg algorths." I: ERIM Report Seres Research Maageet ERS LIS, publcado ovebro 000, Erasus Research Isttute of Maageet (ERIM)/ Faculdade Bedrjfsude. [Ole]. Avalable: pp. 4. [6] X. Xe, G. Be, "A valdty easure for fuzzy clusterg." Ig IEEE Trasactos Patter Aalyss ad Mache Itellgece. vol. 3,. 8, pp , 99. [7] Y. Fuuyaa, M. Sugeo, "A ew ethod for choosg the uber of clusters for fuzzy c-eas ethod." I Proc. 5 th Fuzzy Syste Syposu. 989, pp VII. BIOGRAFIA Lela Rolg Scarot da Slva was bor Medaera, Paraá, Brazl May 4, 977. She has a BSc degree fro the State Uversty of West Paraá, Uoeste, MSc degree fro the State Uversty of Capas, Ucap. She has bee wth Uguaçu ad curretly s wth CEFET-PR. Her a terest areas clude artfcal tellgece ad coputatoal tellgece. Ferado Gode was bor Vçosa, Mas Geras, Brazl August 9, 96. He s BSc Electrcal Egeerg, MSc Coputer Egeerg ad Autoato, ad PhD Systes Egeerg fro Case Wester Reserve Uversty, Clevelad, Oho, USA. Curretly he s professor of the Departet of Coputer Egeerg ad Autoato, Faculty of Electrcal ad Coputer Egeerg, State Uversty of Capas, Ucap, Capas, São Paulo. 70
Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)
7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve
Leia mais3- Autovalores e Autovetores.
MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 3- Autovalores e Autovetores. 3.- Autovetores e Autovalores de ua Matrz. 3.- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. 3.- Autovetores
Leia maisCAPÍTULO III. Aproximação de funções pelo método dos Mínimos Quadrados
Métodos Nuércos CAPÍULO III C. Balsa & A. Satos Aproxação de fuções pelo étodo dos Míos Quadrados. Algus cocetos fudaetas de Álgebra Lear Relebraos esta secção algus cocetos portates da álgebra Lear que
Leia maisBioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole
Teora da Correlação: Probleas relatvos à correlação são aqueles que procura estabelecer quão be ua relação lear ou de outra espéce descreve ou eplca a relação etre duas varáves. Se todos os valores as
Leia mais16 - PROBLEMA DO TRANSPORTE
Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,
Leia maisCapítulo 2. Aproximações de Funções
EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Capítulo Aproações de Fuções Há bascaete dos tpos de probleas de aproações: ) ecotrar ua fução as sples, coo u polôo, para aproar
Leia maisComo primeiro exemplo de uma relação de recorrência, consideremos a seguinte situação:
Relações de Recorrêcas - Notas de aula de CAP Prof. José Carlos Becceer. Ao 6. Ua Relação de Recorrêca ou Equação de Recorrêca defe ua fução por eo de ua epressão que clu ua ou as stâcas (eores) dela esa.
Leia maisCAPÍTULO III MÉTODOS DE RUNGE-KUTTA
PMR 40 Mecâca Coputacoal CAPÍTULO III MÉTODOS DE RUNGE-KUTTA São étodos de passo sples requere apeas dervadas de prera orde e pode forecer aproxações precsas co erros de trucaeto da orde de, 3, 4, etc.
Leia maisInstituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Índice Geral de Cursos (IGC)
Isttuto Nacoal de Estudos e Pesqusas Educacoas Aíso exera INEP stéro da Educação EC Ídce Geral de Cursos (IGC) O Ídce Geral de Cursos (IGC) é ua éda poderada dos cocetos dos cursos de graduação e pós-graduação
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisSUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Diego Veloso Uchôa
Nível Avaçado SUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Dego Veloso Uchôa É bastate útl e probleas de olpíada ode teos gualdades ou quereos ecotrar u valor de u soatóro fazeros substtuções por úeros coplexos
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia mais3- Autovalores e Autovetores.
MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Autovalores e Autovetores..- Autovetores e Autovalores de ua Matrz..- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. Cotuação da
Leia maisINFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES
INFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES . Populações depedetes co dstrbução oral População População,, Y,,Y ~ N, Y ~ N, Y ~ N, Obs. Se a dstrbução de e/ou Y ão for oral, os resultados são váldos aproxadaete.
Leia maisSOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINITAS-JM Balthazar- Maio Resolvendo um Problema de Condução de Calor
SOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINIAS-JM Balthazar- Mao 3 Resolvedo u Problea de Codução de Calor Para troduzr o étodo das dfereças ftas de ua fora prátca vaos cosderar u problea de codução
Leia maisProbabilidades como ferramentas de controle da quantidade de poluentes emitidos pelo tráfego de veículos motorizados
XXV Ecotro Nac. de Eg. de Produção Porto Alegre, RS, Brasl, 29 out a 0 de ov de 2005 Probabldades coo ferraetas de cotrole da quatdade de poluetes etdos pelo tráfego de veículos otorzados Luz Delca Castllo
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
Leia maisProgramação Paralela
rograação aralela FEU 4. Avalação de steas aralelos Defções Razão etre a velocdade de processaeto coseguda o sstea paralelo e a velocdade coseguda co u processador (pouca foração...) Efcêca Quocete do
Leia mais8. INFERÊNCIA PARA DUAS POPULAÇÕES
8 INFERÊNCIA PARA UA POPULAÇÕE 8 Populações depedetes co dstrbução oral População População, L, Y, L,Y ~ N, σ Y ~ N, σ σ σ Y ~ N, Obs e a dstrbução de e/ou Y ão for oral, os resultados são váldos aproxadaete
Leia maisCentro de massa Dinâmica do corpo rígido
Cetro de assa Dâca do corpo rígdo Nota: As fotografas assaladas co () fora retradas do lvro () A. Bello, C. Portela e H. Caldera Rtos e Mudaça, Porto edtora. As restates são retradas de Sears e Zeasky
Leia maisCentro de massa Dinâmica do corpo rígido
Cetro de assa Dâca do corpo rígdo Nota: As fotografas assaladas co () fora retradas do lvro () A. Bello, C. Portela e H. Caldera Rtos e Mudaça, Porto edtora. As restates são retradas de Sears e Zeasky
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisFísica 1 - Experiência 4 Lei de Hooke Prof.: Dr. Cláudio S. Sartori INTRODUÇÃO: Forma Geral dos Relatórios. Referências:
Físca 1 - Experêca 4 Le de Hooe Prof.: Dr. Cláudo S. Sartor ITRODUÇÃO: Fora Geral dos Relatóros É uto desejável que seja u cadero grade (forato A4) pautada co folhas eueradas ou co folhas eueradas e quadrculadas,
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisDISTRIBUIÇÃO HIPERGEOMÉTRICA
7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisDecomposição Lagrangeana com Geração de Colunas para o Problema de Programação Quadrática Binária Irrestrita
Decoposção Lagrageaa co Geração de Coluas para o Problea de Prograação Quadrátca Bára Irrestrta Geraldo Regs Maur,2, Luz Atoo Noguera Lorea 2 Cetro de Cêcas Agráras, Departaeto de Egehara Rural Uversdade
Leia maisConsideremos a fórmula que nos dá a área de um triângulo: = 2
6. Cálculo Derecal e IR 6.. Fução Real de Varáves Reas Cosdereos a órula que os dá a área de u trâulo: b h A( b h) Coo podeos vercar a área de u trâulo depede de duas varáves: base (b) e altura (h) Podeos
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. val@pucrs.br http://.pucrs.br/faat/val/ Estatístca: ua defção Coleção de úeros estatístcas O úero de carros veddos auetou e 30%. o país A taa de deseprego atge, este ês, 7,%. As ações
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisCAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES
CAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES. Dferecas de orde superor Tratareos apeas o caso das fuções de A R e R sedo que o caso geral das fuções de A R e R se obté a
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. val@at.ufrgs.br http://.at.ufrgs.br/~val/ Estatístca: ua defção Coleção de úeros estatístcas O úero de carros veddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%. As ações
Leia maisA ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões.
.pucrs.br/faat/val/.at.ufrgs.br/~val/ Prof. Lorí Val, Dr. val@at.ufrgs.br val@pucrs.br Coleção de úeros estatístcas O úe ro de carros ve ddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%.
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia maisOs Fundamentos da Física (8 a edição)
TEM ESPEI ENTRO DE MSS 1 Os Fudaetos da Físca (8 a edção) R MHO, N IOU E T OEDO Tea especal ENTRO DE MSS 1. etro de gradade e cetro de assa, 1. Propredade da cocetração de assas,. Propredade de setra,
Leia maisA ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões.
Prof. Lorí Val, Dr. val@at.ufrgs.br http://.at.ufrgs.br/~val/ Coleção de úeros estatístcas stcas O úero de carros veddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%. As ações a da Telebrás
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia mais6. Inferência para Duas Populações USP-ICMC-SME 2013
6. Iferêca ara Duas Poulações UP-ICMC-ME 3 8.. Poulações deedetes co dstrbução oral Poulação Poulação,,,, ~ N, ~ N, ~ N, Obs. e a dstrbução de e/ou ão for oral, os resultados são váldos aroxadaete. Testes
Leia mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 e 8 06/204 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Nuérco 3/64 INTRODUÇÃO E geral, experentos gera ua gaa de dados que
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia mais6 Formulação probabilística para problemas de acoplamento fluido mecânico
6 Forulação probablístca para probleas de acoplaeto ludo ecâco 6.. Itrodução Nesse capítulo do trabalho apreseta-se a orulação probablístca para probleas de acoplaeto ludo ecâco. Nu prero oeto são descrtos
Leia mais2.0 - MODELAGEM DA CARGA
GAT-23 2 a 26 de ubro de 2 Campas - São Paulo - Brasl G R U P O I V GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT RESERVA DE POTÊNCIA OPERATIVA - UMA METODOLOGIA DE TRANSIÇÃO A. A.
Leia mais5. Métricas para Definição de Níveis de Homogeneidade e Heterogeneidade em Sistemas Computacionais Distribuídos
étrcas para Defção de Níves de Hoogeedade e Heterogeedade e steas Coputacoas Dstrbuídos 5. étrcas para Defção de Níves de Hoogeedade e Heterogeedade e steas Coputacoas Dstrbuídos A heterogeedade dos recursos
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. P x t i x t i x t i x t i
Departaeto de Iforátca Dscpla: do Desepeho de Ssteas de Coputação Cadeas de Marov I Processos de Marov (ou PE Marovao) Sea u processo estocástco caracterzado pela seüêca de v.a s X(t ),,,, Sea X(t ) a
Leia maisPROBLEMA DE INCERTEZA EM SISTEMAS DINÂMICOS UTILIZANDO DEFUZZIFICAÇÃO PELO CENTROIDE
POSMEC 205 Smpóso do Programa de Pós-Graduação em Egehara Mecâca Faculdade de Egehara Mecâca Uversdade Federal de Uberlâda 8 e 9 de Novembro de 205, Uberlâda - MG PROBLEM DE INCERTEZ EM SISTEMS DINÂMICOS
Leia maisA análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.
Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisSumário. Mecânica. Sistemas de partículas
Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -
Leia maisPalavras-chave: Problemas de corte e empacotamento, carregamento de contêineres com múltiplos destinos, otimização combinatória, modelagem matemática.
1 ABORDAGENS PARA PROBEMAS DE CARREGAMENTO DE CONTÊINERES COM CONSIDERAÇÕES DE MÚTIPOS DESTINOS eoardo Juquera Realdo Morabto Dese Sato Yaashta Departaeto de Egehara de Produção Uversdade Federal de São
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisCAPÍTULO 1 SEMICONDUTORES HOMOGÉNEOS
CAPÍTULO 1 SEMICONDUTORES HOMOGÉNEOS Ca. 1 1 Problea SH1 Cosderar ua resstêca de gerâo de to co 1 de secção e 1 c de coreto que a 300 K areseta ua resstêca de 0 Ω. a) Calcular o valor da desdade de urezas,
Leia maisDISPOSITIVOS ELECTRÓNICOS. Problemas Resolvidos
DISPOSITIVOS ELECTRÓNICOS Probleas Resolvdos CAPÍTULO 1 SEMICONDUTORES HOMOGÉNEOS Ca. 1 1 Problea SH1 Cosderar ua resstêca de gerâo de to co 1 de secção e 1 c de coreto que a 300 K areseta ua resstêca
Leia maisOitava Lista de Exercícios
Uversdade Federal Rural de Perambuco Dscpla: Matemátca Dscreta I Professor: Pablo Azevedo Sampao Semestre: 07 Otava Lsta de Exercícos Lsta sobre defções dutvas (recursvas) e prova por dução Esta lsta fo
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisn. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.
5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 6 Equlíbro e o Potecal de Nerst Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisCálculo Numérico Interpolação Polinomial Ajuste de Curvas (Parte II)
Cálulo Nuéro Iterpolação Poloal Ajuste de Curvas (Parte II) Pro Jore Cavalat joreavalat@uvasedubr MATERIAL ADAPTADO DOS SLIDES DA DISCIPLINA CÁLCULO NUMÉRICO DA UFCG - wwwdsuedubr/~u/ Ajuste de Curvas
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia mais2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS
2 o CONGRSSO BRASILIRO D P&D M PTRÓLO & GÁS CORRLAÇÕS APLICADAS À PRDIÇÃO DA PRSSÃO D SATURAÇÃO FATOR VOLUM D FORMAÇÃO: STUDO D CASO BACIA POTIGUAR Novaes, W. S., Dutra Jr, T. V. 2, Selvam, P. V. P. 3,2,3
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ PROGRAMAÇÃO NÃO LINEAR COM PARÂMETROS FUZZY Luza Aala Pto Catão Akebo Yaaka DT FEEC UNICAMP CP: 60 3083-970 Capas SP Brasl
Leia maisRequisitos metrológicos de instrumentos de pesagem de funcionamento não automático
Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia maisAnais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN)
Aas do IX Cogresso Braslero de Redes Neuras / Itelgêca Coputacoal (IX CBRN) Socedade Braslera de Redes Neuras ABORDAGEM DE ALGORITMO COMPETITIVO IMPERIALISTA APLICADA À PROBLEMA DE OTIMIZAÇÃO EM ENGENHARIA
Leia maisn. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.
Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisA REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisA METHODOLOGY FOR DATA CLEANING OF WIND SPEED TIME SERIES
A METHODOLOGY FOR DATA CLEANING OF WIND SPEED TIME SERIES José F.M. Pessaha, Val L.O. Castella, Thataa J. Coceção, Debora D.J. Pea, Mara E. P. Macera CEPEL Cetro de Pesqsas de Eerga Elétrca fracsc@cepel.br
Leia mais2. NOÇÕES MATEMÁTICAS
. NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar
Leia maisUso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii
Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisQUESTÕES DISCURSIVAS Módulo
QUESTÕES DISCURSIVAS Módulo 0 009 D (FUVEST-SP 008 A fgura ao lado represeta o úero + o plao coplexo, sedo a udade agára Nessas codções, a detere as partes real e agára de e b represete e a fgura a segur
Leia maisCentro de massa, momento linear de sistemas de partículas e colisões
Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,
Leia maisCAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
Leia maisINTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA
INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação
Leia maisA PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA
Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo
Leia maisDetermine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período.
ESTATÍSTICA - 01 1. (UERJ 01) Téccos do órgão de trâsto recomedaram velocdade máxma de 80 km h o trecho de uma rodova ode ocorrem mutos acdetes. Para saber se os motorstas estavam cumprdo as recomedações,
Leia maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisRACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO
RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x
Leia mais