CADERNOS DO IME Série Estatística
|
|
- Ângelo Sousa Felgueiras
- 6 Há anos
- Visualizações:
Transcrição
1 CADERNOS DO IME Sére Estatístca Uversdade do Estado do Ro de Jaero - UERJ ISSN mpresso / ISSN o-e v.4, p.5-9, 06 DOI: 0.957/cadest ESTIMAÇÃO DO GRAU DE ASTIGMATISMO PELO MÉTODO SUPPORT VECTOR REGRESSION CORRELACIONADO Adré Luz Emdo de Abreu Cetro Uverstáro Fracscao - FAE ametodosest@gma.com Asemo Chaves Neto Uversdade Federa do Paraá Depto de Estatístca asemo@ufpr.br Resumo Este trabaho apreseta a fuêca do coefcete de correação em modeos de regressão. Para o desevovmeto, utzou-se o método Support Vector Regresso (SVR) como modeo de regressão. O método SVR fo apcado em exames fetos em pacetes que possuem agum íve de astgmatsmo. Para tato, crou-se uma modfcação a fase de ajuste do modeo de regressão, sedo troduzdo o coefcete de correação ear, avaado a correação etre as varáves predtoras: Ceratometra, subdvdda em Exo Mas Pao e Exo Mas Curvo; e Refração, subdvddo em Esfera e Cídrco, sedo o grau de astgmatsmo a varáve a ser prevsta. O ovo método proposto, omeado SVR Correacoado teve seus resutados comparados com o método covecoa SVR, obtedo um desempeho superor, tato a correação dos modeos como o vaor do erro cometdo. Ao todo, utzaram-se os dados de 6 pacetes com astgmatsmo, sedo cradas duas cofgurações para o ajuste e teste, a prmera sedo composta de 0 observações para ajuste e ses para teste apresetado o erro RMSE = 0,035799, e a seguda composta de 6 observações a fase de ajuste e 0 o teste, gerado RMSE = 0,0858, em ambos os casos, ferores aos erros gerados peo método SVR covecoa. Paavras-chave: Regressão, Support Vector Regresso, Correação, Astgmatsmo.
2 Caderos do IME Sére Estatístca Estmação do Grau de Astgmatsmo.... Itrodução Desevover téccas que possam eaborar prevsões ou cassfcar padrões é de grade utdade a pesqusa e em apcações reas, sedo sempre ecessáro o adveto de téccas robustas e que sejam geerazáves do poto de vsta técco. Aém da robustez e poder de geerazação é desejáve que o tempo despreddo para a obteção das prevsões seja razoáve, uma vez que para uma pessoa com certo tpo de doeça o tempo de dagóstco pode ser cruca para o íco do tratameto. A técca de apredzado de máquas cohecda por SVM (Support Vector Mache Máqua de Vetor de Suporte) vem gahado grade destaque, sedo utzada para recohecmeto de padrões e os resutados obtdos são superores aos acaçados por outras téccas de apredzado em váras apcações (LORENA; CARVALHO, 003). A dea ca de crar agortmos para recohecer padrões surgu através de Fsher em 936. Mas tarde, em 96, Rosebatt (JONHSON e WICHERN, 988) sugeru o agortmo Perceptro de apredzagem, que é a base das Redes Neuras. Em 965, Vadmr Vapk propôs um agortmo para ecotrar um hperpao separador em uma cassfcação ear (VAPNIK; CHERVONENKIS, 974). O objetvo ca era ecotrar um hperpao separador que tvesse a máxma margem, ou seja, a maor dstâca etre os vetores suportes usado a metodooga de apredzagem. Etretato, em 99, Berhard Boser, Isabee Guyo e Vapk craram uma cassfcação ão ear, apcado as Fuções Kere (BOSER, GUYON E VAPNIK, 99). Em 995, Cora Cortes e Vapk sugerram uma modfcação o agortmo, troduzdo varáves de fogas para obter uma margem suave o hperpao separador e permtdo a cassfcação correta dos dados, chamado de modeo de marges fexíves (CORTES; VAPNIK, 995). Baseado o método SVM, a sua varate de regressão SVR, este trabaho apreseta a fuêca que o coefcete de correação ear exerce, mehorado, as prevsões quado apcado ao método SVR. O objetvo do trabaho é demostrar, de forma empírca, a efcêca da apcação do método SVR Correacoado, em comparação com o método SVR covecoa. Astgmatsmo é a dfcudade do sstema óptco em formar um poto foca a reta, devdo à dfereça a curvatura de uma ou mas superfíces refratvas do gobo 6
3 Caderos do IME Sére Estatístca Abreu & Chaves Neto ocuar. A magem de um poto jamas será exatamete um poto e sm uma ha (MOREIRA, 00). O astgmatsmo tota cosste o astgmatsmo das faces ateror e posteror da córea assm como o astgmatsmo etcuar ou também deomado de crstaao (MOREIRA, MOREIRA, 000). O astgmatsmo pode ser heredtáro sob a forma autossômco domate, autossômco recessvo ou gado ao cromossomo X. O artgo é composto pea trodução (capítuo ), as revsões bbográfcas sobre o método Support Vector Mache (capítuo ), Support Vector Regresso (capítuo 3), Least Squares Support Vector Mache (capítuo 4), a apresetação do método SVR Correacoado (capítuo 5), os dados utzados este trabaho (capítuo 6), fazado com os resutados (capítuo 7), cocusão (capítuo 8) e as referêcas.. Support Vector Mache SVM O SVM é uma metodooga que cassfca os padrões em dos cojutos, podedo ser ampado para cassfcações em mútpas casses. A metodooga utza marges de separação para os cojutos, as quas são desocametos com dstâca gua a um e deomado-se um cojuto de casse - e o outro de casse +. Por se tratar de uma metodooga de apredzado de máquas, do tpo apredzagem supervsoada, troduz-se uma otação para referecar o cojuto de treameto e os dados de etrada e saídas. Seja o cojuto de treameto: S = {( x, y),( x, y ),...,( x, y )} { X Y} () ode é o úmero de potos o cojuto de treameto. Cada poto é represetado por x, y }, para =,...,, ode x IR, ( x x x ),, { x =...,, é o vaor de etrada, pertecete ao espaço de etrada, que represeta a quatfcação das característcas, e y {, + } é a saída bára correspodete. Por exempo, para uma cassfcação ear, pode-se obter a fução rea f : X IR IR da segute maera: a etrada x = ( x, x,..., x ) é cosderada de casse + se f ( x ) > 0 e caso cotráro é cosderada -. Assm, a fução decsão f ( x ) é represetada por: t f ( x) = w x + b, () 7
4 Caderos do IME Sére Estatístca Estmação do Grau de Astgmatsmo... ode bas. w IR é o vetor de pesos, t w é o vetor trasposto de w e b IR é chamado de Caso o espaço de característcas teha dmesão dos, o hperpao separador obtdo é uma reta. Caso o espaço de característcas teha dmesão o hperpao separador obtdo é um hperpao de dmesão. O hperpao separador dvde o espaço de característcas em dos subespaços, sedo um deomado casse e o outro casse +. Um padrão x é cosderado cassfcado corretamete se ee estver fora da margem de separação de sua casse, ou seja, se y = + etão deve satsfazer ( x + b +) w t e se = y etão deve satsfazer ( x + b ) w t. O processo de treameto do SVM cosste a obteção de vaores para os pesos w e do termo bas b de forma a maxmzar a dstâca etre as marges. Desta maera, o SVM se tora robusto a pequeas varações o cojuto de treameto, possbtado uma mehor geerazação (ABREU, 06). Fgura Dfereça de marges de separação Fote: Abreu, 06 A Fgura apreseta duas separações eares e também as marges. Para a Fgura a, a separação ão possu ada a margem máxma passíve de ser cacuada, ou seja, é cosderada ão ótma, já a Fgura b apreseta, para o mesmo cojuto de dados de treameto, margem máxma possíve para esses dados de treameto, cosderada uma separação ótma. Cosderado as marges do hperpao de separação como w t x + b = + e x + b =, ameja-se obter a maor dstâca etre as marges para w t ecotrar a mehor geerazação e robustez do modeo do SVM. 8
5 Caderos do IME Sére Estatístca Abreu & Chaves Neto O probema de mmzação do método SVM ormamete é resovdo por meo de seu modeo dua. Segudo Moraes e Smar (00) apeas agus trabahos cosderam o resover dretamete o SVM peo seu modeo prma. Assm, cosderado o vetor α = α, α,..., α ) com os mutpcadores de ( Lagrage e obtém-se etão a fução a ser maxmzada dada por: Max S. a L( w, b, ξ, α) = = = α α y 0 α C 0 = j= α α y j y j x, x j (3) O vaor α é o Mutpcador de Lagrage correspodete ao padrão e C é o parâmetro que mta o vaor dos Mutpcadores de Lagrage o ajuste do SVM. 3. Support Vector Regresso SVR Para probemas de regressão, fo crada uma adaptação, ou extesão, do método SVM. Ta extesão se dá pea trodução de uma fução de perda, deomada do gês oss fucto. A formuação do Support Vector Regresso (SVR) utza os mesmos prcípos do agortmo de cassfcação (SVM), com exceção de agus detahes (PARRELLA, 007). Ao cotraro do SVM, o SVR propõe determar um hperpao f (x) ótmo em que, as amostras de treameto estejam mas próxmas possíve, ão mportado qua dos ados da superfíce os potos se ocazam, e sm que a dstâca para a superfíce seja a míma possíve, [y ε, y + ε], ode, desvos são permtdos desde que ão utrapassem a margem especfcada. Porém, mesmo com propóstos opostos, ambos buscam estabeecer uma fução com máxma capacdade de geerazação. Sapakevych e Sakar (009) destacam que a apcação do SVR para a prevsão de séres faceras e de carga eétrca são as apcações mas estudadas. Nas séres faceras as aáses são, mas especfcamete, fetas para prever o ídce do mercado facero. O objetvo do SVR é ecotrar uma fução f (x), com uma margem de erro caracterzada peo tervao [ ε y + ε ] utrapassem a margem especfcada. y,, ode, desvos são permtdos desde que ão 9
6 Caderos do IME Sére Estatístca Estmação do Grau de Astgmatsmo... O modeo matemátco para o SVR trata-se de um probema de programação ão ear, dado pea sua formuação dua a equação (3) (WANG e HU, 005): m s. a * α, α [0, C], = = j= ( α α )( α α ) x x * ( α α ) = 0 * j * j =, K, j ε = * ( α + α ) + = y * ( α α ) (4) *, α ode α são os mutpcadores de Lagrage, e C é uma costate reguarzadora. 4. Least Squares Support Vector Mache LSSVM Proposto por Suykes e Vadewae (999), LS-SVM é uma varate do método SVM cássco. Least Squares Support Vector Mache (máqua de vetores suporte a mímos quadrados) matém as mesmas característcas báscas e a mesma quadade a soução ecotrada que a sua predecessora. Ao cotráro do SVM, o LS-SVM cosdera restrções de guadade o ugar das desguadades, com sso, resuta um agortmo que reduz os probemas ao se apcar a um cojuto exteso de dados (SANTOS, 03). Uma das maores dfereças, é que, ao cotráro do SVM que utza a programação quadrátca para cacuar seus vetores suporte, que demada um grade tempo computacoa e possuem compexdade matemátca cosderáve, o LS-SVM utza um sstema de equações eares e a fução de custo por mímos quadrados (BORIN, 007; SHAH, 005). Assm, o modeo prma para o probema é dado pea equação (5) a segur (TRAFALLIS, SANTOSA, RICHMAN, 005): m s. a y t C w w + e t = w x = + b + e =,,..., (5) ode w é o vetor de pesos, C é o parâmetro que peaza erros atos e é otmzado peo usuáro, e são os erros mímos em reação à reta de regressão. Assm, tem-se o segute sstema de equações, orgadas da apcação do método dos mímos quadrados (TRAFALLIS, SANTOSA, RICHMAN, 005): 0 Ω + I b = C α Y t 0 (6) 0
7 Caderos do IME Sére Estatístca Abreu & Chaves Neto com Y = y, y,..., ), ( y t = (,,..., ), t ( t α, α,..., α ) α = e Ω é uma matrz dada peos eemetos Ω = Ω = φ x ) φ( x ) = K ( x, x ) com, j =,...,, sedo que K(x, xj) j ( j j é o Kere utzado, este caso, o fo utzado à fução RBF (Gaussao) para suas abordages, dada por: ( x x )( x x ) K ( x, x ) = exp (7) σ Optou-se por utzar o Kere RBF por ter apresetado os mehores vaores para as regressões, pos apresetaram os meores vaores para o erro RMSE e os maores vaores para o coefcete de correação R. Vae ressatar que a obteção dos vaores das costates C e σ, utzadas o modeo SVR, e SVR Correacoado, serão apresetados de forma competa a seção 6 adate, uma vez que são serdas peo pesqusador que está eaborado o ajuste do modeo, sedo parte cruca o processo de otmzação dos parâmetros da fução de regressão. E a fução de regressão é dada por: y = f ( x) = α K( x, x ) + b. (8) = 5. Modeo SVR Correacoado O desevovmeto deste método, ou adaptação do método SVR, se deu o desevovmeto dos programas para a tese de doutorameto do autor, sedo cosderada uma grata surpresa, uma vez que a dea ca era verfcar se, ao se mutpcar os dados cas peo coefcete de correação, havera agum tpo de mudaça o vaor da correação etre as varáves expcatvas e a varáve resposta. Após a verfcação, optou-se por ajustar estes ovos dados ao modeo SVR, e cacuar o erro cometdo e o ajuste do ovo modeo. Bascamete, ates de efetuar o treameto, cacua-se a correação das varáves depedetes e, assm, modfca-se o cojuto de treameto, destacado as varáves que possuem uma maor correação com a varáve depedete, porém, ada matedo-se as varáves de meor correação o cojuto de treameto e teste/vadação. É mportate ressatar que ta modfcação ão atera o vaor absouto da correação etre as varáves.
8 Caderos do IME Sére Estatístca Estmação do Grau de Astgmatsmo... As etapas do desevovmeto do método seguem os segutes passos:. Cacuam-se as correações etre as varáves depedetes e a varáve depedete, utzado todos dados exstetes;. Mutpcam-se as varáves depedetes pea sua respectva correação em reação a varáve depedete;. Apcam-se o modeo SVR aos ovos dados já mutpcados pea correação, otmzado os parâmetros C e σ; v. Apresetam-se os dados da apcação. Para o método proposto, usa-se o coefcete de correação ear, serdo a fase de ajuste, e é dado por: ode R = = = ( y y)( y y ) ( y y) ( y y ) y, y são os vaores reas e sua méda, respectvamete e prevsões e sua méda, respectvamete. = (9) y, y são as Para o ajuste dos parâmetros C e σ desevoveu-se um oopg o programa computacoa a fm de obter os seus vaores ótmos, assm varou-se os vaores de C de,0 até com σ fxo em,, e ao determar o vaor de C que maxmze o coefcete de correação e ao mesmo tempo mmze o erro RMSE, travou-se a varação do parâmetro C e cou-se a varação do parâmetro σ, que vara de, até.000,00, stado os vaores que apresetaram meor erro RMSE e maor coefcete R. Obtdos os possíves vaores ótmos, ca-se a fase de ajuste fo dos parâmetros, ode os vaores obtdos a fase ateror são perturbados gerado varações em toro dos vaores obtdos, varado em udades ou vaores decmas, tato para mas como para meos os vaores obtdos, para os dos parâmetros, a fm de obter erros meores. Os vaores de C e σ obtdos a fase de ajuste do método proposto foram usados também a fase de teste, e os resutados foram comprovadamete mehorados em reação ao método covecoa. Vae ressatar que o tempo computacoa dos ajustes fo cosderado reatvamete baxo, a casa dos 0 segudos para o ajuste automátco e ão mas de um muto a fase de ajuste fo.
9 Caderos do IME Sére Estatístca Abreu & Chaves Neto 6. Dados utzados O cojuto de dados dspoíve correspode aos resutados dos exames para a avaação do grau do astgmatsmo dos ohos. É composto peo exame feto em 6 pacetes (MAZUZE, MENDES, 04), sedo todos com grau de peo meos 0,5 de astgmatsmo, os exames ada apresetam agumas observações quatatvas, tas como dade, sexo, profssão e oho afetado, que ão etraram a modeagem do probema, devdo a sua correação quase ua com o grau de astgmatsmo. Foram determados dos ceáros dferetes para os ajustes do modeo SVR Correacoado. No prmero ceáro trabahou-se com 0 observações separadas das 6 dspoíves para a fase de ajuste, dexado as ses restates para a fase de teste. Já o segudo ceáro, optou-se por reservar 6 observações para a fase de ajuste e as 0 restates foram utzadas a de teste do modeo. Essas duas cofgurações dferetes foram pesadas para que fosse possíve verfcar a robustez do método SVR Correacoado em dferetes cofgurações de cojutos de ajuste, demostrado que o método ão fo desevovdo apeas para um cojuto específco de dados. Cosderou-se o vaor do astgmatsmo como sedo a varáve depedete a ser prevsta com base em quatro varáves depedetes, sedo eas: Ceratometra, subdvdda em Exo Mas Pao e Exo Mas Curvo; e Refração, subdvddo em Esfera e Cídrco. A Fgura apreseta a dfereça etre a cdêca da magem em um oho sado, ou seja, sem preseça de grau astgmatsmo, e um oho com certo grau de astgmatsmo, exempfcado como a deformdade a córea humaa fuêca a dstorção da magem projetada o fudo do gobo ocuar. Fgura Procedmeto do método SVR Correacoado Fote: Abreu, 06 3
10 Caderos do IME Sére Estatístca Estmação do Grau de Astgmatsmo... A Tabea apreseta os vaores da correação etre a varáve depedete Astgmatsmo e as característca Ceratometra, dada peo exo mas pao e exo mas curvo, e a Refração, dada peos vaores esfércos e cídrcos. Tabea Procedmeto do método SVM Correacoado Ceratometra Refração Mas pao Mas curvo Esfera Cídrco Astgmatsmo -0,7780 0,448 0,4953-0,8066 Fote: O autor, 07 Para a avaação do desempeho do modeo, utzou-se o coefcete de correação R, a Raz do Erro Quadrátco Médo (RMSE Root Mea Squared Error) e a Méda Percetua Absouta do Erro (MAPE - Mea Absoute Percetage Erro), cujas equações são dadas a segur: e RMSE = ( y y ) = (0) ode y y MAPE = 00% () = y y, y são os vaores reas e sua méda, respectvamete e prevsões e sua méda, respectvamete. 7. Resutados 7. Cojuto 0/6 y, y são as O prmero cojuto, ode foram separadas 0 observações para o ajuste e ses para o teste do modeo, a otmzação dos parâmetros C e σ retorou os meores vaores para o erro RMSE. Esses vaores foram C = 8,99 e σ =,87 e o erro gerado fo gua à RMSE = 0,030565, para a apcação do método SVR Correacoado. Já para a abordagem covecoa, os vaores ótmos para os parâmetros C e σ foram C = 39,0 e σ = 5,09, porém o vaor do erro cresceu para RMSE = 0,07350, se matedo baxo, mas maor que o vaor acaçado peo SVR Correacoado. Os vaores do erro MAPE são apresetados a Tabea 3 e apresetam a superordade do método SVR Correacoado, pos gerou um erro MAPE meor que o método covecoa. 4
11 Caderos do IME Sére Estatístca Abreu & Chaves Neto A Tabea apreseta os vaores para as prevsões fetas peo método SVR, SVR Correacoado e os vaores reas para o grau de astgmatsmo dos dados utzados, bem como as dstâcas dos resutados do método SVR aos vaores reas (Dstâca A) e do método SVR Correacoado (Dstâca B). Tabea Resutados das prevsões para o método SVR Correacoado e comparações SVR SVR Correacoado Vaores reas Dstâca A Dstâca B,6805,6867,75 0,0695 0,0633 0,648 0,747 0,75 0,07 0,053 0,9766 0,9993,00 0,034 0,0007 0,555 0,57 0,50 0,055 0,07,065,04,00 0,065 0,04,369,55,5 0,9 0,005 Fote: O autor, 07 A Tabea 3 apreseta o resumo dos vaores ótmos para os parâmetros e os mehores resutados dos erros obtdos peo método SVR Correacoado e SVR covecoa, factado a comparação dos resutados obtdos para as ses prevsões. Tabea 3 Resumo dos parâmetros e erros cometdos 0/6 Método C σ RMSE MAPE R SVR Correacoado 8,99,87 0, ,38% 0,9985 SVR 39,0 5,09 0, ,95% 0,984 Fote: O autor, 07 Assm, a Tabea 3 apreseta a superordade do método correacoado em reação ao método covecoa, obtedo vaores ferores os erros RMSE e MAPE e superores o coefcete de correação R. 7. Cojuto 6/0 Para a seguda cofguração do cojuto de dados o ajuste do modeo fo feto utzado 6 observações e as 0 restates foram utzadas para o teste do modeo. Os vaores ótmos obtdos peo método SVR Correacoado para os parâmetros foram C = 3339,75 e σ = 8,9, gerado um erro RMSE = 0,063. O modeo SVR covecoa ajustado obteve os vaores ótmos dos parâmetros C = 389,7 e σ = 8, gerado o erro RMSE = 0,0858, sesvemete maor que o erro cometdo peo método Correacoado, demostrado ovamete a efcêca do 5
12 Caderos do IME Sére Estatístca Estmação do Grau de Astgmatsmo... método proposto. Os vaores do erro MAPE para esta abordagem são apresetados a Tabea 5 apresetada adate. A Tabea 4 apreseta os vaores, a fm de comparação, para as prevsões fetas peo método SVR, SVR Correacoado e os vaores reas para o grau de astgmatsmo dos dados utzados e as dstâcas das prevsões do método SVR aos vaores reas (Dstâca A) e do método SVR Correacoado (Dstâca B). SVR Tabea 4 Resutados das prevsões para o cojuto 5/ SVR Correacoado Vaores reas Dstâca A Dstâca B 0,06 0,34 0,5 0,0474 0,058,757,656,5 0,057 0,056 0,330 0,3034 0,5 0,0630 0,0534 0,9945,046,00 0,0055 0,046,743,7488,75 0,0069 0,00 0,7364 0,7584 0,75 0,036 0,0084,009, ,009 0,00 0,494 0,574 0,50 0,0076 0,074,0008 0,9969,00 0,0008 0,003,79,637,5 0,09 0,037 Fote: O autor, 07 Dferete da apcação para o cojuto 0/6 ode todas as dstâcas das prevsões SVR Correacoado foram meores que do covecoa, esta apcação o método SVR covecoa apresetou 4 dstâcas meores que as obtdas peo método correacoado, porém, ada assm o erro gerado peo covecoa fo maor que o método correacoado. Já Tabea 5 a segur apreseta um resumo dos parâmetros e erros cometdos peos métodos SVR Correacoado e SVR covecoa, exempfcado os resutados obtdos a cofguração que reserva 6 observações para a fase de ajuste do modeo e 0 observações para a fase de teste do modeo, demostrado sua efcêca e servdo como um breve resumos dos resutados obtdos. Tabea 5 Resumo dos parâmetros e erros cometdos 6/0 Método C σ RMSE MAPE R SVR Correacoado 3339,75 8,9 0, 063 6, ,9997 SVR 399,7 8,09 0,0858 8, ,9908 Fote: O autor, 07 6
13 Caderos do IME Sére Estatístca Abreu & Chaves Neto 8. Cocusão O método Support Vector Mache é cosderado uma técca robusta por s só, e é utzado tato para cassfcações, como para regressões, como mostrado as apcações apresetadas este artgo. Uma das maores dfcudades, após as mpemetações dos métodos desevovdos fo à cabração dos parâmetros C e σ para os modeos SVR covecoa e SVR Correacoado, uma vez que esta cabração fo feta de maera automátca, porém, o ajuste fo os vaores fo feto peo autor. Assm, se pode extrar ao máxmo o desempeho do método crado. A partr da Tabea 3 fca cara a efcêca do método SVR Correacoado frete ao método covecoa, quado apcado a um cojuto 0/6 de observações tato seu erro RMSE como o erro MAPE fo meor que a metade do erro gerado peo método covecoa. Já a Tabea 5 apreseta a apcação ao cojuto 6/0, também retorado vaores, em sua maora, mas próxmos aos reas que o método SVR covecoa, porém, a dfereça etre os erros peo método Correacoado e o covecoa dmu, mas com o método Correacoado ada apresetado vaores meores que o método covecoa. Assm, cocu-se que o método SVR Correacoado pode ser cosderado efcete e robusto, a adaptação da fase de ajuste, com a cusão do coefcete de correação ear como uma costate peazadora, surtu efeto postvo, como era desejado o íco do trabaho. E ada assm, o tempo computacoa gasto o ovo método fo equvaete ao tempo computacoa utzado para rodar os probemas o método covecoa. Este trabaho apreseta a efcáca do método de forma empírca, ão retrado a ecessdade da demostração teórca. Assm, o próxmo passo é determar as demostrações teórcas da geerazação do método, ou testa-o a ovos cojutos de dados. Também se estuda a apcação do método Correacoado a probemas de recohecmeto e cassfcações de padrões, usado o método Support Vector Mache. 7
14 Caderos do IME Sére Estatístca Estmação do Grau de Astgmatsmo... Referêcas ABREU, A. L. E. Bootstrap e modeos de Support Vector Mache SVM (Tese de doutorado em Métodos Numércos em Egehara). Uversdade Federa do Paraá, Curtba, Paraá, 06. BORIN, A. Apcações de Máquas de vetores de suporte por mímos quadrados (LS-SVM) a quatfcação de parâmetros de quadade de matrzes ácteas. Tese de Doutorado (Químca). Uversdade Estadua de Campas, 007. BOSER, B. E.; GUYON, I. M.; VAPNIK, V. N. A Trag Agorthm for Optma Marg Cassers. COLT '9 Proceedgs of the ffth aua workshop o Computatoa earg theory, pag ACM New York, NY, USA. 99. CORTES, C. VAPNIK, V. Support-Vector Networks. Mache Learg, Voume 0, Número 3, Setembro/995, pag , Edtora Sprger,995. JONHSON, R. A.; WICHERN, D. W. Apped Mutvarate Statstca Aayss. d ed., Pretce-Ha Ic., New Jersey, 988. LORENA, A. C.; CARVALHO, A. C. P. L. F. Itrodução às Máquas de Vetores Suporte (Support Vector Maches). Reatóros téccos do ICMC, Isttuto de Cêcas Matemátcas e de Computação, USP, 003. MAZUZE, A. N. F.; MENDES, R. T. Mudaças refratvas em pós-operatóro de pacetes submetdos à crurga de Pterígo pea técca de traspate cojutva (Trabaho de cocusão de curso). Curso de Optometra. Uversdade do Cotestado, Uc. Caohas, SC. 04. MORALES, A. K.; SIMARI, G. R. Advaces Artfca Itegece. IBERAMIA 00: th Ibero- Amerca Coferece o AI, Bahía Baca, Argeta, November 5, 00. MOREIRA, A. T. R. Astgmatstmo. Arq. Bras. Oftamo (oe). Vo. 64,. 3, 00. MOREIRA, S. M.; MOREIRA, L. Adaptação de etes de cotato em ceratocoe. Ver. Sopse da Oftamooga. Ao º São Pauo, SP 000. PARRELLA, F. Oe Support Vector Regresso. Master Scece Thess. Departmet of Iformato Scece, Uversty of Geoa, Itay, 007. SANTOS, L. T. Abordagem da máqua de vetor suporte otmzada por evoução dfereca apcada à prevsão de vetos. Dssertação de Mestrado (Egehara Eétrca). Uversdade Federa do Paraá, 03. SAPANKEVYCH, N. I.; SANKAR, R. Tme Seres Predcto Usg Support Vector Maches: A Survey. IEEE Computatoa Itegece Magaze, Uversty of South Forda, USA, 009. SHAH, R. S. Least Squares Support Vector Mache SUYKENS, J. A. K.; VANDEWALLE, J. Least squares support vector mache cassfers. Neura Processg Letters, Sprger Netherads, v. 9, p , ISSN , 999. TRAFALIS, T. B.; SANTOSA, B.; RICHMAN, M. B. Learg etworks rafa estmato. Computatoa Maagemet Scece. Juy 005, Voume, Issue 3, pp 9-5. VAPNIK, V. N.; CHERVONENKIS, A. Y. Theory of Patter Recogto. Nauka, Moscow, 974. WANG, H.; HU, D. Comparso of SVM ad LS-SVM for Regresso. Neura Networks ad Bra, ICNN&B '05. Iteratoa Coferece o, vo., o., pp.79,83, 3-5 Oct
15 Caderos do IME Sére Estatístca Abreu & Chaves Neto INFLUENCE OF CORRELATION COEFFICIENT ON REGRESSION MODELS VIA SVR Abstract The work shows the fuece of the correato coeffcet regresso modes. For deveopmet, we used the method Support Vector Regresso (SVR) as the regresso mode. The SVR method was apped tests doe patets who have some degree of astgmatsm. Therefore, t created a chage the regresso mode adjustg stage, ad troduced the ear correato coeffcet, evauatg the correato betwee the predctor varabes: Keratometry, subdvded to shaft More Pa ad shaft More Curved; ad Refracto, subdvded to Sphere ad Cyder, the degree of astgmatsm the varabe to be predcted. The proposed ew method, amed SVR Correated had ther resuts compared to the covetoa method SVR, achevg superor performace both correato modes as the vaue of the mstake. Atogether, we used the data from 6 patets wth astgmatsm, Beg created two settgs for the adjustmet ad test, the frst oe beg composed of 0 observatos for adjustmet ad 6 for test presetg the error RMSE = , ad the secod composed of 5 observatos the adjustmet phase ad the test, geeratg RMSE = 0,0844, both cases, ower tha the errors geerated by the covetoa SVR method. Key-words: Regresso, Support Vector Regresso, Correato, Astgmatsm. 9
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 maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia mais5 Aplicação do GFMM no BEM
38 5 Apação do GFMM o BEM esse apítuo os desevovmetos apresetados o apítuo 4 são apados ao BEM pea expasão das souções fudametas utzadas as tegrações sobre os segmetos do otoro. É apresetada a formuação
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisAula 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 maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisMEDIDAS 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 maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisEconometria: 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 maisArquitetura 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 maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisCapítulo 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 maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisEstudo 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 maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisUM ALGORITMO BRANCH-AND-BOUND COM BUSCA LOCAL PARA PROGRAMAÇÃO GEOMÉTRICA SIGNOMIAL
XXXVIII SIMPÓSIO BRASIEIRO DE PESQISA OPERACIONA Pesqusa Operacoa a Socedade: Educação, Meo Ambete e Desevovmeto a /9/ oâa, O M AORITMO BRANCH-AND-BOND COM BSCA OCA PARA PRORAMAÇÃO EOMÉTRICA SINOMIA Rúba
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisAerodinâmica I. Asas Finitas Teoria da Linha Sustentadora Método de Glauert
( y Método de Gauert ( y ( y V c( y β 4 V d y y dy ( y dy Método de resoução da equação tegro-dfereca da ha sustetadora através da sua trasformação um sstema de equações agérco - Asas smétrcas, sem dedro
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia mais6.1 - 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 maisDistribuições 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 maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisA desigualdade de Kraft e correlatos
A desguadade de Kraft e correatos Defções remares Códgo ão sguar: símboos dferetes s são reresetados or códgos dferetes c ; Códgo uvocamete decodfcáve: se símboos cocateados (s s s 3... s k) são reresetados
Leia mais3 Classificação Supervisionada
3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas.
Leia maisRegressao 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 mais8. 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 mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
Leia maisTópicos Extras 2ª parte. Análise de Correlação e Regressão
Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO
Leia maisRACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO
RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x
Leia maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia maisESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia mais16 - PROBLEMA DO TRANSPORTE
Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia maisCAPÍTULO 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 maisUso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii
Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho
Leia maisDISTRIBUIÇÃO HIPERGEOMÉTRICA
7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora
Leia maisMacroeconometria 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 maisModelo 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 maisCAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS
CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são otdas com ase em
Leia maisApostila de Introdução Aos Métodos Numéricos
Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste
Leia maisMÉTODO 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 maisMÓDULO 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 maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Jaete Perera Amador 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela
Leia maisComplexidade 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 maisSumário. Mecânica. Sistemas de partículas
Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -
Leia maisAnálise estatística dos resultados do modelo de previsão atmosférica RAMS para a região do lago de Ilha Solteira (SP)
Aálse estatístca dos resultados do modelo de prevsão atmosférca RAMS para a regão do lago de Ilha Soltera (SP) Beatrz da Slva Berardo, Ismar de A. Satos, Claudo F. Neves 3., Uversdade Federal do Ro de
Leia maisCapitulo 1 Resolução de Exercícios
S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes
Leia maisRevisão 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 mais3 Sistema Neuro-Fuzzy Hierárquico BSP (NFHB)
3 Sstema Neuro-Fuzzy Herárquco BSP (NFHB) 3.. Itrodução Os sstemas euro-fuzzy descrtos a seção ateror possuem lmtações por terem uma capacdade reduzda de cração de sua própra estrutura e de receberem um
Leia maisDESEMPENHO 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 maisNOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling
NOTAS DE AULA DA DISCIPLINA CE76 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 sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:
Leia maisProjeto 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 maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisMÉTODO DA RIGIDEZ DIRETA PARA MODELOS ESTRUTURAIS LINEARES E ELÁSTICOS
MÉTOO A RIGIEZ IRETA PARA MOELOS ESTRUTURAIS LINEARES E ELÁSTICOS CAPÍTULOS a Luz Ferado Martha Potfíca Uversdade Catóca do Ro de Jaero PUC-Ro epartameto de Egehara Cv Rua Marquês de São Vcete, - Gávea
Leia mais( k) Tema 02 Risco e Retorno 1. Conceitos Básicos
FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual
Leia maisMEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO
Leia maisCAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS
CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo IV, Iterolação Polomal, estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são
Leia mais9 Medidas Descritivas
1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se
Leia mais2. NOÇÕES MATEMÁTICAS
. NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar
Leia maisNúmeros Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.
Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real
Leia maisEstabilidade 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 maisPrevisão de demanda quantitativa Regressão linear Regressão múltiplas Exemplos Exercícios
Objetvos desta apresetação Plaejameto de produção: de Demada Aula parte Mauro Osak TES/ESALQ-USP Pesqusador do Cetro de Estudos Avaçados em Ecooma Aplcada Cepea/ESALQ/USP de demada quattatva Regressão
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia maisTécnicas 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 maisEstatística. 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 maisForma 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 maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia maisKey words: spatial models; likelihood function; maximum likelihood estimators.
How to estmate spata modes wth the use of the kehood fucto Adré ra Gogher Abstract Ths paper s part of a seres that dscusses troductor cocepts of spata ecoometrcs. The texts were wrtte Portuguese ad ted
Leia maisPerguntas Freqüentes - Bandeiras
Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada
Leia maisVI - Integração Numérica
V - tegração Numérca C. Balsa & A. Satos. trodução São, este mometo, coecdos dos aluos métodos aalítcos para o cálculo do tegral dedo b ( d a sedo ( cotíua e tegrável o tervalo [ ab] ;. Cotudo, algumas
Leia maisProbabilidades 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 maisPotenciais termodinâmicos, critérios de espontaneidade e condições de equilíbrio
Potecas termodâmcos crtéros de espotaedade e codções de equlíbro O Prcípo da Etropa Máxma váldo para um sstema solado estabelece um crtéro para determarmos o setdo em que ocorrem os processos de forma
Leia maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
XLVI Pesqusa Operacoal a Gestão da Seguraça Públca DISPOSIÇÃO DE FACILIDADES EM FILA DUPLA VIA PROGRAMAÇÃO INTEIRA MISTA Leoardo D. Secch Departameto de Matemátca Aplcada, UFES, 29932-540, São Mateus,
Leia maisComo CD = DC CD + DC = 0
(9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (
Leia maisRegressão. Pedro Paulo Balestrassi
Regressão Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 5-696 / 88776958 (cel) Questoametos comus: Como mplemetar a equação Y=f(X) a partr de dados hstórcos ou epermetas? Como fazer
Leia mais3 Análises Probabilísticas de Estabilidade
3 Aálses Probablístcas de Establdade 3.1 Itrodução Para facltar o etedmeto das metodologas de aálse de cofabldade serão apresetados este capítulo algus cocetos báscos de probabldade e estatístca. 3. Cocetos
Leia maisModelos de regressão linear: abordagem clássica
Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua
Leia maisProf. Eugênio Carlos Stieler
http://www.uemat.br/eugeo Estudar sem racocar é trabalho 009/ TAXA INTERNA DE RETORNO A taa tera de retoro é a taa que equalza o valor presete de um ou mas pagametos (saídas de caa) com o valor presete
Leia mais16/03/2014. 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