Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua"

Transcrição

1 Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua

2 Análise Multi-Critério Classificação continua (Lógica Fuzzy) Técnica AHP (Processo Analítico Hierárquico)

3 Análise Multi-Critério Classificação contínua

4 Classificação contínua Lógica convencional Paradoxo insolúvel Eu sempre minto. Áreas com declividade de 9,9% serão classificadas diferentemente de áreas com inclinação de 0,%, não importando as demais condições baixa Alta baixa média Alto 4 0 Muito baixa 5 0 abaixo média 7 0 Acima média 9 0 Muito alta 2 0

5 Classificação contínua A análise espacial em SIG será melhor realizada com uso da técnicas de classificação contínua, transformando os dados para o espaço de referência [0,] e processando-os por combinação numérica, através de média ponderada ou inferência fuzzy Ao invés de um mapa temático com limites rígidos gerados pelas operações booleanas, obtém-se uma superfície de decisão contínua. Isto permite construir cenários (por exemplo, risco de 0%, 20% ou 40%), que indicam os diferentes compromissos de tomada de decisão => maior flexibilidade e um entendimento muito maior sobre os problemas espaciais.

6 Lógica Fuzzy Lógica Fuzzy: Introduzida por Lofti Zadeh (960s), como um meio de modelar incertezas da linguagem natural Fuzzy Logic é uma extensão da lógica Booleana, que tem sido estendida para manipular o conceito de verdade parcial, isto é, valores compreendidos entre completamente verdadeiro e completamente falso. F(z) 0 Falso Verdade F z Lógica Boleana V 0 Falso Verdade F z Lógica Fuzzy V

7 Conjunto Fuzzy : Definição Um conjunto Fuzzy (S) é definido matematicamente como: onde: Z : S = (z, f(z)) Z é referido como o universo de discurso para o subconjunto Fuzzy S S é o conjunto Fuzzy em Z, expresso pelos pares ordenados [z, f(z)]. z Z, é um elemento do conjunto Z (primeiro elemento do par ordenado). f(z) é uma função que mapeia z em S, variando de 0 a (segundo elemento do par ordenado). Estabelece o grau de verdade: O valor Zero (0) é usado para representar a condição de Falsidade, O valor Um () é usado para representar a condição de Verdade, Valores intermediários são utilizados para representar o grau de verdade.

8 Conjuntos Fuzzy: exemplo Exemplo: Altura de Pessoas S um conjunto fuzzy ALTO, que responderá a pergunta: " a que grau uma pessoa z é alta? Z : S = (z, f(z)) especialistas 0, se f ( z) = ( z.5) /0.6, se z.5 se.5< z < 2. z 2. Exemplo: João é ALTO" = 0.38 f(z) BAIXO.5 2. ALTO z

9 Conjuntos Fuzzy: exemplo Outro exemplo - Declividade Declividade f(z) = 0 se z α f(z) = /[+ α(z β) 2 ] se α < z < β f(z) = se z β 0.2 f(z) = 0 se z f(z) = /[ (z 40) 2 ] se α < z < 40 f(z) =, se z 40 Mínimo (α) Máximo (β)

10 Mapeamento para fuzzy Na prática: Realizar mapeamento para espaço [0,] determinação de valores limites (mínimo e máximo) estabelecer função de mapeamento: linear, quadrática, sigmóide f(z) Análise Multi-Critério Campo de Amostras Grade de valores [0,] Superfície contínua

11 Operadores Fuzzy : E µ c = MIN (µ a, µ b, µ c,...) µ A, µ B, µ C,.. são os valores de pertinência nos mapas µ A µ B µ c = µ A E µ A 0,75 0,60 0,30 0,50 0,65 0,40 0,50 0,60 0,30 0,70 0,55 0,00 0,75 0,55 0,20 0,70 0,55 0,00 0,65 0,40,00 0,60 0,40 0,00 0,60 0,40 0,00 Saída controlada pelo menor valor de pertinência fuzzy ocorrendo em cada localização. Operador apropriado quando todas as evidências para uma devem estar presentes para a hipótese ser verdadeira.

12 Operadores Fuzzy : OU µ c = Max (µ a, µ b, µ c,...) µ A, µ B, µ C,.. são os valores de pertinência nos mapas µ A µ B µ c = µ A OU µ A 0,75 0,60 0,30 0,50 0,65 0,40 0,75 0,65 0,40 0,70 0,55 0,00 0,75 0,55 0,20 0,75 0,55 0,20 0,65 0,40,00 0,60 0,40 0,00 0,65 0,40,00 Saída controlada pelo maior valor de pertinência fuzzy ocorrendo em cada localização.

13 Operadores Fuzzy: Produto algébrico n µ c = µ i i= onde µ i éa função de pertinência para o i-ésimo mapa O valor dessa função combinada µ tende a ser muito pequeno, produto de valores entre 0 e. A saída é sempre menor que a menor contribuição. µ A µ B µ c 0,75 0,60 0,30 0,50 0,65 0,40 0,37 0,39 0,2 0,70 0,55 0,00 0,75 0,55 0,20 0,52 0,30 0,00 0,65 0,40,00 0,60 0,40 0,00 0,39 0,6 0,00

14 Operadores Fuzzy: Soma algébrica µ c = - (-µ i ) i= Nessa operação o resultado ésempre maior, ou igual, a maior contribuição do valor de pertinência fuzzy. Duas evidências pesam mais do que cada n - µ A uma individualmente. Por exemplo, a soma algébrica fuzzy de (0,75 e 0,50) é ( -0,75)*(- 0,50), que é igual a 0,875. 0,25 - µ ( -µ - µ µ A i ) c B i= 0,40 0,70 0,50 0,35 0,60 0,2 0,4 0,42 0,87 0,86 2 0,58 0,30 0,45,00 0,25 0,45 0,80 0,07 0,20 0,80 0,92 0,79 0,80 0,35 0,60 0,00 0,40 0,60,00 0,4 0,36 0,00 0,86 0,84,00

15 Exemplo Fuzzy em Legal

16 Exemplo: Transformação Fuzzy variável = expressao_booleana? expressao : (bool? Exp : exp2) ; { //Declaração Numerico cromo ("Amostras"); Numerico cromofuzzy ("Cromo_Fuzzy"); //Instanciação cromo = Recupere ( Nome= "Teores_Cromo" ); cromofuzzy = Novo (Nome = "Cromo_Fuzzy", ResX=30, ResY=30, Escala=50000, Min=0, Max=); //Operação cromofuzzy = (cromo < 0.20)? 0 : expressao } (cromo >.855)? : /( + (0.424 * ((cromo -.855)^2))); expressao2

17 Análise Multi-Critério Técnica AHP (Processo Analítico Hierárquico)

18 Suporte à Decisão - Conceitos Básicos Ł Decidir é escolher entre alternativas. Podemos encarar o processo de manipulação de dados num sistema de informação geográfica como uma forma de produzir diferentes hipóteses sobre o tema de estudo. O conceito fundamental dos vários modelos de tomada de decisão é o de racionalidade. Onde Ł indivíduos e organizações seguem um comportamento de escolha entre alternativas, baseado em critérios objetivos de julgamento, afim de satisfazer um nível pré-estabelecido de aspirações.

19 Suporte à Decisão - Conceitos Básicos Um modelo racional de tomada de decisão preconiza quatro passos: Definição do problema: formular o problema como uma necessidade de chegar a um novo estado. Busca de alternativas: estabelecer as diferentes alternativas (aqui consideradas como as diferentes possíveis soluções do problema) e deter minar um critério de avaliação. Avaliação de alternativas: cada alternativa de resposta é avaliada. Seleção de alternativas: as possíveis soluções são ordenadas, selecionando-se a mais desejável ou agrupando-se as melhores para uma avaliação posterior.

20 A Técnica AHP - Processo Analítico Hierárquico Quando temos diferentes fatores que contribuem para a nossa decisão, como fazer para determinar a contribuição relativa de cada um? Thomas Saaty (978) propôs, uma técnica de escolha baseada na lógica da comparação pareada, denominada Técnica AHP. Neste procedimento, os diferentes fatores que influenciam a tomada de decisão são comparados dois-a-dois, e um critério de importância relativa é atribuído ao relacionamento entre estes fatores, conforme uma escala pré-definida.

21 A Técnica AHP - Processo Analítico Hierárquico Escala de Valores AHP para Comparação Pareada 2,4,6,8 Valores intermediários entre julgamentos - possibilidade de compromissos adicionais.

22 AHP- Exemplo: Decidir sobre a compra de um SIG Fatores importantes: hardware, software, serviço de vendas

23 Matriz de Comparação Par-a-Par - Fator Hardware Passo - Importância relativa dos fatores entre sistemas. Critérios objetivos Hardware Sistema Sistema 2 Sistema 3 Sistema 4 8 Sistema 2 /4 6 Sistema 3 /8 /6 A matriz apresentada reflete o fato que o Sistema é moderadamente / essencialmente preferido em relação ao Sistema 2, e têm uma importância demonstrada / extrema com relação ao Sistema 3. Sistema Ł Sistema = Sistema 2 Ł Sistema 3 = 6 Sistema 2 Ł Sistema = /4 Sistema 3 Ł Sistema 2 = /6 Sistema 3 Ł Sistema = /8

24 Matriz de Comparação Par-a-Par - Fator Hardware Passo 2- Normalizar colunas Hardware Sistema Sistema 2 Sistema 3 Sistema 4 8 Sistema 2 /4 6 Sistema 3 /8 /6 Total,375 5,67 5 Hardware Sistema 0,727 0,774 0,533 Sistema 2 0,82 0,94 0,400 Sistema 3 0,09 0,032 0,067

25 Matriz de Comparação Par-a-Par - Fatores Passo 3- Média de cada linha normalizada representa as prioridades para as três opções alternativas, em relação ao fator Hardware (pesos do fator hardware de cada sistema Hardware Sistema Sistema 2 Sistema 3 Cálculo da média (0,727+ 0,774+0,533)/3 = (0,82+0,94+0,400)/3 = (0,09+0,032+ 0,067)/3 = Vetor de Média 0,678 0,259 0,063 Matriz de avaliação dos três fatores Fator Sistema Sistema 2 Sistema 3 hardware 0,678 0,259 0,063 Software 0,077 0,86 0,737 Serviço de ven. 0,653 0,25 0,096

26 Matriz de Comparação de Fatores Passo 4- Importância relativa entre os fatores. Fator hardware Software Serviço de ven. hardware /8 /5 Software 8 6 Serviço de ven. 5 /6 Total 4,292 7,20 Fator hardware Software Serviço vendas. Matriz normalizada 0,072 0,097 0,57 0,774 0,357 0,29 0,028 0,833 0,39

27 Matriz de Comparação de Fatores Passo 5- Pesos dos fatores. Fator hardware Software Serviço vendas. Cálculo da pesos (0, , ,028)/3 = (0,57 + 0, ,833)/3 = (0, ,29 + 0,39)/3 = Vetor de Média 0,066 0,726 0,208 Fator Matriz normalizada Sistema (0,066*0, ,726*0, ,208*0,653)= Sistema 2 (0,066*0, ,726*0,86 + 0,208*0,25)= 0,236 0,204 Sistema 3 (0,066*0, ,726*0, ,208*0,096)= 0,559 O sistema de maior peso, considerando os fatores utilizados, é o sistema 3. Então o mais adequado para aquisição

28 Consistência da seleção realizada Para aceitar o resultado deste processo, é necessário conhecer se há consistência na comparação pareada realizada. Neste caso o parâmetro para avaliar isto é denominado Razão de consistência Passo : Considere que os critérios atribuídos ao fator Hardware (tabela abaixo) foi justo Hardware Sistema Sistema 2 Sistema 3 Sistema 4 8 Sistema 2 /4 6 Sistema 3 /8 /6 Hardware Sistema Sistema 2 Sistema 3 Vetor de Média 0,678 0,259 0,063

29 Razão de consistência Passo 2: Calcula-se o vetor soma ponderada,000 4,000 8,000 0,678 0,250,000 6,000 * 0,259 0,25 0,67,000 0,063 =,000*0, ,000*0, ,000*0,063 = 2,28 0,250*0,678 +,000*0, ,000*0,063 = 0,807 0,25*0, ,67*0,259 +,000*0,063 = 0,9 Passo 3 : Calcula-se o vetor de consistência Vetor de consistência = 2,28/0,678 0,807/0,259 0,9/0,063 = 3,27 3,6 3,032 Passo 4 : Calcula-se o valor médio do vetor de consistência m = (3, ,6 + 3,032)/3 = 3,40

30 Razão de consistência A razão de consistência (RC) que é a tolerância permitida, é estimada pela expressão: RC = IC/IR Onde IC é o índice de consistência e IR é o índice aleatório conforme tabela abaixo. IC = (m -n) / (n-) onde n é o numero de fatores IC = (3,40 3) / (3-) = 0,070 n IR 0,00 0,58 0,90,2,24,32,4 RC = IC/IR = 0,070/0,58 = 0,2 Segundo o método desenvolvido por ss, o valor de RC deve ser menor que 0,0 para que a decisão seja consistente

31 Exemplo : potenciais à prospecção de Cromo. Superfícies normalizadas Critério de importância relativa

32 Exemplo : potenciais à prospecção de Cromo. Vetor de pesos Superfícies normalizadas Calculando-se a Razão de consistência, conforme mostrado anteriormente chegase : RC = IC/IR = 0,00695/0,58 = 0,02 Como o valor de RC < 0,0 conclui-se que a decisão foi consistente Mapa_pot_Cromo = O mapa final de potencialidade de cromo é obtido 0,3338*mapa_cromo + 0,0754*mapa_cobalto + 0,5907*mapa_geologia

33 Passos do AHP Passo : Comparar os critérios dois-a-dois Passo 2: Determinar vetor de consistência dos criterios Estimar Razão de consistência. Passo 3: Consistente se a Razão de consistência tiver probabilidade menor do que 0% Produzir os pesos (soma =.0) Fazer uma inferência por média ponderada

34 A Técnica AHP - Processo Analítico Hierárquico Interface

35 Abordagem Bayesiana

36 Abordagem Bayesiana Principal conceito: Probabilidade a priori e a posteriori Ocorrência de chuva no dia seguinte dado que a média 80 dias de chuva por ano no local. probabilidade a priori : P(chuva) = 80/365 Refinamento: dada uma certa época do ano a posteriori : Fator época do ano (F época do ano ) P(chuva época do ano) = P(chuva) * (F época do ano ) Outras evidências: choveu ontem, choveu hoje P(chuva evidência) = P(chuva) * (F época do ano ) * F dia anterior * F dia hoje pode ser tratado com a priori em relação a 2 2

37 Abordagem Bayesiana - Exemplos Ex. prospecção mineral Anomalia geoquímica de zinco Ł > 250 ppm Prob. A priori > 250 ppm Fatores (a posteriori) Mapa geológico rocha A e B Ł favorável rocha C e D Ł desfavorável Intensidade de assinatura geofísica Tipo de vegetação Baseado em conhecimento (Especialista pondera as evidências) Baseado em dados (dados históricos suficientes) Ex. 2 diagnostico médico Combinação de sintomas clínicos Ex. 2 Distribuição espacial de epicentros sísmicos. Combinação

38 Técnica Bayesiana Exemplo de aplicação - Considere o problema de se encontrar depósitos de um determinado mineral em uma região que possui uma área de km 2, e que já tenham sido identificados 200 depósitos nesta região. 2- A area foi dividida em celulas de km 2 e ocorre somente deposito em cada celula. Notação Ł N{} = contagem de unidades N{R} = unidades de área N{D} = 200 depósitos conhecidos com área de km 2. Densidade de depositos N{D}/N{R} = 200/0000=0.02 R probabilidade a priori P{D} = N{D}/N{R} = 0.02 A

39 Técnica Bayesiana Exemplo de aplicação Nova evidencia: Observou-se em mapa de anomalia magnética da região, que 80 dos 200 depósitos conhecidos ocorreram dentro da área de anomalia. P{D / A} > 0.02 P{D / A} < 0.02 Dado esta evidência, a probabilidade pode ser expressa por: A R R A D A D A D A R A D

40 Técnica Bayesiana P{D / A} é a probabilidade condicional de um deposito D dado que a célula está dentro da área de anomalia A. P{D A} = N{D A} / N{R} é a proporção da área total onde ocorre simultaneamente deposito e anomalia. P{A} = N{A} / N{R} A A D D A R A D R A D

41 Técnica Bayesiana A R A D A D P{D / A} = 80 / 3600 = 0,05 P{D} = 0.02 P{D / A} = 2,5 vezes maior que P{D} R A D A D Usando-se esta evidência, a exploração de novos depósitos do mesmo tipo, será muito mais eficiente e com uma área de pesquisa reduzida de km 2 para km 2. Anomalia (A) Não Anomalia (A) Depósito (D) N{D A} (80) N{D A} (20) D (200) Não Depósito (D) N{D A} (3420) N{D A} () D (9800) N{A} (3600) N{A} (6400) N{R} (0000)

42 Técnica Bayesiana P (posteriori) = P(priori) * (F evidência ) Pode-se expressar P{ D / A} em termos da P(priori) mais fator multiplicativo. Qual a probabilidade de uma célula estar na região de anomalia A, dado que esta célula contém um deposito? P{A / D} = 80/200=0.9 Dado que: P{A D} = P{D A} Probabilidade a posteriori de um depósito, dado que a célula esta na área de anomalia P(priori) * (Fator evidência )

43 Técnica Bayesiana P{A / D} = 80/200=0.9 P{A} = N{A} / N{R} = 3600 / 0000 = 0,36 0,9/0,36 = 2,5 Ł fator multiplicativo A presença de anomalia magnética, faz com que a probabilidade de deposito seja 2.5 vezes maior do que a probabilidade a priori. P{D / A} = 0,02 * 2,5 = 0,05

44 Técnica Bayesiana Probabilidade a posteriori da ocorrência de um deposito, dada a ausência da anomalia. P{A / D} = 20/200=0. P{A} = ( )/0000=0.64 = 0,/0,64 = 0,5625 Ł A probabilidade a posteriori da ocorrência de depósitos em posições onde não há anomalia magnética é vezes menor do que a probabilidade a priori. P{D / A} = 0.2* = Baseado em uma única fonte de evidência, podemos reduzir a área de pesquisa de km 2 para 3600 km 2, porque a chance de se encontrar depósito onde não há anomalia é significativamente menor (50 vezes) do que onde há anomalia.

45 Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua

46 Análise Multi-Critério Classificação continua (Lógica Fuzzy) Técnica AHP (Processo Analítico Hierárquico)

47 Análise Multi-Critério Classificação contínua

48 Classificação contínua Lógica convencional Paradoxo insolúvel Eu sempre minto. Áreas com declividade de 9,9% serão classificadas diferentemente de áreas com inclinação de 0,%, não importando as demais condições baixa Alta baixa média Alto 4 0 Muito baixa 5 0 abaixo média 7 0 Acima média 9 0 Muito alta 2 0

49 Classificação contínua A análise espacial em SIG será melhor realizada com uso da técnicas de classificação contínua, transformando os dados para o espaço de referência [0,] e processando-os por combinação numérica, através de média ponderada ou inferência fuzzy Ao invés de um mapa temático com limites rígidos gerados pelas operações booleanas, obtém-se uma superfície de decisão contínua. Isto permite construir cenários (por exemplo, risco de 0%, 20% ou 40%), que indicam os diferentes compromissos de tomada de decisão => maior flexibilidade e um entendimento muito maior sobre os problemas espaciais.

50 Lógica Fuzzy Lógica Fuzzy: Introduzida por Lofti Zadeh (960s), como um meio de modelar incertezas da linguagem natural Fuzzy Logic é uma extensão da lógica Booleana, que tem sido estendida para manipular o conceito de verdade parcial, isto é, valores compreendidos entre completamente verdadeiro e completamente falso. F(z) 0 Falso Verdade F z Lógica Boleana V 0 Falso Verdade F z Lógica Fuzzy V

51 Conjunto Fuzzy : Definição Um conjunto Fuzzy (S) é definido matematicamente como: onde: Z : S = (z, f(z)) Z é referido como o universo de discurso para o subconjunto Fuzzy S S é o conjunto Fuzzy em Z, expresso pelos pares ordenados [z, f(z)]. z Z, é um elemento do conjunto Z (primeiro elemento do par ordenado). f(z) é uma função que mapeia z em S, variando de 0 a (segundo elemento do par ordenado). Estabelece o grau de verdade: O valor Zero (0) é usado para representar a condição de Falsidade, O valor Um () é usado para representar a condição de Verdade, Valores intermediários são utilizados para representar o grau de verdade.

52 Conjuntos Fuzzy: exemplo Exemplo: Altura de Pessoas S um conjunto fuzzy ALTO, que responderá a pergunta: " a que grau uma pessoa z é alta? Z : S = (z, f(z)) especialistas 0, se f ( z) = ( z.5) /0.6, se z.5 se.5< z < 2. z 2. Exemplo: João é ALTO" = 0.38 f(z) BAIXO.5 2. ALTO z

53 Conjuntos Fuzzy: exemplo Outro exemplo - Declividade Declividade f(z) = 0 se z α f(z) = /[+ α(z β) 2 ] se α < z < β f(z) = se z β 0.2 f(z) = 0 se z f(z) = /[ (z 40) 2 ] se α < z < 40 f(z) =, se z 40 Mínimo (α) Máximo (β)

54 Mapeamento para fuzzy Na prática: Realizar mapeamento para espaço [0,] determinação de valores limites (mínimo e máximo) estabelecer função de mapeamento: linear, quadrática, sigmóide f(z) Análise Multi-Critério Campo de Amostras Grade de valores [0,] Superfície contínua

55 Operadores Fuzzy : E µ c = MIN (µ a, µ b, µ c,...) µ A, µ B, µ C,.. são os valores de pertinência nos mapas µ A µ B µ c = µ A E µ A 0,75 0,60 0,30 0,50 0,65 0,40 0,50 0,60 0,30 0,70 0,55 0,00 0,75 0,55 0,20 0,70 0,55 0,00 0,65 0,40,00 0,60 0,40 0,00 0,60 0,40 0,00 Saída controlada pelo menor valor de pertinência fuzzy ocorrendo em cada localização. Operador apropriado quando todas as evidências para uma devem estar presentes para a hipótese ser verdadeira.

56 Operadores Fuzzy : OU µ c = Max (µ a, µ b, µ c,...) µ A, µ B, µ C,.. são os valores de pertinência nos mapas µ A µ B µ c = µ A OU µ A 0,75 0,60 0,30 0,50 0,65 0,40 0,75 0,65 0,40 0,70 0,55 0,00 0,75 0,55 0,20 0,75 0,55 0,20 0,65 0,40,00 0,60 0,40 0,00 0,65 0,40,00 Saída controlada pelo maior valor de pertinência fuzzy ocorrendo em cada localização.

57 Operadores Fuzzy: Produto algébrico n µ c = µ i i= onde µ i éa função de pertinência para o i-ésimo mapa O valor dessa função combinada µ tende a ser muito pequeno, produto de valores entre 0 e. A saída é sempre menor que a menor contribuição. µ A µ B µ c 0,75 0,60 0,30 0,50 0,65 0,40 0,37 0,39 0,2 0,70 0,55 0,00 0,75 0,55 0,20 0,52 0,30 0,00 0,65 0,40,00 0,60 0,40 0,00 0,39 0,6 0,00

58 Operadores Fuzzy: Soma algébrica µ c = - (-µ i ) i= Nessa operação o resultado ésempre maior, ou igual, a maior contribuição do valor de pertinência fuzzy. Duas evidências pesam mais do que cada n - µ A uma individualmente. Por exemplo, a soma algébrica fuzzy de (0,75 e 0,50) é ( -0,75)*(- 0,50), que é igual a 0,875. 0,25 - µ ( -µ - µ µ A i ) c B i= 0,40 0,70 0,50 0,35 0,60 0,2 0,4 0,42 0,87 0,86 2 0,58 0,30 0,45,00 0,25 0,45 0,80 0,07 0,20 0,80 0,92 0,79 0,80 0,35 0,60 0,00 0,40 0,60,00 0,4 0,36 0,00 0,86 0,84,00

59 Exemplo Fuzzy em Legal

60 Exemplo: Transformação Fuzzy variável = expressao_booleana? expressao : (bool? Exp : exp2) ; { //Declaração Numerico cromo ("Amostras"); Numerico cromofuzzy ("Cromo_Fuzzy"); //Instanciação cromo = Recupere ( Nome= "Teores_Cromo" ); cromofuzzy = Novo (Nome = "Cromo_Fuzzy", ResX=30, ResY=30, Escala=50000, Min=0, Max=); //Operação cromofuzzy = (cromo < 0.20)? 0 : expressao } (cromo >.855)? : /( + (0.424 * ((cromo -.855)^2))); expressao2

61 Análise Multi-Critério Técnica AHP (Processo Analítico Hierárquico)

62 Suporte à Decisão - Conceitos Básicos Ł Decidir é escolher entre alternativas. Podemos encarar o processo de manipulação de dados num sistema de informação geográfica como uma forma de produzir diferentes hipóteses sobre o tema de estudo. O conceito fundamental dos vários modelos de tomada de decisão é o de racionalidade. Onde Ł indivíduos e organizações seguem um comportamento de escolha entre alternativas, baseado em critérios objetivos de julgamento, afim de satisfazer um nível pré-estabelecido de aspirações.

63 Suporte à Decisão - Conceitos Básicos Um modelo racional de tomada de decisão preconiza quatro passos: Definição do problema: formular o problema como uma necessidade de chegar a um novo estado. Busca de alternativas: estabelecer as diferentes alternativas (aqui consideradas como as diferentes possíveis soluções do problema) e deter minar um critério de avaliação. Avaliação de alternativas: cada alternativa de resposta é avaliada. Seleção de alternativas: as possíveis soluções são ordenadas, selecionando-se a mais desejável ou agrupando-se as melhores para uma avaliação posterior.

64 A Técnica AHP - Processo Analítico Hierárquico Quando temos diferentes fatores que contribuem para a nossa decisão, como fazer para determinar a contribuição relativa de cada um? Thomas Saaty (978) propôs, uma técnica de escolha baseada na lógica da comparação pareada, denominada Técnica AHP. Neste procedimento, os diferentes fatores que influenciam a tomada de decisão são comparados dois-a-dois, e um critério de importância relativa é atribuído ao relacionamento entre estes fatores, conforme uma escala pré-definida.

65 A Técnica AHP - Processo Analítico Hierárquico Escala de Valores AHP para Comparação Pareada 2,4,6,8 Valores intermediários entre julgamentos - possibilidade de compromissos adicionais.

66 AHP- Exemplo: Decidir sobre a compra de um SIG Fatores importantes: hardware, software, serviço de vendas

67 Matriz de Comparação Par-a-Par - Fator Hardware Passo - Importância relativa dos fatores entre sistemas. Critérios objetivos Hardware Sistema Sistema 2 Sistema 3 Sistema 4 8 Sistema 2 /4 6 Sistema 3 /8 /6 A matriz apresentada reflete o fato que o Sistema é moderadamente / essencialmente preferido em relação ao Sistema 2, e têm uma importância demonstrada / extrema com relação ao Sistema 3. Sistema Ł Sistema = Sistema 2 Ł Sistema 3 = 6 Sistema 2 Ł Sistema = /4 Sistema 3 Ł Sistema 2 = /6 Sistema 3 Ł Sistema = /8

68 Matriz de Comparação Par-a-Par - Fator Hardware Passo 2- Normalizar colunas Hardware Sistema Sistema 2 Sistema 3 Sistema 4 8 Sistema 2 /4 6 Sistema 3 /8 /6 Total,375 5,67 5 Hardware Sistema 0,727 0,774 0,533 Sistema 2 0,82 0,94 0,400 Sistema 3 0,09 0,032 0,067

69 Matriz de Comparação Par-a-Par - Fatores Passo 3- Média de cada linha normalizada representa as prioridades para as três opções alternativas, em relação ao fator Hardware (pesos do fator hardware de cada sistema Hardware Sistema Sistema 2 Sistema 3 Cálculo da média (0,727+ 0,774+0,533)/3 = (0,82+0,94+0,400)/3 = (0,09+0,032+ 0,067)/3 = Vetor de Média 0,678 0,259 0,063 Matriz de avaliação dos três fatores Fator Sistema Sistema 2 Sistema 3 hardware 0,678 0,259 0,063 Software 0,077 0,86 0,737 Serviço de ven. 0,653 0,25 0,096

70 Matriz de Comparação de Fatores Passo 4- Importância relativa entre os fatores. Fator hardware Software Serviço de ven. hardware /8 /5 Software 8 6 Serviço de ven. 5 /6 Total 4,292 7,20 Fator hardware Software Serviço vendas. Matriz normalizada 0,072 0,097 0,57 0,774 0,357 0,29 0,028 0,833 0,39

71 Matriz de Comparação de Fatores Passo 5- Pesos dos fatores. Fator hardware Software Serviço vendas. Cálculo da pesos (0, , ,028)/3 = (0,57 + 0, ,833)/3 = (0, ,29 + 0,39)/3 = Vetor de Média 0,066 0,726 0,208 Fator Matriz normalizada Sistema (0,066*0, ,726*0, ,208*0,653)= Sistema 2 (0,066*0, ,726*0,86 + 0,208*0,25)= 0,236 0,204 Sistema 3 (0,066*0, ,726*0, ,208*0,096)= 0,559 O sistema de maior peso, considerando os fatores utilizados, é o sistema 3. Então o mais adequado para aquisição

72 Consistência da seleção realizada Para aceitar o resultado deste processo, é necessário conhecer se há consistência na comparação pareada realizada. Neste caso o parâmetro para avaliar isto é denominado Razão de consistência Passo : Considere que os critérios atribuídos ao fator Hardware (tabela abaixo) foi justo Hardware Sistema Sistema 2 Sistema 3 Sistema 4 8 Sistema 2 /4 6 Sistema 3 /8 /6 Hardware Sistema Sistema 2 Sistema 3 Vetor de Média 0,678 0,259 0,063

73 Razão de consistência Passo 2: Calcula-se o vetor soma ponderada,000 4,000 8,000 0,678 0,250,000 6,000 * 0,259 0,25 0,67,000 0,063 =,000*0, ,000*0, ,000*0,063 = 2,28 0,250*0,678 +,000*0, ,000*0,063 = 0,807 0,25*0, ,67*0,259 +,000*0,063 = 0,9 Passo 3 : Calcula-se o vetor de consistência Vetor de consistência = 2,28/0,678 0,807/0,259 0,9/0,063 = 3,27 3,6 3,032 Passo 4 : Calcula-se o valor médio do vetor de consistência m = (3, ,6 + 3,032)/3 = 3,40

74 Razão de consistência A razão de consistência (RC) que é a tolerância permitida, é estimada pela expressão: RC = IC/IR Onde IC é o índice de consistência e IR é o índice aleatório conforme tabela abaixo. IC = (m -n) / (n-) onde n é o numero de fatores IC = (3,40 3) / (3-) = 0,070 n IR 0,00 0,58 0,90,2,24,32,4 RC = IC/IR = 0,070/0,58 = 0,2 Segundo o método desenvolvido por ss, o valor de RC deve ser menor que 0,0 para que a decisão seja consistente

75 Exemplo : potenciais à prospecção de Cromo. Superfícies normalizadas Critério de importância relativa

76 Exemplo : potenciais à prospecção de Cromo. Vetor de pesos Superfícies normalizadas Calculando-se a Razão de consistência, conforme mostrado anteriormente chegase : RC = IC/IR = 0,00695/0,58 = 0,02 Como o valor de RC < 0,0 conclui-se que a decisão foi consistente Mapa_pot_Cromo = O mapa final de potencialidade de cromo é obtido 0,3338*mapa_cromo + 0,0754*mapa_cobalto + 0,5907*mapa_geologia

77 Passos do AHP Passo : Comparar os critérios dois-a-dois Passo 2: Determinar vetor de consistência dos criterios Estimar Razão de consistência. Passo 3: Consistente se a Razão de consistência tiver probabilidade menor do que 0% Produzir os pesos (soma =.0) Fazer uma inferência por média ponderada

78 A Técnica AHP - Processo Analítico Hierárquico Interface

79 Abordagem Bayesiana

80 Abordagem Bayesiana Principal conceito: Probabilidade a priori e a posteriori Ocorrência de chuva no dia seguinte dado que a média 80 dias de chuva por ano no local. probabilidade a priori : P(chuva) = 80/365 Refinamento: dada uma certa época do ano a posteriori : Fator época do ano (F época do ano ) P(chuva época do ano) = P(chuva) * (F época do ano ) Outras evidências: choveu ontem, choveu hoje P(chuva evidência) = P(chuva) * (F época do ano ) * F dia anterior * F dia hoje pode ser tratado com a priori em relação a 2 2

81 Abordagem Bayesiana - Exemplos Ex. prospecção mineral Anomalia geoquímica de zinco Ł > 250 ppm Prob. A priori > 250 ppm Fatores (a posteriori) Mapa geológico rocha A e B Ł favorável rocha C e D Ł desfavorável Intensidade de assinatura geofísica Tipo de vegetação Baseado em conhecimento (Especialista pondera as evidências) Baseado em dados (dados históricos suficientes) Ex. 2 diagnostico médico Combinação de sintomas clínicos Ex. 2 Distribuição espacial de epicentros sísmicos. Combinação

82 Técnica Bayesiana Exemplo de aplicação - Considere o problema de se encontrar depósitos de um determinado mineral em uma região que possui uma área de km 2, e que já tenham sido identificados 200 depósitos nesta região. 2- A area foi dividida em celulas de km 2 e ocorre somente deposito em cada celula. Notação Ł N{} = contagem de unidades N{R} = unidades de área N{D} = 200 depósitos conhecidos com área de km 2. Densidade de depositos N{D}/N{R} = 200/0000=0.02 R probabilidade a priori P{D} = N{D}/N{R} = 0.02 A

83 Técnica Bayesiana Exemplo de aplicação Nova evidencia: Observou-se em mapa de anomalia magnética da região, que 80 dos 200 depósitos conhecidos ocorreram dentro da área de anomalia. P{D / A} > 0.02 P{D / A} < 0.02 Dado esta evidência, a probabilidade pode ser expressa por: A R R A D A D A D A R A D

84 Técnica Bayesiana P{D / A} é a probabilidade condicional de um deposito D dado que a célula está dentro da área de anomalia A. P{D A} = N{D A} / N{R} é a proporção da área total onde ocorre simultaneamente deposito e anomalia. P{A} = N{A} / N{R} A A D D A R A D R A D

85 Técnica Bayesiana A R A D A D P{D / A} = 80 / 3600 = 0,05 P{D} = 0.02 P{D / A} = 2,5 vezes maior que P{D} R A D A D Usando-se esta evidência, a exploração de novos depósitos do mesmo tipo, será muito mais eficiente e com uma área de pesquisa reduzida de km 2 para km 2. Anomalia (A) Não Anomalia (A) Depósito (D) N{D A} (80) N{D A} (20) D (200) Não Depósito (D) N{D A} (3420) N{D A} () D (9800) N{A} (3600) N{A} (6400) N{R} (0000)

86 Técnica Bayesiana P (posteriori) = P(priori) * (F evidência ) Pode-se expressar P{ D / A} em termos da P(priori) mais fator multiplicativo. Qual a probabilidade de uma célula estar na região de anomalia A, dado que esta célula contém um deposito? P{A / D} = 80/200=0.9 Dado que: P{A D} = P{D A} Probabilidade a posteriori de um depósito, dado que a célula esta na área de anomalia P(priori) * (Fator evidência )

87 Técnica Bayesiana P{A / D} = 80/200=0.9 P{A} = N{A} / N{R} = 3600 / 0000 = 0,36 0,9/0,36 = 2,5 Ł fator multiplicativo A presença de anomalia magnética, faz com que a probabilidade de deposito seja 2.5 vezes maior do que a probabilidade a priori. P{D / A} = 0,02 * 2,5 = 0,05

88 Técnica Bayesiana Probabilidade a posteriori da ocorrência de um deposito, dada a ausência da anomalia. P{A / D} = 20/200=0. P{A} = ( )/0000=0.64 = 0,/0,64 = 0,5625 Ł A probabilidade a posteriori da ocorrência de depósitos em posições onde não há anomalia magnética é vezes menor do que a probabilidade a priori. P{D / A} = 0.2* = Baseado em uma única fonte de evidência, podemos reduzir a área de pesquisa de km 2 para 3600 km 2, porque a chance de se encontrar depósito onde não há anomalia é significativamente menor (50 vezes) do que onde há anomalia.

AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP

AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP Edson de Oliveira Pamplona, Dr. Escola Federal de Engenharia de Itajubá Av. BPS, 1303 Itajubá, MG CEP: 37500-000 e-mail: pamplona@iem.efei.br Prof.

Leia mais

PROPOSTA DE UM MODELO PARA ESCOLHA DE SOLUÇÕES DE GERENCIAMENTO EM AMBIENTES CRÍTICOS UTILIZANDO MÉTODO AHP

PROPOSTA DE UM MODELO PARA ESCOLHA DE SOLUÇÕES DE GERENCIAMENTO EM AMBIENTES CRÍTICOS UTILIZANDO MÉTODO AHP PROPOSTA DE UM MODELO PARA ESCOLHA DE SOLUÇÕES DE GERENCIAMENTO EM AMBIENTES CRÍTICOS UTILIZANDO MÉTODO AHP Autor: Edmilson de Novais Silva Orientador: Prof. Dr. Marcelo Duduchi 1 Introdução Objetivo Aplicar

Leia mais

Organizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU

Organizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

I.3 Indução de Árvores de Decisão

I.3 Indução de Árvores de Decisão I.3 Indução de Árvores de Decisão Nesta seção serão apresentados alguns conceitos básicos da técnica de indução de árvores de decisão a partir de um exemplo sobre o efeito dos raios solares sobre algumas

Leia mais

ANALISE COMBINATORIA Um pouco de probabilidade

ANALISE COMBINATORIA Um pouco de probabilidade ANALISE COMBINATORIA Um pouco de probabilidade Programa Pró-Ciência Fapesp/IME-USP-setembro de 1999 Antônio L. Pereira -IME USP (s. 234A) tel 818 6214 email:alpereir@ime.usp.br 1 Um carro e dois bodes

Leia mais

Este trabalho tem como objetivo propor um modelo multicritério para a priorização dos modos de falha indicados a partir de uma aplicação do processo

Este trabalho tem como objetivo propor um modelo multicritério para a priorização dos modos de falha indicados a partir de uma aplicação do processo 1 Introdução A atual regulamentação do setor elétrico brasileiro, decorrente de sua reestruturação na última década, exige das empresas o cumprimento de requisitos de disponibilidade e confiabilidade operativa

Leia mais

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar

Leia mais

INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1

INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1 1 INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1 1. Origem histórica É possível quantificar o acaso? Para iniciar,

Leia mais

A probabilidade representa o resultado obtido através do cálculo da intensidade de ocorrência de um determinado evento.

A probabilidade representa o resultado obtido através do cálculo da intensidade de ocorrência de um determinado evento. Probabilidade A probabilidade estuda o risco e a ocorrência de eventos futuros determinando se existe condição de acontecimento ou não. O olhar da probabilidade iniciou-se em jogos de azar (dados, moedas,

Leia mais

6 Construção de Cenários

6 Construção de Cenários 6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.

Leia mais

Teoria da Decisão MÉTODOS QUANTITATIVOS DE GESTÃO

Teoria da Decisão MÉTODOS QUANTITATIVOS DE GESTÃO Teoria da Decisão MÉTODOS QUANTITATIVOS DE GESTÃO INTRODUÇÃO Todo problema de decisão envolve julgamento sobre um conjunto conhecido de alternativas; Informações Disponíveis (Dados) Conhecidos com certeza;

Leia mais

MÉTODOS ANALÍTICOS PARA TOMADA DE DECISÃO NA TRANSPOSIÇÃO DE OBSTÁCULOS POR FAIXAS DE DUTOS

MÉTODOS ANALÍTICOS PARA TOMADA DE DECISÃO NA TRANSPOSIÇÃO DE OBSTÁCULOS POR FAIXAS DE DUTOS MÉTODOS ANALÍTICOS PARA TOMADA DE DECISÃO NA TRANSPOSIÇÃO DE OBSTÁCULOS POR FAIXAS DE DUTOS Fabio Vinicius Fontoura Gil Fabio Vinicius Fontoura Gil - fabio@esteio.com.br é Agrimensor (Unicamp) e Engenheiro

Leia mais

Algoritmos Computacionais ( Programas )

Algoritmos Computacionais ( Programas ) Algoritmos Computacionais ( Programas ) A partir deste tópico, consideramos a utilização do universo Computacional na solução de problemas. Para tanto devemos lembrar que a transposição de problemas do

Leia mais

Método para aplicação de modelos de melhoria e avaliação do processo de desenvolvimento de software em sistemas críticos de segurança.

Método para aplicação de modelos de melhoria e avaliação do processo de desenvolvimento de software em sistemas críticos de segurança. Método para aplicação de modelos de melhoria e avaliação do processo de desenvolvimento de software em sistemas críticos de segurança. Eng. Christian Becker Bueno de Abreu Prof. Dr. Paulo Sérgio Cugnasca

Leia mais

Hardware de Computadores

Hardware de Computadores Sistema Binário Hardware de Computadores O sistema binário é um sistema de numeração posicional em que todas as quantidades são representadas, utilizando-se como base as cifras: zero e um (0 e 1). Os computadores

Leia mais

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses

Leia mais

Relações mais harmoniosas de convívio com a natureza; O mundo como um modelo real que necessita de abstrações para sua descrição; Reconhecimento de

Relações mais harmoniosas de convívio com a natureza; O mundo como um modelo real que necessita de abstrações para sua descrição; Reconhecimento de Relações mais harmoniosas de convívio com a natureza; O mundo como um modelo real que necessita de abstrações para sua descrição; Reconhecimento de padrões espaciais; Controle e ordenação do espaço. Técnicas

Leia mais

Para construção dos modelos físicos, será estudado o modelo Relacional como originalmente proposto por Codd.

Para construção dos modelos físicos, será estudado o modelo Relacional como originalmente proposto por Codd. Apresentação Este curso tem como objetivo, oferecer uma noção geral sobre a construção de sistemas de banco de dados. Para isto, é necessário estudar modelos para a construção de projetos lógicos de bancos

Leia mais

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS Mayara Condé Rocha Murça TRA-53 Logística e Transportes Setembro/2013 Introdução Estimativas acuradas do volume de produtos e serviços processados pela

Leia mais

MODELAGEM DIGITAL DE SUPERFÍCIES

MODELAGEM DIGITAL DE SUPERFÍCIES MODELAGEM DIGITAL DE SUPERFÍCIES Prof. Luciene Delazari Grupo de Pesquisa em Cartografia e SIG da UFPR SIG 2012 Introdução Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais

Leia mais

Curso de Engenharia de Sistemas e Informática - 5º Ano. Ficha T. Prática n.º 1

Curso de Engenharia de Sistemas e Informática - 5º Ano. Ficha T. Prática n.º 1 Análise Inteligente de Dados Objectivo: Curso de Engenharia de Sistemas e Informática - 5º Ano Ficha T. Prática n.º 1 Estudo do paradigma multidimensional com introdução de uma extensão ao diagrama E/R

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

A Utilização do método AHP para traçar, como ferramenta para o auxilio a decisão de um candidato, a escolha de um curso de engenharia

A Utilização do método AHP para traçar, como ferramenta para o auxilio a decisão de um candidato, a escolha de um curso de engenharia A Utilização do método AHP para traçar, como ferramenta para o auxilio a decisão de um candidato, a escolha de um curso de engenharia Andreia Mingroni Besteiro Giovani Paiva Valeria Miucciato Jomar Bueno

Leia mais

Engenharia de Software II

Engenharia de Software II Engenharia de Software II Aula 27 http://www.ic.uff.br/~bianca/engsoft2/ Aula 27-26/07/2006 1 Ementa Processos de desenvolvimento de software Estratégias e técnicas de teste de software Métricas para software

Leia mais

Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF

Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF Inteligência Artificial Prof. Marcos Quinet Pólo Universitário de Rio das Ostras PURO Universidade Federal Fluminense UFF No capítulo anterior... Estratégias de busca auxiliadas por heurísticas (A*, BRPM)

Leia mais

Introdução aos cálculos de datas

Introdução aos cálculos de datas Page 1 of 7 Windows SharePoint Services Introdução aos cálculos de datas Aplica-se a: Microsoft Office SharePoint Server 2007 Ocultar tudo Você pode usar fórmulas e funções em listas ou bibliotecas para

Leia mais

2. Método de Monte Carlo

2. Método de Monte Carlo 2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.

Leia mais

SAD orientado a MODELO

SAD orientado a MODELO Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a MODELO DISCIPLINA: Sistemas de Apoio a Decisão SAD Orientado a Modelo De acordo com ALTER

Leia mais

Bioestatística Aula 3

Bioestatística Aula 3 Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento

Leia mais

REDES BAYESIANAS. Palavras-chave: Redes bayesianas, Grafo, Estrutura de Dados, Inteligência artificial.

REDES BAYESIANAS. Palavras-chave: Redes bayesianas, Grafo, Estrutura de Dados, Inteligência artificial. REDES BAYESIANAS Gabriel Rigo da Cruz Jacobsen gabrielrigoj@gmail.com Prof. Leonardo Sommariva, Estrutura de Dados RESUMO: Uma rede bayesiana é uma forma de representar o conhecimento de um domínio onde

Leia mais

Métodos computacionais

Métodos computacionais Métodos computacionais Métodos Computacionais: Dependem de computadores para o cálculo de recurso/reserva e fazem uso de funções matemática de interpolação, as quais são aplicadas para o cálculo de teor

Leia mais

Medidas e Incertezas

Medidas e Incertezas Medidas e Incertezas O que é medição? É o processo empírico e objetivo de designação de números a propriedades de objetos ou eventos do mundo real de forma a descreve-los. Outra forma de explicar este

Leia mais

V Workshop Anual do MPS - WAMPS 2009 Estudo de Viabilidade de Domínio para Avaliar o Potencial da Organização Quanto à Implementação do Processo Desenvolvimento para Reutilização do MR-MPS MPS Mylene Lisbôa

Leia mais

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A.

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A. IMES Catanduva Probabilidades e Estatística Estatística no Excel Matemática Bertolo, L.A. Aplicada Versão BETA Maio 2010 Bertolo Estatística Aplicada no Excel Capítulo 3 Dados Bivariados São pares de valores

Leia mais

Paradigmas de Programação

Paradigmas de Programação Paradigmas de Programação Tipos de Dados Aula 5 Prof.: Edilberto M. Silva http://www.edilms.eti.br Prof. Edilberto Silva / edilms.eti.br Tipos de Dados Sistema de tipos Tipos de Dados e Domínios Métodos

Leia mais

Universidade Federal do Pará Processo Seletivo Seriado Conteúdo de Matemática - (1ª série)

Universidade Federal do Pará Processo Seletivo Seriado Conteúdo de Matemática - (1ª série) Relacionar e resolver problemas que envolvem conjuntos; Reconhecer, operar e resolver problemas com conjuntos numéricos; Compreender os conceitos e propriedades aritméticas; Resolver problemas de porcentagem,

Leia mais

MODELO PROBABILISTICO PARA O SORTEIO DA MEGA SENA

MODELO PROBABILISTICO PARA O SORTEIO DA MEGA SENA MODELO PROBABILISTICO PARA O SORTEIO DA MEGA SENA QUINTILIANO SIQUEIRA SCHRODEN NOMELINI kim_mati@yahoo.com.br WANDERLEY CARDOSO DE JESUS 2 MARCO ANTÔNIO DOS SANTOS 3 ELIEZER GONÇALVES SILVA 4 HEYDER DINIZ

Leia mais

Roteiro SENAC. Análise de Riscos. Planejamento do Gerenciamento de Riscos. Planejamento do Gerenciamento de Riscos

Roteiro SENAC. Análise de Riscos. Planejamento do Gerenciamento de Riscos. Planejamento do Gerenciamento de Riscos SENAC Pós-Graduação em Segurança da Informação: Análise de Riscos Parte 2 Leandro Loss, Dr. Eng. loss@gsigma.ufsc.br http://www.gsigma.ufsc.br/~loss Roteiro Introdução Conceitos básicos Riscos Tipos de

Leia mais

Gerenciamento de Riscos do Projeto Eventos Adversos

Gerenciamento de Riscos do Projeto Eventos Adversos Gerenciamento de Riscos do Projeto Eventos Adversos 11. Gerenciamento de riscos do projeto PMBOK 2000 PMBOK 2004 11.1 Planejamento de gerenciamento de riscos 11.1 Planejamento de gerenciamento de riscos

Leia mais

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com TEORIA DO RISCO LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com 1 TARIFAÇÃO (FERREIRA, 2002) Diversos conceitos e metodologias envolvidos no cálculo do preço pago

Leia mais

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para

Leia mais

Prof. M. Sc. Jarbas Thaunahy Santos de Almeida 1

Prof. M. Sc. Jarbas Thaunahy Santos de Almeida 1 Prof. M. Sc. Jarbas Thaunahy Santos de Almeida 1 Aula 7 Covariância e suas aplicações Roteiro Introdução Covariância Valor esperado, Variância e Desvio-padrão da soma entre duas variáveis aleatórias Retorno

Leia mais

Universidade Federal de Mato Grosso do Sul Faculdade de Computação Disciplina de Verão: Algoritmos e Programação II

Universidade Federal de Mato Grosso do Sul Faculdade de Computação Disciplina de Verão: Algoritmos e Programação II Universidade Federal de Mato Grosso do Sul Faculdade de Computação Disciplina de Verão: Algoritmos e Programação II Professores: Liana Duenha 10 de março de 2014 Professores: Liana Duenha () Universidade

Leia mais

Aula 03 Custos de um algoritmo e funções de complexidade

Aula 03 Custos de um algoritmo e funções de complexidade BC1424 Algoritmos e Estruturas de Dados I Aula 03 Custos de um algoritmo e funções de complexidade Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 1Q-2015 1 Custo de um algoritmo e funções de complexidade

Leia mais

Introdução ao SIG. Objetivos Específicos 18/11/2010. Competência: Apresentar: Utilidade de um SIG

Introdução ao SIG. Objetivos Específicos 18/11/2010. Competência: Apresentar: Utilidade de um SIG MINISTÉRIO DO MEIO AMBIENTE - MMA INSTITUTO CHICO MENDES DE CONSERVAÇÃO DA BIODIVERSIDADE - ICMBio DIRETORIA DE PLANEJAMENTO, ADMINISTRAÇÃO E LOGÍSTICA - DIPLAN COORDENAÇÃO GERAL DE GESTÃO DE PESSOAS -

Leia mais

Gerenciamento de Projetos Técnicas e Ferramentas iniciais

Gerenciamento de Projetos Técnicas e Ferramentas iniciais Gerenciamento de Projetos Técnicas e Ferramentas iniciais Metodologia Aula Teórica Exemplos e Exercícios práticos Questões de concursos anteriores Metodologia e Bibliografia Fontes PMBOK, 2004. Project

Leia mais

O que é a estatística?

O que é a estatística? Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os

Leia mais

Relato de experiência WAMPS2014 Gestão de Portfólio como ferramenta de execução da estratégia

Relato de experiência WAMPS2014 Gestão de Portfólio como ferramenta de execução da estratégia Relato de experiência WAMPS2014 Gestão de Portfólio como ferramenta de execução da estratégia Quem somos Karina Klein Hartmann, PMP, CFPS, CPRE Gerente de projetos e membro do GEPS. Osmar A. M. Pedrozo,

Leia mais

Modelagem Fuzzy para a geração do mapa de solos do município de Mucugê Chapada Diamantina Brasil

Modelagem Fuzzy para a geração do mapa de solos do município de Mucugê Chapada Diamantina Brasil Modelagem Fuzzy para a geração do mapa de solos do município de Mucugê Chapada Diamantina Brasil Elane Fiúza Borges - elaneborges@gmail.com Ardemírio de Barros Silva - abarros@uefs.br INTRODUÇÃO A área

Leia mais

CONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES

CONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES CELG DISTRIBUIÇÃO S.A EDITAL N. 1/2014 CONCURSO PÚBLICO ANALISTA DE GESTÃO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI RESPOSTAS ESPERADAS PRELIMINARES O Centro de Seleção da Universidade Federal de Goiás

Leia mais

CONSIDERAÇÕES SOBRE MÉTODOS DE DECISÃO MULTICRITÉRIO. Roterdan Moura da Silva, Mischel Carmen Neyra Belderrain, IC

CONSIDERAÇÕES SOBRE MÉTODOS DE DECISÃO MULTICRITÉRIO. Roterdan Moura da Silva, Mischel Carmen Neyra Belderrain, IC CONSIDERAÇÕES SOBRE MÉTODOS DE DECISÃO MULTICRITÉRIO Roterdan Moura da Silva, Mischel Carmen Neyra Belderrain, IC Instituto Tecnológico de Aeronáutica / Divisão de Engenharia Mecânica-Aeronáutica, roterdan05@hotmail.com;

Leia mais

Microsoft Office Excel 2007

Microsoft Office Excel 2007 1 Microsoft Office Excel 2007 O Excel é um programa dedicado a criação de planilhas de cálculos, além de fornecer gráficos, função de banco de dados e outros. 1. Layout do Excel 2007 O Microsoft Excel

Leia mais

Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana

Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana Leandro Alves Pereira - FAMAT, UFU Rogerio de Melo Costa Pinto - FAMAT, UFU 2 Resumo: Os insetos-pragas

Leia mais

CAPÍTULO 9 RISCO E INCERTEZA

CAPÍTULO 9 RISCO E INCERTEZA CAPÍTULO 9 9 RISCO E INCERTEZA 9.1 Conceito de Risco Um fator que pode complicar bastante a solução de um problema de pesquisa operacional é a incerteza. Grande parte das decisões são tomadas baseando-se

Leia mais

A Estação da Evolução

A Estação da Evolução Microsoft Excel 2010, o que é isto? Micorsoft Excel é um programa do tipo planilha eletrônica. As planilhas eletrônicas são utilizadas pelas empresas pra a construção e controle onde a função principal

Leia mais

1 Tipos de dados em Análise de Clusters

1 Tipos de dados em Análise de Clusters Curso de Data Mining Sandra de Amo Aula 13 - Análise de Clusters - Introdução Análise de Clusters é o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares Um

Leia mais

1. FUNÇÕES NO EXCEL 2007

1. FUNÇÕES NO EXCEL 2007 1. FUNÇÕES NO EXCEL 2007 Funções são fórmulas predefinidas que efetuam cálculos usando valores específicos, denominados argumentos, em uma determinada ordem ou estrutura. As funções podem ser usadas para

Leia mais

Portas Lógicas Básicas Prof. Rômulo Calado Pantaleão Camara. Carga Horária: 2h/60h

Portas Lógicas Básicas Prof. Rômulo Calado Pantaleão Camara. Carga Horária: 2h/60h Portas Lógicas Básicas Prof. Rômulo Calado Pantaleão Camara Carga Horária: 2h/60h Colegiado de Engenharia da Computação CECOMP Introdução à Algebra de Boole Em lógica tradicional, uma decisão é tomada

Leia mais

ESTATÍSTICA. Professor: Ricardo Vojta

ESTATÍSTICA. Professor: Ricardo Vojta ESTATÍSTICA Ciências Contábeis Professor: Ricardo Vojta RAMOS DA ESTATÍSTICA A estatística dedutiva (também conhecida como Estatística Descritiva) se encarrega de descrever o conjunto de dado desde a elaboração

Leia mais

Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo

Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo Tema/Subtema Conteúdos Metas Nº de Aulas Previstas Org.Trat.Dados / Planeamento Estatístico Especificação do problema Recolha de dados População

Leia mais

Introdução aos Sistemas de Informação Geográfica

Introdução aos Sistemas de Informação Geográfica Introdução aos Sistemas de Informação Geográfica Mestrado Profissionalizante 2015 Karla Donato Fook karladf@ifma.edu.br IFMA / DAI Análise Espacial 2 1 Distribuição Espacial A compreensão da distribuição

Leia mais

2 Método sísmico na exploração de petróleo

2 Método sísmico na exploração de petróleo 16 2 Método sísmico na exploração de petróleo O método sísmico, ou sísmica de exploração de hidrocarbonetos visa modelar as condições de formação e acumulação de hidrocarbonetos na região de estudo. O

Leia mais

Diagrama de Classes. Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes.

Diagrama de Classes. Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes. 1 Diagrama de Classes Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes. Um dos objetivos do diagrama de classes é definir a base para

Leia mais

Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade,

Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade, D Resumo de Álgebra Matricial Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade, necessária para o estudo de modelos de regressão linear múltipla usando matrizes,

Leia mais

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

OTIMIZAÇÃO VETORIAL. Formulação do Problema

OTIMIZAÇÃO VETORIAL. Formulação do Problema OTIMIZAÇÃO VETORIAL Formulação do Problema Otimização Multiobjetivo (também chamada otimização multicritério ou otimização vetorial) pode ser definida como o problema de encontrar: um vetor de variáveis

Leia mais

sistemas de informação nas organizações

sistemas de informação nas organizações sistemas de nas organizações introdução introdução aos sistemas de objectivos de aprendizagem avaliar o papel dos sistemas de no ambiente empresarial actual definir um sistema de a partir de uma perspectiva

Leia mais

Ementas Disciplinas Obrigatórias

Ementas Disciplinas Obrigatórias Ementas Disciplinas Obrigatórias INFORMÁTICA Algoritmos I Resolução de problemas e desenvolvimento de algoritmos: análise do problema, estratégias de solução e representação. Estruturação e modularização.

Leia mais

Aplicação do Método AHP na Seleção de Software para Modelagem de Processos de Negócios Amanda Alves 1, Thiago Depoi Stoll 1, Rafael Baldiati Parizi 1

Aplicação do Método AHP na Seleção de Software para Modelagem de Processos de Negócios Amanda Alves 1, Thiago Depoi Stoll 1, Rafael Baldiati Parizi 1 242 Aplicação do Método AHP na Seleção de Software para Modelagem de Processos de Negócios Amanda Alves 1, Thiago Depoi Stoll 1, Rafael Baldiati Parizi 1 1Instituto Federal Farroupilha Campus São Borja

Leia mais

Algoritmos e Programação Conceitos e Estruturas básicas (Variáveis, constantes, tipos de dados)

Algoritmos e Programação Conceitos e Estruturas básicas (Variáveis, constantes, tipos de dados) Algoritmos e Programação Conceitos e Estruturas básicas (Variáveis, constantes, tipos de dados) Os algoritmos são descritos em uma linguagem chamada pseudocódigo. Este nome é uma alusão à posterior implementação

Leia mais

6 Análise dos resultados

6 Análise dos resultados 6 Análise dos resultados Os cálculos para análise econômica de um projeto E&P, devem considerar que os dados empregados são imprecisos e sem certeza da ocorrência dos resultados esperados, apesar de estarem

Leia mais

IC-UNICAMP IC-UNICAMP

IC-UNICAMP IC-UNICAMP Capítulo 3: Qualidade de Produto e a ISO 9126 Capítulo 1: Introdução Capítulo 2: Conceitos Básicos Capítulo 3: Qualidade de Produto (ISO9126) Capítulo 4: ISO9001 e ISO9000-3 Capítulo 5: CMM Capítulo 6:

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação SOFT DISCIPLINA: Engenharia de software AULA NÚMERO: 08 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir conceitos relacionados a modelos e especificações. Nesta aula

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,

Leia mais

Departamento de Informática. Análise de Decisão. Métodos Quantitativos LEI 2006/2007. Susana Nascimento snt@di.fct.unl.pt.

Departamento de Informática. Análise de Decisão. Métodos Quantitativos LEI 2006/2007. Susana Nascimento snt@di.fct.unl.pt. Departamento de Informática Análise de Decisão Métodos Quantitativos LEI 26/27 Susana Nascimento snt@di.fct.unl.pt Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) Susana Nascimento (snt@di.fct.unl.pt)

Leia mais

Faça a gestão da sua base de clientes com o Gestix.

Faça a gestão da sua base de clientes com o Gestix. Gerir Clientes no Gestix A Ficha de Cliente Faça a gestão da sua base de clientes com o Gestix. O Gestix oferece-lhe diversas formas de conhecer e acompanhar os seus clientes. Explore-o como uma poderosa

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 4 de Maio 09 5 Modelos preditivos para classificação (continuação) 5.6 Modelos naive Bayes - classificador bayesiano simples O método ganha a designação

Leia mais

Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão

Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão 01 Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão Rodrigo G. Trevisan¹; José P. Molin² ¹ Eng. Agrônomo, Mestrando em Engenharia de Sistemas Agrícolas (ESALQ-USP); ² Prof. Dr. Associado

Leia mais

Conceitos de Banco de Dados

Conceitos de Banco de Dados Conceitos de Banco de Dados Autor: Luiz Antonio Junior 1 INTRODUÇÃO Objetivos Introduzir conceitos básicos de Modelo de dados Introduzir conceitos básicos de Banco de dados Capacitar o aluno a construir

Leia mais

Estatística e Probabilidade. Aula 4 Cap 03. Probabilidade

Estatística e Probabilidade. Aula 4 Cap 03. Probabilidade Estatística e Probabilidade Aula 4 Cap 03 Probabilidade Estatística e Probabilidade Método Estatístico Estatística Descritiva Estatística Inferencial Nesta aula... aprenderemos como usar informações para

Leia mais

Álgebra Booleana. Introdução ao Computador 2010/01 Renan Manola

Álgebra Booleana. Introdução ao Computador 2010/01 Renan Manola Álgebra Booleana Introdução ao Computador 2010/01 Renan Manola Histórico George Boole (1815-1864) Considerado um dos fundadores da Ciência da Computação, apesar de computadores não existirem em seus dias.

Leia mais

Dispositivo que de alguma maneira descreve o comportamento do sistema

Dispositivo que de alguma maneira descreve o comportamento do sistema Sistema: Conceito primitivo (intuitivo) Tentativas de definição: Agregação ou montagem de coisas, combinadas pelo homem ou pela natureza de modo a formar um todo unificado. Grupo de itens interdependente

Leia mais

Complemento III Noções Introdutórias em Lógica Nebulosa

Complemento III Noções Introdutórias em Lógica Nebulosa Complemento III Noções Introdutórias em Lógica Nebulosa Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Tutorial de Matlab Francesco Franco

Tutorial de Matlab Francesco Franco Tutorial de Matlab Francesco Franco Matlab é um pacote de software que facilita a inserção de matrizes e vetores, além de facilitar a manipulação deles. A interface segue uma linguagem que é projetada

Leia mais

Todos os exercícios sugeridos nesta apostila se referem ao volume 1. MATEMÁTICA I 1 FUNÇÃO DO 1º GRAU

Todos os exercícios sugeridos nesta apostila se referem ao volume 1. MATEMÁTICA I 1 FUNÇÃO DO 1º GRAU FUNÇÃO IDENTIDADE... FUNÇÃO LINEAR... FUNÇÃO AFIM... GRÁFICO DA FUNÇÃO DO º GRAU... IMAGEM... COEFICIENTES DA FUNÇÃO AFIM... ZERO DA FUNÇÃO AFIM... 8 FUNÇÕES CRESCENTES OU DECRESCENTES... 9 SINAL DE UMA

Leia mais

ESCOLA E.B. 2,3 D. AFONSO III. Planificação da disciplina de Matemática - CEF - 2º Ano Ano letivo de 2014/2015

ESCOLA E.B. 2,3 D. AFONSO III. Planificação da disciplina de Matemática - CEF - 2º Ano Ano letivo de 2014/2015 CONTEÚDOS PROGRAMÁTICOS Planificação da disciplina de Matemática - CEF - 2º Ano Ano letivo de 2014/2015 COMPETÊNCIAS OBJECTIVOS CONCEITOS METEDOLOGIAS /SITUAÇÕES DE APREDIZAGEM AULAS PREVISTAS Módulo 11

Leia mais

Site da disciplina: Site do Laboratório de Geotecnologias Aplicadas: https://moodleinstitucional.ufrgs.br. http://www.ufrgs.

Site da disciplina: Site do Laboratório de Geotecnologias Aplicadas: https://moodleinstitucional.ufrgs.br. http://www.ufrgs. Universidade Federal do Rio Grande do Sul Instituto de Geociências Departamento de Geografia Sistemas de Informações Geográficas I GEO 01007 Professora: Eliana Lima da Fonseca Site da disciplina: https://moodleinstitucional.ufrgs.br

Leia mais

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos

Leia mais

Guia do professor. Ministério da Ciência e Tecnologia. Ministério da Educação. Secretaria de Educação a Distância.

Guia do professor. Ministério da Ciência e Tecnologia. Ministério da Educação. Secretaria de Educação a Distância. números e funções Guia do professor Objetivos da unidade 1. Analisar representação gráfica de dados estatísticos; 2. Familiarizar o aluno com gráfico de Box Plot e análise estatística bivariada; 3. Utilizar

Leia mais

Probabilidade. Definições, Notação, Regra da Adição

Probabilidade. Definições, Notação, Regra da Adição Probabilidade Definições, Notação, Regra da Adição Definições básicas de probabilidade Experimento Qualquer processo de observação ou medida que permita ao pesquisador fazer coleta de informações. Evento

Leia mais

Cálculo numérico. ln 1 = 0. Representação numérica. Exemplo. Exemplos. Professor Walter Cunha. ln 1. I s

Cálculo numérico. ln 1 = 0. Representação numérica. Exemplo. Exemplos. Professor Walter Cunha. ln 1. I s Representação numérica Cálculo numérico Professor Walter Cunha Um conjunto de ferramentas ou métodos usados para se obter a solução de problemas matemáticos de forma aproximada. Esses métodos se aplicam

Leia mais

Nome: Luciana Shigihara Lima Número de matrícula:

Nome: Luciana Shigihara Lima Número de matrícula: Mestrado em Sensoriamento Remoto Nome: Luciana Shigihara Lima Número de matrícula: 139246 Disciplina: Introdução ao Geoprocessamento (SER-300) Relatório: Laboratório 4a Álgebra de Mapas Introdução Este

Leia mais

Fundamentos de Modelagem de Sistemas

Fundamentos de Modelagem de Sistemas EA 044 Planejamento e Análise de Sistemas de Produção Fundamentos de Modelagem de Sistemas ProfFernandoGomide Fundamentos de Modelagem Introdução à modelagem e decisão Definição de modelos Modelagem e

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto de Redes Neurais e MATLAB Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação

Leia mais

MODELAÇÃO ESPACIAL DO POTENCIAL DE EXPLORAÇÃO APÍCOLA UTILIZANDO SOFTWARE OPEN SOURCE

MODELAÇÃO ESPACIAL DO POTENCIAL DE EXPLORAÇÃO APÍCOLA UTILIZANDO SOFTWARE OPEN SOURCE MODELAÇÃO ESPACIAL DO POTENCIAL DE EXPLORAÇÃO APÍCOLA UTILIZANDO SOFTWARE OPEN SOURCE CASO DE ESTUDO ZONA CONTROLADA: ASSOCIAÇÃO DE APICULTORES DO PARQUE NATURAL DE MONTESINHO Natália Roque, Paulo Fernandez

Leia mais

SECRETARIA ESTADUAL DE SAÚDE PÚBLICA DO RIO GRANDE DO NORTE COORDENAÇÃO DE PROMOÇÃO À SAÚDE SUBCOORDENADORIAS DE VIGILÂNCIA EPIDEMIOLÓGICA E AMBIENTAL

SECRETARIA ESTADUAL DE SAÚDE PÚBLICA DO RIO GRANDE DO NORTE COORDENAÇÃO DE PROMOÇÃO À SAÚDE SUBCOORDENADORIAS DE VIGILÂNCIA EPIDEMIOLÓGICA E AMBIENTAL SECRETARIA ESTADUAL DE SAÚDE PÚBLICA DO RIO GRANDE DO NORTE COORDENAÇÃO DE PROMOÇÃO À SAÚDE SUBCOORDENADORIAS DE VIGILÂNCIA EPIDEMIOLÓGICA E AMBIENTAL NOTA TECNICA Nº 01/2011 SUVIGE-SUVAM/CPS/SESAP/RN

Leia mais

15/03/2010. Análise por pontos de função. Análise por Pontos de Função. Componentes dos Pontos de Função. Componentes dos Pontos de Função

15/03/2010. Análise por pontos de função. Análise por Pontos de Função. Componentes dos Pontos de Função. Componentes dos Pontos de Função Análise por pontos de função Análise por Pontos de Função Referência: Manual de práticas de contagem IFPUG Versão 4.2.1 Técnica que permite medir a funcionalidade de um software ou aplicativo, sob a visão

Leia mais

3 O Método AHP Analytic Hierarchy Process

3 O Método AHP Analytic Hierarchy Process 3 O Método AHP Analytic Hierarchy Process Medição de desempenho é uma tarefa desafiante. Nem sempre os dados estão disponíveis, acessíveis ou estruturados na forma ideal para consolidação. Além disso,

Leia mais

Vetores Aleatórios, correlação e conjuntas

Vetores Aleatórios, correlação e conjuntas Vetores Aleatórios, correlação e conjuntas Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Segundo Semestre, 2013 C.T.Cristino (DEINFO-UFRPE) Vetores Aleatórios 2013.2

Leia mais