MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA

Tamanho: px
Começar a partir da página:

Download "MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA"

Transcrição

1 XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA Luís Alberto Duca Rael (UFF) duca@metal.eemvr.uff.br Nlso Bradalse (UFF) lso@metal.eemvr.uff.br Resumo: Este trabalho de pesqusa apreseta dos métodos do Auxílo Multcrtéro à Decsão, o Método UTA (Jacquet-Larèze e Sskos, 092) e o Método UTAC (Rael, 2002). Ambas metodoloas empream a Teora da Utldade Adtva. As duas metodoloas são apresetadas e são fetas comparações etre as mesmas. As comparações etre as duas metodoloas são mostradas as coclusões. Palavras-chave: Utldade Adtva, Auxílo Multcrtéro à Decsão, Tomada de Decsão.. Itrodução O Auxílo Multcrtéro à Decsão é uma área da Pesqusa Operacoal que trata de problemas decsóros, quado estes ecesstam utlzar mas do que um crtéro, para aalsar as alteratvas, que são as soluções do problema abordado (Baa e Costa, 990), (Baa e Costa e Vasck, 995). Os resultados obtdos com o empreo do Auxílo Multcrtéro à Decsão em problemas complexos ustfcam a sua utlzação, apresetado-se como ferrameta poderosa a um custo acessível a busca da melhor solução (Gomes et al, 2002), (Gomes et al, 2003). Auxílo Multcrtéro à Decsão (AMD) ão busca drmr o coflto etre os crtéros ualmete deseáves, busca sm, emprear um método para se fazer uma aálse sstemátca do problema de decsão, eleedo desta forma a melhor alteratva (Belto e Stewart, 2002), (Vcke, 989). Detre os dversos métodos do Auxílo Multcrtéro à Decsão o Método UTA (Jacquet-Larèze e Sskos, 982) e o Método UTAC (Rael, 2002), ambos pertecetes à escola amercaa foram selecoados para realzarem avalações. O Método UTA (Jacquet-Larèze e Sskos, 982) é um método desevolvdo o âmbto da Tomada de Decsão Multcrtéro. Este método tem a vataem de estmar a fução de utldade adtva ão-lear de cada crtéro presete a aálse. Para estmar estas fuções de utldade adtva, é precso de uma ordeação subetva do couto ou um subcouto das alteratvas forecdo pelos decsores, e os desempehos de tas alteratvas em relação a crtéro. Desta maera, o Método UTA começa por pedr aos aetes decsores que ordeem, em termos de preferêca, o couto ou um subcouto das alteratvas. Posterormete, através da resolução de um problema de proramação lear, determam-se os valores das varáves e a forma da fução de utldade de cada crtéro. A fução obetva do modelo vsa mmzar uma fução dos erros assocados às restrções que refletem as preferêcas a pror forecdas pelo aete decsor ou pelos aetes decsores. A costrução das fuções de utldade será tato mas fel quato maor for o úmero de alteratvas que o decsor cosa ordear de forma subetva. Esta pesqusa pretede emprear além do Método UTA emprear também o Método UTAC (Rael, 2002) apresetada por Rael em 2002 em sua tese de doutorado. Nesta varate do Método UTA os decsores avalam prevamete os crtéros ão as alteratvas como o método oral. Um outro fator mportate é que as preferêcas dos decsores são cosderadas pelo modelo com a clusão de ovas varáves as restrções e a fução obetvo.

2 XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de Métodos da Utldade Adtva 2. Método UTA O Método UTA (Utldade Adtva) fo desevolvdo por Jacquet-Larèze e Sskos em 982. Para aplcar este método UTA, assumem-se as bases axomátcas que estão por trás da Teora da Utldade Multatrbuto (Mult-Attrbute Utlty Theory, MAUT), pos se está buscado determar as fuções de utldade adtva (Keeey e Raffa, 993), (Schärl, 996), (Vcke, 989), (Romero e Pomerol, 997). O Método UTA apreseta dversas aplcações as mas varadas áreas, (Zopouds e Dmtrs, 998), (Rael et. al, 2003), (Gozaález-Araya et al, 2002), (Rael, 200), O problema de reressão ordal que é tratado pelo método UTA (Jacquet-Larèze e Sskos, 982) é o seute: Tedo uma estrutura de preferêca de ordem-fraca de (f,~), com f sfcado preferêca estrta e ~ a dfereça em um couto de alteratvas ou ações, o auste da fução de utldade adtva baseado em crtéros múltplos é obtda de tal modo que a estrutura de preferêca resultate sea tão cosstêca quato possível com a estrutura cal. No modelo adtvo, quado somete um crtéro está evolvdo, a preferêca pode ser explctada como seue; a f b ( a), () > a ~ b ( a), (2) = que sfca que cada crtéro defe o couto A uma relação de ordem (f,~). Cosdere um couto de alteratvas, chamado de A, que é avalado por um couto de crtéros = (, 2, 3,..., ), sedo o úmero de crtéros e o desempeho o crtéro. A areação de todos os crtéros em um úco crtéro é chamada de fução de utldade multatrbuto e represeta-se como U ( ) = U(, 2, 3,..., ). Chama-se de P a relação de preferêca estrta e I a relação de dfereça (Roy e Bouyssou, 993) etre duas alteratvas, respectvamete. Se ( a) = [ ( a), 2( a), 3( a),..., ( é a avalação multcrtéro de uma alteratva a, etão as seutes propredades são sustetadas pela fução de utldade U: U[ > U[ ( b)] apb, (3) U[ ( = U[ ( b)] aib, (4) e a relação R = P I defe uma ordem fraca das alteratvas. A fução de utldade é adtva se é da forma: U [ ] = u ( ), (5) = ode cada u ( ) é a utldade maral do desempeho o crtéro. Uma hpótese fudametal que é precso ão esquecer quado se aplca uma fução de utldade adtva é a codção de depedêca mútua dos crtéros em fução das preferêcas (Keeey e Raffa, 993). Cosdere o valor mas alto e o valor mas baxo em termos de preferêca do crtéro. Assumdo um ão decremeto das preferêcas em cada crtéro, etão as utldades maras u são fuções moótoas crescetes. Portato, pode-se ormalzar as fuções de utldade detro do tervalo [0, ], tedo-se: = u ( ) =, (6) e u ( ) = 0 para todo. (7) O método UTA emprea a proramação lear para determar os valores das 2

3 XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 varáves que descrevem as fuções de preferêca de cada crtéro. Para fazer a mplemetação do método UTA são ecessáras duas formações fudametas em relação às alteratvas, a avalação multcrtéro e a ordeação fraca R defda em A, ode A é o couto ou um subcouto das alteratvas presetes em A. Este couto A serve como couto de referêca para terroar ao aete decsor. Para cada par ( a, b) A', o aete decsor expressa sua preferêca ou sua dfereça lobal. Para cada alteratva de A, a fução de utldade calculada U '[ dfere da verdadera U [ ( em um erro σ(a): U '[ = u [, para todo a A' (8) = Cosderado as relações de preferêca (3) e de dfereça (4), e a fução de utldade (8), tem-se: U '[ U '[ ( b)] δ se o decsor dca apb (9) U '[ ( U'[ ( b)] = 0 se o decsor dca aib (0) sedo δ > 0, um úmero real pequeo empreado a fm de separar sfcatvamete duas classes da ordeação fraca R. Jacquet-Larèze e Sskos 982 estabeleceram que este valor de δ tem que pertecer ao tervalo [/0Q, /Q], sedo Q o úmero de classes de dfereça. Assumdo a exstêca de trastvdade, o aete decsor só precsará fazer (m ) comparações etre alteratvas, ode m correspode ao úmero de alteratvas de A. Substtudo (8) em (9) e (0), tem-se: = = { u [ u[ δ apb, () { u [ σ = 0 aib, (2) As fuções u são cosderadas como sedo leares por tervalos. Para defr tas tervalos, o aete de decsão escolhe α potos do tervalo [, ] ode a fução u está defda. Cada poto é determado pela seute fórmula: = + ( ) (3) α e varado de até α. Esses potos vão defr (α - ) tervalos eqüdstates de [, ]. ( a) + u[ = u ( ) + [ u ( ) ( )] u. (4) + A hpótese da mootocdade das preferêcas das utldades maras u ( ) requerda por este método é satsfeta através do seute couto de restrções: + u ( ) u ( ) s, =, 2, 3,..., α -, =, 2, 3,...,. (5) ode s > 0 é o lmte de dfereça defdo para cada crtéro. As varáves que represetam as utldades u ( ) e os erros σ(a) são estmadas por meo de proramação lear cosderado as restrções apresetadas. Têm-se as seutes restrções: as restrções aos lmtes superores e ferores de cada crtéro; as restrções seudo as preferêcas e as dfereças etre as alteratvas a A ; restrções que aratam a hpótese da mootocdade das utldades maras e as restrções devdo a ão eatvdade de cada crtéro. A fução obetvo do problema de proramação lear (PPL) correspode à mmzação dos erros σ(a) assocados às utldades de cada alteratva a A. Assm, a formulação matemátca do PPL é: 3

4 XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 (PPL)M Sueto a: = = u ( = a A' F = σ ( a) (6) { u[ ( u[ δ se a P b, (7) { u [ + ) u ( ) s, σ = 0 se a I b, (8) para todo e, (9) u ( ) = (20) u ( ) = 0 para todo (2) u ( ) 0, para todo e (22) σ(a) 0 para todo a A. (23) A solução ótma de PPL será aquela (ou aquelas) que obteha o melhor valor para a fução obetva. Sea F dto valor ótmo. A experêca do uso do método dca que, mutas vezes, podem exstr soluções acetáves (F > F) que apresetem um melhor desempeho em relação às dstâcas de Kedall ou Spearma que a solução ótma (Jacquet-Larèze e Sskos, 982). Isto é, a ordem fraca R obtda por soluções acetáves está mas próxma da ordem fraca R determada pelo aete decsor que a ordem fraca determada pela solução ótma. Por este motvo, o método UTA ão pára com a obteção de uma solução ótma, seão que explora, através de efcetes procedmetos de pós-otmzação, os vértces de um ovo poledro que é obtdo acrescetado a restrção abaxo (24) ao couto de restrções do PPL: F F + k(f) (24) A restrção (24) estabelece que a fução obetva F ão ultrapasse F além de um lmte postvo k(f), sedo k(f) uma proporção muto pequea de F. Os vértces deste ovo poledro correspodem às fuções de utldade, ode um ou mas crtéros atem um peso extremo (ou máxmo ou mímo). Assm, a exploração do ovo poledro é feta resolvedo dos ovos problemas de proramação lear o PPL2 e o PPL3. (PPL2) M u ( ) =, 2, 3,..., (25) Sueto a: σ ( a) F + k( F) (26) = = a A' u ( = { u [ δ se a P b, (27) { u [ + ) u ( ) s, σ = 0 se a I b, (28) para todo e, (29) u ( ) = (30) u ( ) = 0 para todo (3) u ( ) 0, para todo e (32) σ(a) 0 para todo a A. (33) (PPL3) Max u ( ) =, 2, 3,..., (34) Sueto a: 4

5 XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 σ ( a) F + k( F) (35) = = a A' u ( = { u [ δ se a P b, (36) { u [ + ) u ( ) s, σ = 0 se a I b, (37) para todo e, (38) u ( ) = (39) u ( ) = 0 para todo (40) u ( ) 0, para todo e (4) σ(a) 0 para todo a A. (42) Falmete, o método UTA propõe calcular as médas das fuções de utldade maras u ( ) obtdas pela aálse de pós-otmzação. Com estas médas, pode-se avalar a U((a)) de todas as alteratvas a A, seam ou ão estas alteratvas do couto de referêca A. 2.2 Método UTAC O Método UTA (Jacquet-Larèze e Sskos, 982) apresetado a seção ateror possu determadas característcas para ser mplemetado. Emprea a matrz de avalação e os ulametos dos decsores em termos de preferêca e dfereça das alteratvas ou de um subcouto dessas alteratvas selecoadas para aalsar o problema decsóro. Esses dados são arupados em termos de preferêcas e dfereça expressas pelos decsores e mplemetados através de dversos problemas de proramação lear, sueto às restrções; de preferêca e dfereça etre as alteratvas, mootocdade das fuções de utldade e dos lmtes superores e ferores das fuções. As varáves de decsão dos problemasde proramação lear são; as varáves σ(a) que são empreadas pelo modelo para serem adcoadas à utldade lobal de cada alteratva de modo a obterem a mesma ordeação forecda, a pror, pelos decsores; e as varáves u que defem as fuções de utldade de cada crtéro. O prmero problema de proramação lear (PPL) do Método UTA é mplemetado para verfcar se o modelo coseue obter a mesma ordeação forecda pelos decsores. O seudo e tercero PPLs são mplemetados dversas vezes para fazer a aálse pósotmzação, o úmero de mplemetações que terão que ser fetas está relacoado com o úmero de crtéros presetes a aálse. Duas mplemetações para cada crtéro buscado determar os lmtes superor e feror que o valor máxmo da fução obetvo de cada crtéro pode assumr em fução das restrções do modelo. Após aálse de pós-otmzação exda pelo método, calcula-se a méda do valor de cada varável que são os potos que rão determar a fução de utldade de cada crtéro. Em problemas de decsão, eralmete o úmero de alteratvas é muto rade, o que tora dfícl a obteção de ulametos em termos de preferêca por parte dos decsores em relação ao couto de alteratvas. Essa dfculdade em expressar preferêca é traduzda através de uma ordeação que ão represeta as preferêcas dos decsores. Por outro lado, os processos decsóros, o úmero de crtéros ormalmete é pequeo, ão devedo ser superor a ove. Este úmero fo levatado através de pesqusa (Mller, 956). Desta forma é mas fácl assm para os decsores expressarem suas preferêcas em relação a um couto de pequeo de crtéros, do que o fazer em relação ao couto das alteratvas. 5

6 XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 Dversos métodos de Auxílo Multcrtéro à Decsão empream a quatfcação dos pesos dos crtéros, como forma dos decsores expressarem suas preferêcas em relação aos dversos potos de vstas presetes o processo decsóro. Portato, um couto com meos elemetos, como o de crtéros, tora mas fácl e cofável a aálse das preferêcas por parte dos decsores. O Método UTAC (Rael, 2002) busca obter soluções que represetem melhor os ulametos dos decsores, especalmete os casos ode as alteratvas estão em rades úmeros. Assm, partdo-se deste prcípo, faz-se o empreo das preferêcas dos decsores ão em relação ao couto das alteratvas, mas sm em relação ao couto de crtéros presetes a aálse decsóra. Deste modo, a ordeação a ser empreada como dado de etrada este Método UTAC será a ordeação das alteratvas obtda com o empreo de um outro método de AMD (método de areação adtva), que vsa obter ordeação das alteratvas, Problemátca Pδ, tedo como referêca às preferêcas dos decsores em relação ao couto de crtéros. O modelo leva em cosderação essas preferêcas dos decsores em relação ao couto de crtéros através da clusão de ovas restrções os PPLs. Uma ova fução obetvo (PPL4), apresetada a equação (43), é mplemetada este Método UTAC. Esta fução obetvo é empreada a aálse de pós-otmzação. A característca desta varate é que a aálse pós-otmzação, ão ecessta fazer dversas mplemetações do PPL4 para se calcular a sua méda, e assm determar o valor das varáves que descrevem as fuções de utldade. Para cada crtéro, duas restrções ao peso são adcoadas ao modelo, uma em relação ao seu lmte superor (52) e outra em relação a seu lmte feror (5). O PPL4 é apresetado a seur: (PPL4) M F = σ ( a) + ξ ( u MIN ) + ξ ( u MAX ) (43) Sueto a: = = u ( = a A' = { u[ ( u[ δ se a P b, (44) { u [ + ) u ( ) s, = σ = 0 se a I b, (45) para todo e, (46) u ( ) = (47) u ( ) = 0 para todo (48) u ( ) 0, para todo e (49) σ(a) 0 para todo a A. (50) u ( ) (u -MIN) > w (5) u ( ) + (u -MAX) < w (52) 3. Coclusão Este arto apreseta um ovo Método do Auxílo Multcrtéro à Decsão, o Método UTAC (Rael, 2002) que apreseta melhoras em relação ao Método UTA (Jaquet-Larèze e Sskos, 982). Ambos os métodos buscam determar fuções de utldades dos crtéros que represetem da melhor maera possível às preferêcas dos decsores evolvdos o processo decsóro. 6

7 XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 O Método UTA para ser mplemetado requer como dado cal, das preferêcas dos decsores em relação ao couto ou subcouto de alteratvas para determar as fuções de utldades dos crtéros. O Método UTAC emprea as preferêcas dos decsores em relação ao couto de crtéro e, determa a ordeação das alteratvas, que será empreada para modelar o problema de proramação lear, com o auxílo de um método de areação adtva. Como beefíco, o Método UTAC apreseta redução do tempo de mplemetação, redução do úmero de mplemetações que terão que ser realzadas, além dsso, destaca-se que as fuções de utldades obtdas estão o mas próxmo possível das preferêcas dos decsores. Por outro lado, o Método UTAC exe o empreo de um outro método de ordeação, areação adtva, problemátca Pδ, para a sua mplemetação. Outro poto mportate em relação ao Método UTA é que mutas vezes este método determa as fuções de utldades dos crtéros, respetado as restrções dos modelos matemátcos, mas estas fuções estão loe de represetar as preferêcas dos decsores. Já o Método UTAC, devdo o empreo das restrções ao peso, sto ão acotece. 4. Referêcas Bbloráfcas BANA E COSTA, C.A. Reads Multple Crtera Decso Ad..ed. Berl : Sprer-Verla, 990, 660 p. BANA E COSTA, C.A., VANSNICK, J.C. Uma ova abordaem ao problema da costrução de uma fução de valor cardal: MACBETH, Ivestação Operacoal, Portual, v. 5, p. 5-35, 995. BARBA-ROMERO, S., POMEROL, J.C. Decsoes Multcrtero Fudametos Teórcos y Utlzacó Práctca. ed. Espaha, Alcalá: Servco de Publcacoes de la Uversdad de Alcalá, 997, 420 p. BELTON, V., STEWART, T.J. Multple Crtera Decso Aalyss: A Iterate d Approach. ed. USA, Norwell: Kluwer Academc Plublshers, 2002, 372 p. GOMES, L.F.A.M., GOMES, C.F.S., ALMEIDA, A.T. Tomada de Decsão Gerecal: Efoque Multcrtéro. ed. São Paulo, Ed. Atlas, GOMES, L.F.A.M., GONZÁLEZ -ARAYA, M.C., CARIGNANO, C. Tomada de Decsões em Ceáros Complexos. ed. São Paulo: Edtora Thoso, GONZÁLEZ -ARAYA, M.C., RANGEL, L.A.D, LINS, M.P.E., GOMES, L.F.A.M. Buld the Addtve Utlty Fuctos for CAD-UFRJ Evaluatos Staff Crtera, Aals of Operatoal Research, Kluwer, v.6, p , JACQUET -LAGRÈZE, E., SISKOS, J. Assess a set of Addtve Utlty Fuctos for Multcrtera Decso- Mak, The UTA Method, Europea Joural of Operatoal Research, v.0, p.5-64, 982. KEENEY, R., RAIFFA, H. Decsos wth Multple Obectves - Preferece ad Value Tradeoffs. ed. New York: Cambrde Uversty Press, 993, 569 p. RANGEL, L.A.D. Determação de Fuções de Utldade através das Preferêcas dos Decsores sobre o Couto de Crtéros Empreado o Método UTA, Tese de D.Sc., COPPE/UFRJ, Ro de Jaero, RJ, Brasl, 2002, 54 p. RANGEL, L.A.D., GOMES, L.F.A.M. Avalação de caddatos ao curso de Eehara de Produção de Volta Redoda da UFF: um quadro de referêca multcrtéro, XXXII SBPO - Smpóso Braslero de Pesqusa Operacoal, Campos do Jordão, ov RANGEL, L.A.D., SOARES DE MELLO, J.C.C.B., GOMES, G.G., GOMES, L.F.A.M. Avalação da Iterorzação dos Cursos da Uversdade Federal Flumese com o Uso Couado dos Métodos UTA e MACBETH, Portual: Ivestação Operacoal, v.23, p.-2, ROY, B., BOUYSSOU, D. Ade Multcrtère à la Decso: Methodes et Cas. ed. Pars : Ed. Ecoomca, 993., 695 p. SCHÄRLIG, A. Pratquer Electre et Prométhée. ed. Susse, Lausae: Press Polytechques et Uverstares Romade,

8 XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 VINCKE, PH. L'Ade Multcrtère à la Décso. Bruxells, ed. Bruxells: Édtos de l'uversté de Bruxells, 989. ZOPOUNIDIS, C., DIMITRIS, A.I., Multcrtera Decso Ad Methods for the Predcto of Busess Falure. ed. Netherlads, Dordrecht: Kluwer Academc Publshers, 998, 7 p. 8

Emprego dos métodos Utilité Additive e Utilité Additive CRiteria na avaliação de imóveis: um estudo de caso

Emprego dos métodos Utilité Additive e Utilité Additive CRiteria na avaliação de imóveis: um estudo de caso Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso Resumo Luís Alberto Duca Ragel Luz Flávo Autra Motero Gomes Este artgo apreseta uma aplcação do método Utlté

Leia mais

O Apoio Multicritério à Decisão na avaliação de candidatos

O Apoio Multicritério à Decisão na avaliação de candidatos Produção, v. 20,., ja./mar. 200, p. 92-0 do: 0.590/S003-65320000500006 O Apoo Multcrtéro à Decsão a avalação de caddatos Luís Alberto Duca Ragel a,, Luz Flávo Autra Motero Gomes b a, duca@metal.eemvr.uff.br,

Leia mais

AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA

AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA versão mpressa ISSN 00-7438 / versão ole ISSN 678-542 AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA Luís Alberto Duca Ragel UFF-COPPE/PEP/UFRJ

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em 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 mais

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES: NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

É 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 mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: 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 mais

5 Critérios para Análise dos Resultados

5 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 mais

Construção e Análise de Gráficos

Construção 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 mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

4 O Método de Análise Hierárquica

4 O Método de Análise Hierárquica 4 O Método de Aálse Herárquca 4.. Itrodução O método de aálse herárquca é um dos métodos multatrbuto mas utlzados e dfuddos o mercado mudal (Gomes, 007). Isso se deve, provavelmete, a duas razões. A prmera

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro 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 mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - 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 mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades 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 mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. 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 mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

Avaliação da qualidade do ajuste

Avaliação 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 mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

Leia mais

Forma padrão do modelo de Programação Linear

Forma padrão do modelo de Programação Linear POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação

Leia mais

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0 EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()

Leia mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 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 mais

? Isso é, d i= ( x i. . Percebeu que

? 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 mais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro

Leia mais

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE 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 mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA 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 mais

Confiabilidade Estrutural

Confiabilidade 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 mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão 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 mais

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Estabilidade no Domínio da Freqüência

Estabilidade no Domínio da Freqüência Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;

Leia mais

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa

Leia mais

Difusão entre Dois Compartimentos

Difusão 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 mais

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA

A 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 mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 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 mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS 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

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor 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 mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria 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 mais

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

Leia mais

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. 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 mais

José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas

José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas UNIVERSIDADE FEDERAL DE OURO PRETO Isttuto de Cêcas Eatas e Bológcas Departameto de Computação José Álvaro Tadeu Ferrera Cálculo Numérco Notas de aulas Iterpolação Polomal Ouro Preto 3 (Últma revsão em

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística 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 mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É 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 mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA 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 mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

Arquitetura da ART Controle 1 Controle 2

Arquitetura da ART Controle 1 Controle 2 Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme

Leia mais

II. Propriedades Termodinâmicas de Soluções

II. Propriedades Termodinâmicas de Soluções II. Propredades Termodâmcas de Soluções 1 I. Propredades Termodâmcas de Fludos OBJETIVOS Eteder a dfereça etre propredade molar parcal e propredade de uma espéce pura Saber utlzar a equação de Gbbs-Duhem

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. 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 mais

MEDIDAS DE DISPERSÃO:

MEDIDAS 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 mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO 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 mais

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A 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 mais

Oitava Lista de Exercícios

Oitava 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 mais

Aula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte

Aula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação

Leia mais

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino Plao de Eso Uversdade Federal do Espírto Sato Campus: São Mateus Curso: Egehara de Produção Departameto Resposável: Departameto de Egeharas e Tecologa Data de Aprovação (Art. º 91): Docete resposável:

Leia mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

COMPARAÇÃO ENTRE MODELOS MATEMÁTICOS PARA O ESTUDO DO CRESCIMENTO E PRODUÇÃO FLORESTAL

COMPARAÇÃO ENTRE MODELOS MATEMÁTICOS PARA O ESTUDO DO CRESCIMENTO E PRODUÇÃO FLORESTAL COMPARAÇÃO ENTRE MODELOS MATEMÁTICOS PARA O ESTUDO DO CRESCIMENTO E PRODUÇÃO FLORESTAL Fracsco Walter de Lma Gomes Uversdade Católca de Brasíla Curso de Matemátca RESUMO: Este trabalho vsa comparar dos

Leia mais

8 Programação linear 78

8 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 mais

Técnicas Não Paramétricas

Técnicas Não Paramétricas Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze Em mutos problemas prátcos As abordages de estmação

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO 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 mais

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do

Leia mais

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado

Leia mais

Apresenta-se em primeiro lugar um resumo da simbologia adoptada no estudo da quadratura de Gauss.

Apresenta-se em primeiro lugar um resumo da simbologia adoptada no estudo da quadratura de Gauss. CAÍTULO QUADRATURA DE GAUSS Mutos dos tegras que é eessáro alular o âmbto da aplação do Método dos Elemetos Ftos (MEF) ão são trvas,.e., ou a prmtva da ução tegrada ão exste expltamete, ou é demasado omplada

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

Leia mais

Algoritmo Evolução Diferencial Adaptado para o Problema das P-Medianas

Algoritmo Evolução Diferencial Adaptado para o Problema das P-Medianas Proceedg Seres of the Brazla Socety of Appled ad Computatoal Mathematcs, Vol. 2, N., 204. Trabalho apresetado o CMAC-Sul, Curtba-PR, 204. Algortmo Evolução Dferecal Adaptado para o Problema das P-Medaas

Leia mais

2. NOÇÕES MATEMÁTICAS

2. 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 mais

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

Leia mais

Complexidade Computacional da Determinação da Correspondência entre Imagens

Complexidade Computacional da Determinação da Correspondência entre Imagens Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br

Leia mais

3 Experimento com Mistura com Respostas Não-Normais

3 Experimento com Mistura com Respostas Não-Normais Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 5 Epermeto com Mstura com Respostas Não-Normas Neste capítulo é apresetado o plaejameto e aálse de um EM com respostas ão ormas,

Leia mais

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional. Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 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 mais

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

NOTAS 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 mais

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos 4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um

Leia mais

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos

Leia mais

7 Análise de covariância (ANCOVA)

7 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 mais

UM ESTUDO SOBRE A UTILIZAÇÃO DE DADOS HISTÓRICOS NO MODELO DE MARKOWITZ APLICADO À BOLSA DE VALORES DE SÃO PAULO

UM ESTUDO SOBRE A UTILIZAÇÃO DE DADOS HISTÓRICOS NO MODELO DE MARKOWITZ APLICADO À BOLSA DE VALORES DE SÃO PAULO III SEMEAD UM ESTUDO SOBRE A UTILIZAÇÃO DE DADOS HISTÓRICOS NO MODELO DE MARKOWITZ ALICADO À BOLSA DE VALORES DE SÃO AULO Akor Heda (*) Adré Luz Oda (**) RESUMO Este artgo dscute a aplcação do modelo de

Leia mais

Avaliação de Empresas Profa. Patricia Maria Bortolon

Avaliação de Empresas Profa. Patricia Maria Bortolon Avalação de Empresas MODELO DE DIVIDENDOS Dvdedos em um estáo DDM Dscouted Dvded Model Muto utlzados a precfcação de uma ação em que o poto de vsta do vestdor é extero à empresa e eralmete esse vestdor

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

Modelos de Regressão Linear Simples e Múltipla. Fabio Antonio Avilla (Matemática) Profª Dra. Carine Savalli Redígolo (Orientadora)

Modelos de Regressão Linear Simples e Múltipla. Fabio Antonio Avilla (Matemática) Profª Dra. Carine Savalli Redígolo (Orientadora) Modelos de Regressão Lear Smples e Múltpla Fabo Atoo Avlla (Matemátca) Profª Dra. Care Savall Redígolo (Oretadora) Resumo Dversas áreas do cohecmeto cetífco procuram valdar suas hpóteses por meo de pesqusas

Leia mais

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. 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 mais

NÚMEROS COMPLEXOS. z = a + bi,

NÚMEROS COMPLEXOS. z = a + bi, NÚMEROS COMPLEXOS. DEFINIÇÃO No cojuto dos úmeros reas R, temos que a = a. a é sempre um úmero ão egatvo para todo a. Ou seja, ão é possível extrar a ra quadrada de um úmero egatvo em R. Dessa mpossbldade

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade 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 mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos iterativos. Capítulo O Método de Jacobi Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método

Leia mais

DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS

DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral

Leia mais

Matemática Financeira

Matemática Financeira Cocetos Báscos de Matemátca Facera Uversdade do Porto Faculdade de Egehara Mestrado Itegrado em Egehara Electrotécca e de Computadores Ecooma e Gestão Na prátca As decsões faceras evolvem frequetemete

Leia mais

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal

Leia mais

( ) Editora Ferreira - Toque de Mestre. Olá Amigos!

( ) Editora Ferreira - Toque de Mestre. Olá Amigos! Olá Amgos! Hoje coloco à dsposção de vocês aqu a seção Toque de Mestre da Edtora Ferrera (www.edtoraferrera.com.br) as questões de Matemátca Facera cobradas o últmo cocurso da axa Ecoômca Federal (EF),

Leia mais

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se

Leia mais

Estatística. 2 - Estatística Descritiva

Estatística. 2 - Estatística Descritiva Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA

Leia mais

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha 4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO 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

d s F = m dt Trabalho Trabalho

d s F = m dt Trabalho Trabalho UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução

Leia mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD 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 mais