Um algoritmo heurístico híbrido para criação de modelos com representação explícita de relacionamentos espaciais
|
|
- Melissa Fialho
- 5 Há anos
- Visualizações:
Transcrição
1 Um algortmo heurístco híbrdo para cração de modelos com representação explícta de relaconamentos espacas Adar Santa Catarna 1 Antôno Mguel Vera Montero 2 João Rcardo de Fretas Olvera 2 1 Colegado de Informátca - Unversdade Estadual do Oeste do Paraná - UNIOESTE Rua Unverstára, 2069 Jardm Unverstáro Cascavel PR, Brasl asc@unoeste.br 2 Dvsão de Processamento de Imagens - Insttuto Naconal de Pesqusas Espacas INPE São José dos Campos SP, Brasl {mguel, joao}@dp.npe.br Abstract. A fundamental dea to analyze and nterpret spatal data s spatal dependence. The spatal dependence results from that everythng s related to everythng else, but near thngs are more related than dstant thngs. Spatal data analyss uses heurstc algorthms as Genetc Algorthms; however, these algorthms gnore the spatal dependence. In ths work we present an archtecture for a Hybrd Heurstc Algorthm (HHA) wth explct representaton of spatal relatonshps. The archtecture proposed ncludes a Generalzed Proxmty Matrx that represents the spatal assocaton between objects n space, n other words the spatal relatonshps. The HHA embody two heurstcs: Genetc Algorthms and Smulated Annealng. It creates two types of models: Smple Lnear Regresson and Weghted Lnear Regresson. The frst type s equal to Statstc Lnear Regresson and the second type s a Lnear Regresson that computes the spatal relatonshps gves by the Generalzed Proxmty Matrx. We tested the HHA producng Lnear and Weghted Lnear Regresson. The two types of models adjusted rghtly show the relatons between dependent and ndependent varables. These results allow us to conclude that HHA can be used as a tool for spatal analyss. Palavras-chave: model breeder, spatal analyss, genetc algorthm, smulated annealng, construtor de modelos, análse espacal, algortmo genétco. 1. Introdução A capacdade para produzr, armazenar e recuperar dados espaço-temporas cresceu sgnfcatvamente nos últmos anos. Contrbuíram para sto o aumento na oferta de magens de satéltes em dferentes resoluções espacas, espectras e temporas, o uso de GPS para coleta dreta de dados e o acesso a bases de dados demográfcas mas detalhadas, como o censo braslero de 2000, que dvdu os muncípos em dversas undades censtáras. Apesar dos SIG atuas ncrementarem nossa capacdade de analsar dados espacas, esses anda estão no começo da efetva ntegração entre métodos de exploração e análse deste tpo de dado. Os métodos para explorar e analsar dados espacas advém de áreas tradconas como a Estatístca e de áreas emergentes como a Intelgênca Computaconal, Sstemas Complexos e outras (Openshaw e Openshaw, 1997; Couclels, 1998; Openshaw e Abrahart, 2000; Câmara e Montero, 2001). A busca por nformações contdas em bancos de dados geográfcos, usando computação ntensva, orgnou uma nova área de conhecmento: a geocomputação [Openshaw e Abrahart 1996]. Os Algortmos Genétcos (AG) são uma classe de algortmos computaconas ntensvos usados em geocomputação. AG são usados em software como os Model Breeders (Openshaw e Openshaw, 1997; Santa Catarna et al., 2005) e GARP (Genetc Algorthm to Rule-set Predcton) (Stockwell e Peters, 1999). A combnação entre um AG e outras técncas heurístcas como o smulated annealng, hll clmblng e busca tabu, por exemplo, defne um algortmo heurístco híbrdo (AHH). A combnação de dferentes algortmos vsa utlzar o 4319
2 que de melhor há neles. Espera-se, então, que o novo algortmo seja capaz de produzr melhores resultados do que aqueles encontrados pelos algortmos aplcados soladamente. Um prncípo essencal para compreender e analsar problemas espacas é orgnado da Prmera Le da Geografa 1 (Tobler, 1970). A expressão quanttatva deste prncípo é o efeto da dependênca espacal (Câmara e Montero, 2001). Este prncípo mostra a mportânca em consderar o espaço próxmo ao problema em estudo. Entretanto o espaço próxmo, e portanto a dependênca espacal, é neglgencada nos Model Breeders e no GARP. Esta neglgênca ocorre não apenas nestes softwares; ela deve-se a ausênca de um AG que ncorpore, em seu mecansmos evolutvos, os relaconamentos espacas. O objetvo prncpal deste trabalho é apresentar a arqutetura de um Algortmo Heurístco Híbrdo (AHH) com representação explícta de relaconamentos espacas. Os relaconamentos espacas serão representados numa matrz de proxmdade generalzada (MPG) que permtrá o cômputo dos efetos da dependênca espacal. O AHH será empregado na análse de dados espacas, construndo modelos que capturem os relaconamentos entre varáves. Além dsso, através de representação explícta dos relaconamentos espacas, é possível nserr o conhecmento prévo sobre os elementos naturas e artfcas presentes no espaço, cujos efetos são sgnfcatvos para o problema em estudo. 1.1 Algortmos Genétcos AG é um algortmo de busca que smula o mecansmos evoluconáro dos sstemas bológcos naturas, onde os ndvíduos mas aptos têm maor probabldade de se reproduzr gerando descendentes. Em problemas de otmzação os AG tem apresentado boas soluções naqueles problemas onde as técncas tradconas de busca falham (Holland, 1975; Goldberg, 1989). Incalmente um AG gera um conjunto de soluções aleatóras codfcadas em cadeas de dígtos bnáros, chamado população. Cada ndvíduo da população é chamado de cromossomo, representando uma solução canddata para o problema. A avalação de cada cromossomo determna seu índce de aptdão; ndvíduos mas aptos têm maor probabldade de gerarem flhos. Os cromossomos evoluem através de terações sucessvas chamadas de gerações. O processo de seleção e os operadores de cruzamento e mutação são os responsáves por crar as novas gerações. O processo de seleção vsa seleconar ndvíduos, de acordo com seu índce de aptdão, para combná-los através do operador de cruzamento, gerando novos ndvíduos que mantém característcas de seus pas. Posterormente estes novos ndvíduos podem ser modfcados pelo operador de mutação. Após váras gerações o AG pode produzr soluções acetáves para um problema. A Fgura 1 mostra o fluxograma básco de um AG. 1.2 Smulated Annealng Esta heurístca é uma metáfora de um processo térmco utlzado para obtenção de estados de baxa energa num sóldo. O processo consste de duas etapas: na prmera a temperatura do sóldo é aumentada para um valor máxmo no qual ele se funde; na segunda o resframento deve ser realzado lentamente até que o materal se soldfque. Quando a temperatura baxa, os átomos gradualmente movem-se em dreção a uma estrutura regular; somente com pequena probabldade ncrementarão suas energas. Esse processo fo smulado em computador, com sucesso, por Metropols et al. (1953). Krkpatrck 1 Everythng s related to everythng else, but near thngs are more related than dstant thngs [Tobler, 1970, p.236]. 4320
3 et al. (1983) desenvolveram um algortmo de utlzação genérca análogo ao de Metropols, denomnado Algortmo Smulated Annealng, apresentado na Fgura 2. Fgura 1. Fluxograma básco de um Algortmo Genétco Ler e NR; //Constante de resframento ( < 1) e número de repetções S = S(); //Conjunto aleatóro de soluções ncas T = LS; //Lmte superor TMIN = LI; //Lmte nferor Enquanto (T > TMIN) faça Para = 1 até NR faça Gerar uma solução S a partr de S; //perturbação de S Avalar a varação de energa; // E = g(s ) g(s); Se (varação de energa <= 0) então S = S Senão Gerar aleatoramente Rnd; //no ntervalo [0, 1] Se (Rnd < exp(-varação de energa / T) então S = S ; Fm se; Fm Para; T = T * ; Fm enquanto; Fgura 2. O algortmo Smulated Annealng Segundo o algortmo apresentado na Fgura 2, se uma solução canddata S é melhor que a solução corrente S, ou seja g(s ) g(s), esta é aceta com probabldade 1. Caso contráro a solução canddata é aceta com uma dada probabldade. Essa probabldade é maor à medda em que for menor a varação de energa, defnda por E. Ao mesmo tempo, à medda que há um decréscmo da temperatura T, o algortmo torna-se mas seletvo, passando a acetar, com menor freqüênca, soluções que apresentem grande aumento na varação de energa, sto é, soluções que sejam muto pores que a solução corrente. Essa probabldade tende a zero à medda que a temperatura se aproxma do ponto de congelamento defndo por TMIN. O algortmo Smulated Annealng pode ser consderado como uma extensão do método orgnal de busca local. Porém, dspõe de um mecansmo que permte sua escapada de um ótmo local. O acete de uma nova solução não depende únca e exclusvamente do seu valor; mesmo apresentando um valor por que o da solução corrente, uma nova solução pode ser aceta de forma probablístca. 1.3 Matrz de Proxmdade Generalzada A MPG é uma varação da matrz de proxmdade. Estas matrzes expressam quanto dos objetos geográfcos são vznhos, consderando suas posções no espaço. Geralmente esta medda de vznhança é estmada em termos de adjacênca topológca ou dstânca Eucldana. 4321
4 Representamos a relação de vznhança entre dos objetos O e O j por W j. As opções mas comuns para defnr W j são: W j = 1, se O é topologcamente adjacente a O j ; W j = 0 nos outros casos; W j = 1, se a dstânca (O, O j ) < d; W j = 0 nos outros casos. A MPG é composta por um conjunto de objetos geográfcos O, um grafo G e uma matrz de proxmdade V. Células regulares ou polígonos, de acordo com a representação espacal empregada, representam o conjunto de objetos geográfcos O. Nós e arcos compõem o grafo G; cada nó representa um objeto e os arcos representam as relações espacas entre dos nós (Pedrosa, 2003). 2. Arqutetura do Algortmo Heurístco Híbrdo com Representação Explícta de Relaconamentos Espacas Na arqutetura proposta a representação explícta dos relaconamentos espacas dá-se pela ncorporação de uma MPG e um peso assocado a cada varável ndependente. A Fgura 3 mostra a arqutetura proposta. Fgura 3. Arqutetura do AHH com representação explícta de relaconamentos espacas A MPG atende a dos objetvos: ncorporar os relaconamentos espacas exstentes entre os objetos geográfcos e a representação do conhecmento sobre os elementos naturas e artfcas presentes no espaço. Os pesos W j na MPG são responsáves por representar o conhecmento pré-exstente sobre os elementos no espaço. Os pesos, representados pelas layers de pesos, quantfcam o efeto das varáves ndependentes sobre a varável dependente. 2.1 Dados de Entrada e sua Representação Esta subseção mostra a estrutura dos dados de entrada e exemplfca como os relaconamentos espacas são representados. Os dados de entrada são: objetos geográfcos e seus relaconamentos espacas (MPG), as varáves dependente e ndependentes. Para cada objeto geográfco haverá um conjunto de dados de entrada conforme apresentado na Fgura 3. IdPol NRE RelEsp W j X 0 X 1 X 2... X n Fgura 3. Estrutura dos dados de entrada 4322
5 onde: IdPol: número que dentfca o objeto geográfco; NRE: Número de objetos aos quas o objeto IdPol está relaconado RelEsp: conjunto com os NRE objetos espacalmente relaconados com o objeto IdPol ; W j : conjunto com NRE pesos, correspondendo à relação de vznhança entre dos objetos O e O j ; X 0 : varável dependente; X k : varáves ndependentes. k = 1..n; n: número de varáves ndependentes; A Fgura 4 mostra um exemplo de entrada de dados para o objeto geográfco da Fgura 2, cujo IdPol = , 8, 9, 10, 11 1, 2, 1, 1, 2 1,318 0,508 0,705 1,1 Fgura 4. Exemplo de uso da estrutura de dados de entrada Esta fgura mostra que o polígono com Id = 10 tem NRE = 5 relaconamentos de vznhança com os polígono 7, 8, 9, 10 e 11 e W j = {1; 2; 1; 1; 2}. O valor da varável dependente (X 0 ) para o polígono 10 é 1,318 e os valores das varáves ndependentes X k = {0,508; 0,705; 1,1}. 2.2 Codfcação, Avalação da Aptdão e Operadores Genétcos Num AG o processo evolutvo ocorre sobre os cromossomos. Os cromossomos codfcam as soluções possíves para o problema. Na arqutetura proposta o processo evolutvo ocorre sobre os pesos assocados às varáves ndependentes; portanto são estes pesos que devem ser codfcados nos cromossomos. A MPG é um dado de entrada estátco; ela representa o conhecmento sobre os relaconamentos espacas que não mudam durante o processo evolutvo. A codfcação utlzada é decmal; cada gene do cromossomo corresponde a um peso assocado à uma varável ndependente. O últmo gene do cromossomo corresponde à constante do modelo. A Fgura 5 mostra a estrutura geral de um cromossomo. PesoX 1 PesoX 2 PesoX n Const 1,453 2,317-2,112 0,015 Fgura 5. Estrutura geral de um cromossomo Os cromossomos são avalados por duas equações dferentes, de acordo com o tpo de modelo que se está ajustando. No caso de regressão lnear smples o objeto geográfco O está relaconado apenas consgo mesmo e com relação de vznhança W j = 1. Os cromossomos para este tpo de modelo são avalados pela Equação 1. n Xˆ PesosX X Const (1) 0 k 1 No caso de regressão lnear ponderada os cromossomos são avalados pela Equação 2. n NRE k k NRE Xˆ PesosX W X W Const (2) 0 k j kj k 1 j 1 j 1 j 4323
6 De acordo com a Equação 2, para cada objeto geográfco as varáves ndependente X k são estmadas através de uma méda ponderada, consderando os pesos advndos das relações de vznhança descrtas na MPG. A aptdão fnal de um cromossomo é calculada pela soma dos erros ao quadrado, de acordo com a Equação 3, onde m é o número total de objetos geográfcos. O objetvo fnal do AHH é mnmzar o valor de Aptdão. Aptdão m 1 X 0 2 Xˆ (3) Os operadores genétcos usados são a seleção, o cruzamento artmétco de Mchalewcz (1994) e a mutação. A probabldade de seleção é proporconal a aptdão de cada cromossomo. Os parâmetros tamanho da população, taxas de cruzamento e mutação, temperatura mínma, temperatura máxma e a constante de resframento são defndos emprcamente. O algortmo pára após a realzação de um número pré-defndo de cclos. A Fgura 6 apresenta o núcleo de otmzação do AHH, mostrando a hbrdzação de um AG com SA. 0 vod AGSA::Run(){ CreatePop(); //Crando a população ncal EvalPopAG(); //Avalando a população ncal for ( = 0; < NumCclos; ++){ EvolPopAG(); //Gerando uma nova população através de uma teração do AG EvalPopAG(); //Avalando a nova população gerada } } whle (TAtual > TMnma){ //Núcleo do SA EvolPopSA(); //Executando uma teração do SA EvalPopSA(); //Avalando o resultado obtdo na teração do SA } Populacao[0] = GBest; //Restaura o melhor ndvíduo obtdo até o momento ResetTAtual(); //Rencalza temperatura no SA --> TAtual = TMax Fgura 6. O núcleo de otmzação do AHH 3 Testes Realzados com o AHH Para testar o AHH utlzamos um conjunto de dados obtdos de Os dados provêm do Censo Demográfco 2000 e são apresentados na Tabela 1. Os testes aqu realzados vsam encontrar um modelo que relacona a varável dependente X 0 = número de flhos nascdos vvos, com as varáves ndependentes X 1 = número de domcílos com banhero, X 2 = número de domcílos cujo responsável tem 8 ou mas anos de estudo e X 3 = número de domcílos onde a renda é maor que 3 saláros mínmos. Para utlzação com o AHH os dados da Tabela 1, referentes às varáves dependente e ndependentes, foram padronzados através da Equação 4. X x X p (4) s Os dados apresentados na Tabela 1 ncluem nformações sobre a MPG. Para o teste com o modelo de regressão lnear smples basta desconsderar as nformações da MPG, assumndo que cada objeto relacona-se apenas consgo mesmo, com W j = 1. Os parâmetros do AHH foram ajustados com os seguntes valores: tamanho da população = 50, número de cclos = 10, temperatura mínma = 0,001, temperatura máxma = 3, constante de resframento = 0,9, número de repetções para cada cclo do SA = 3, tamanho da elte da população = 1, taxa de cruzamento = 80% e taxa de mutação = 1%. 4324
7 Tabela 1. Dados utlzados nos testes do AHH Estado Id NRE RelEsp W j X 0 X 1 X 2 X 3 Rondôna Acre Amazonas Rorama Pará Amapá Tocantns Maranhão Pauí Ceará Ro Grande do Norte Paraíba Pernambuco Alagoas Sergpe Baha Mnas Geras Espírto Santo Ro de Janero São Paulo Paraná Santa Catarna Ro Grande do Sul Mato Grosso do Sul Mato Grosso Goás Dstrto Federal Modelo de Regressão Lnear Smples O modelo de regressão lnear smples ajustado pelo AHH para os dados da Tabela 1, padronzados pela Equação 4, é apresentado na Equação 5. Este modelo apresentou aptdão mínma gual a 0,9298. A aptdão medda corresponde à soma dos desvos quadrátcos. Xˆ 1,5605 X1 2,7114 X2-3,3185 X3 0,0025 (5) Comparando este resultado com o modelo ajustado através do método dos mínmos quadrados (Equação 6) percebemos que são smlares. A soma dos desvos quadrátcos deste modelo fo gual a 0,9282. Xˆ 1,5931 X 2,6806 X -3,3269 (6) 3.2 Modelo de Regressão Lnear Ponderado 1 2 X3 O modelo de regressão lnear ponderado ajustado pelo AHH para os dados da Tabela 1, padronzados pela Equação 4, consderando os relaconamento de vznhança representados pela MPG, é apresentado na Equação 7. A soma dos desvos quadrátcos deste modelo fo gual a 1,0946. Xˆ 1,4262 X1 3,4663 X2-4,0000 X3 0,0312 (7) Os relaconamentos e pesos apresentados na Tabela 1, correspondentes à MPG, foram defndos arbtraramente. Imagnamos que alguns Estados da Federação exercem algum tpo de nfluênca sobre seus vznhos mas próxmos. Por exemplo, São Paulo exerce nfluênca 4325
8 sobre os Estados de Mnas Geras, Ro de Janero e Paraná, bem como é nfluencado por estes. Apesar deste modelo não ser comparável ao modelo lnear smples, observamos que a aptdão do mesmo não é muto dferente àquela apresentada pelo modelo lnear smples, mostrando que pode também ser utlzado para estmar adequadamente os valores de X a partr do conjunto de varáves ndependentes. 4. Conclusões O Algortmo Heurístco Híbrdo (AHH) proposto apresentou bons resultados, tanto ajustando modelos lneares smples quanto modelos lneares ponderados. A comparação do modelo lnear smples com o modelo ajustado pelo método dos mínmos quadrados confrma que o AHH apresenta resultados confáves. Entretanto, a prncpal vantagem apresentada pelo AHH é o fato dele trabalhar com dferentes tpos de modelos utlzando a mesma estrutura de codfcação. Ou seja, mostrou-se uma solução genérca para o problema de analsar dados espacas procurando relações exstentes entre varáves dependentes e ndependentes, com e sem relaconamentos espacas. O AHH apresenta outra característca favorável; ele é extensível. Os testes realzados ajustaram apenas modelos lneares, mas ele pode ser utlzado para ajustar modelos não lneares. Para tanto basta mudar a estrutura do cromossomo (Fgura 5) nclundo um número maor de coefcentes e a escrever uma função de avalação do cromossomo, consderando termos não lneares. Como trabalho futuro aplcaremos o AHH no processo de modelagem de dstrbução de espéces. A ncorporação da MPG representa uma novação que permtrá computar os efetos dos relaconamentos espacas sobre a dstrbução potencal das espéces estudadas. 5. Referêncas Bblográfcas Câmara, G.; Montero, A. M. V. Geocomputaton technques for spatal analyss: are they relevant to health data? Cadernos Saúde Públca, v. 17, n. 5, p , Couclels, H. Geocomputaton n context. In: Longley, P. A.; Brooks, S. M.; McDonnell, R.; MacMllan, B. Geocomputaton: a prmer. New York : John Wley & Sons, Goldberg, D. E. Genetc algorthms n search, optmzaton & machne learnng. Readng : Addson-Wesley, Holland, J. H. Adaptaton n natural and artfcal systems. Ann Arbor : Unversty of Mchgan Press, Krkpatrck, S.; Gellat, D. C.; Vecch, M. P. Optmzaton by smulated annealng. Scence. v. 220, n p , Metropols, W.; Rosenbluth, A.; Rosenbluth, M.; Teller, A.; Teller, E. Equaton of state calculatons by fast computng machnes. Journal of chemcal physcs. v. 21, n. 6, p , Jun Mchalewcz, Z. Genetc algorthms + data structures = evoluton programs. 3.ed. Sprnger-Verlag, Openshaw, S.; Abrahart, R. J. Geocomputaton. In: 1st. Internatonal Conference on Geocomputaton, 1996, Leeds. Proceedngs Leeds : Unversty of Leeds, Openshaw, S.; Openshaw, C. Artfcal ntellgence n geography. West Sussex : John Wley & Sons, Openshaw, S.; Abrahart, R. J. Eds. GeoComputaton. London : Taylor & Francs, Pedrosa, B. M. Ambente computaconal para modelagem dnâmca. 2003, 71 p. Tese (Doutorado em Computação Aplcada) Insttuto Naconal de Pesqusas Espacas, São José dos Campos Santa Catarna, A.; Olvera, J. R. F.; Montero, A. M. V. Model Breeder: um algortmo genétco para cração de modelos. Dsponível em: doc/model%20breeder%20-%20worcap2005.pdf. Acesso em: 01.set Stockwell, D. e D. Peters. The GARP modelng system: problems and solutons to automated spatal predcton. Internatonal Journal of Geographcal Informaton Scence, v. 13, n. 2, p , Tobler, W. R. A computer model smulaton of urban growth n the Detrot regon. Economc Geography, v. 46, n. 2, p ,
Algoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisDinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc
Dnâmca Estocástca Insttuto de Físca, outubro de 2016 1 Dnâmcas estocástcas para o modelos defndos em redes Sstema defndo em um retculado em um espaço de d dmensões Exemplo: rede quadrada d=2 em que cada
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisUM ALGORITMO GENÉTICO HÍBRIDO PARA RESOLVER O PROBLEMA DO DESPACHO ECONÔMICO DE ENERGIA ELÉTRICA
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN UM ALGORITMO GENÉTICO HÍBRIDO ARA RESOLVER O ROBLEMA DO DESACHO ECONÔMICO DE ENERGIA ELÉTRICA Márca Marcondes Altmar Samed
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisARTIGO ORIGINAL. Comparação Entre os Métodos PSO e Simulated Annealing na Minimização de Funções Não Lineares
DOI: 10.18605/175-775/cereus.v10np376-388 ARTIGO ORIGINAL Mnmzação de Funções Não Lneares Comparson Between PSO and Smulated Annealng Methods n the Mnmzaton of
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisRegressão Logística Aplicada aos Casos de Sífilis Congênita no Estado do Pará
Regressão Logístca Aplcada aos Casos de Sífls Congênta no Estado do Pará Crstane Nazaré Pamplona de Souza 1 Vanessa Ferrera Montero 1 Adrlayne dos Res Araújo 2 Edson Marcos Leal Soares Ramos 2 1 Introdução
Leia mais2ª Atividade Formativa UC ECS
I. Explque quando é que a méda conduz a melhores resultados que a medana. Dê um exemplo para a melhor utlzação de cada uma das meddas de localzação (Exame 01/09/2009). II. Suponha que um professor fez
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisFunção de Incidência: uma possível união da Teoria de Metapopulação com a Ecologia da Paisagem?
Função de Incdênca: uma possível unão da Teora de Metapopulação com a Ecologa da Pasagem? Função de Incdênca: uma possível unão da Teora de Metapopulação com a Ecologa da Pasagem? INTRODUÇÃO O que é uma
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisTermoelétricas de Ciclo Combinado.
Aplcação de Algortmo Genétco na Otmzação da Operação de Undades Termoelétrcas a Cclo Combnado Sandoval Carnero Jr, Ivo Chaves da Slva Jr, André L.M. Marcato, José Luz R. Perera, Paulo A.N.Garca, Paulo
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisUM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO
Pesqusa Operaconal na Socedade: Educação, Meo Ambente e Desenvolvmento 12 a 15/09/06 Goâna, GO UM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO Flávo Marcelo Tavares Montenegro IBGE Insttuto Braslero
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisSeleção de atributos usando algoritmos genéticos para classificação de regiões
Seleção de atrbutos usando algortmos genétcos para classfcação de regões Joelma Carla Santos João Rcardo de Fretas Olvera Lucano Vera Dutra Sdne João Squera Sant Anna Camlo Daleles Rennó Insttuto Naconal
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma
Leia maisEFEITO DA IDADE E MATERIAL GENÉTICO NA FORMA DE ÁRVORES DE Eucalyptus
EFEITO DA IDADE E MATERIAL GENÉTICO NA FORMA DE ÁRVORES DE Eucalyptus Dana Marques de Olvera ; Ellezer Almeda Mello ; Carolne Stephany Inocênco ; Adrano Rbero Mendonça Bolssta PBIC/UEG, graduandos do Curso
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisDesenvolvimento de software de simulação Monte Carlo para auxiliar no estudo da propagação de doenças infecciosas
Desenvolvmento de software de smulação Monte Carlo para auxlar no estudo da propagação de doenças nfeccosas João Batsta dos Santos-Flho 1, Tatana Santos de Araujo Batsta 2, José Carlos Rodrgues Olvera
Leia maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisChapter 9 Location INTRODUÇÃO. Localização de Instalações. Problemas de comunicação
Chapter 9 Locaton Localzação de Instalações Problemas de comuncação http://www.youtube.com/watch?v=h_qnu4rwlvu INTRODUÇÃO INTRODUÇÃO Analsar padrões de localzação pode ser nteressante Porque a Whte Castle,
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisAlgoritmos Genéticos: a otimização aplicando a teoria da evolução
Algortmos Genétcos: a otmzação aplcando a teora da evolução Sezmára F. Perera Saramago Faculdade de Matemátca Unversdade Federal de Uberlânda saramago@ufu.br Resumo. Este artgo apresenta um texto ntrodutóro
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma magem dgtal r é a função f(r) aplcada a todo pxel
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Lcencatura em Economa E C O N O M E T R I A II (LEC310) Avalação dstrbuída - Teste global 25 de Junho de 2007 NOTAS PRÉVIAS: 1. A prova tem duração de 2 horas. 2. Apenas
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisALGORITMOS GENÉTICOS APLICADOS À MODELAGEM ÓTIMA DE PROBLEMAS DE PLANEJAMENTO E UM ESTUDO DE CASO
Anas do 4 O Encontro de Incação Centífca e Pós-Graduação do ITA XIV ENCITA / 2008 Insttuto Tecnológco de Aeronáutca, São José dos Campos, SP, Brasl, Outubro, 20 a 23, 2008. ALGORITMOS GENÉTICOS APLICADOS
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Leia mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisO MMD se baseia no sistema no sistema linearizado das equações de fluxo de potência, ou seja: Δ (4.1)
4 Método da Matrz D Neste capítulo será apresentada uma descrção do MMD [Prada, 99], [Prada, ]. Este método será usado para dentfcar casos de nstabldade de tensão causados pela perda de controlabldade.
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisCOMPARAÇÃO ENTRE METODOLOGIA DE OTIMIZAÇÃO GLOBAL E O MÉTODO DE GRADIENTES PARA AJUSTE DE HISTÓRICO ASSISTIDO
COMPARAÇÃO ENTRE METODOLOGIA DE OTIMIZAÇÃO GLOBAL E O MÉTODO DE GRADIENTES PARA AJUSTE DE HISTÓRICO ASSISTIDO Célo Mascho e Dens José Schozer, Unversdade Estadual de Campnas, Faculdade de Engenhara Mecânca
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisDependência Espacial de espécies nativas em fragmentos. florestais
Dependênca Espacal de espéces natvas em fragmentos 1 Introdução florestas 1 Mestranda em Engenhara Florestal LEMAF/DCF UFLA. e-mal: cunhadase@yahoo.com.br 2 Mestrando em Engenhara Florestal LEMAF/DCF UFLA.
Leia mais