MODELO GEOESTATÍSTICO DE PREVISÃO ESPAÇO-TEMPORAL: IMPLEMENTAÇÃO COMPUTACIONAL NO SOFTWARE R

Tamanho: px
Começar a partir da página:

Download "MODELO GEOESTATÍSTICO DE PREVISÃO ESPAÇO-TEMPORAL: IMPLEMENTAÇÃO COMPUTACIONAL NO SOFTWARE R"

Transcrição

1 ! "#$ " %'&)(*&)+,.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?<>=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& Foz do Igaç, PR, Brasil, 9 a de otbro de 7 MODELO GEOESTATÍSTICO DE PREVISÃO ESPAÇO-TEMPORAL: IMPLEMENTAÇÃO COMPUTACIONAL NO SOFTWARE R Raphael Lennie Fernandes Ribeiro (UFMG) faellennie@yahoo.com.br Seli Aparecida Mingoti (UFMG) seli@est.fmg.br Modelos espaço-temporais são ferramentas probabilísticas para análise de dados e predições qe representam as dependências espaciais e temporais entre as observações. O desenvolvimento de métodos para a análise de modelos espaço-temporais ttem amentado consideravelmente devido ao fato do avanço de métodos comptacionais. Neste trabalho apresentamos m programa comptacional desenvolvido em R ntamente com o pacote Geo-R para análise espaço-temporal de dados. A metodologia implementada é a de geoestatística proposta por Kyriakidis e Jornel (999). Para qe o sário possa tilizar o programa adeqadamente é necessário qe este tenha conhecimentos sobre Geoestatística. Palavras-chaves: Modelos espaço-temporais; Geoestatística; Variograma; Krigagem.

2 Foz do Igaç, PR, Brasil, 9 a de otbro de 7. Introdção Os modelos espaço-temporais são modelos mais recentes e constitem ma área com grande potencial para pesqisa científica. Os modelos em geral são constrídos de forma a representar probabilisticamente o comportamento dos dados coletados em várias localizações no espaço sendo qe em cada localização estes também apresentam ma dependência temporal. Existem vários exemplos de aplicação prática. Pode-se citar os artigos relacionados com a modelagem dos fenômenos climáticos e o efeito da polição atmosférica (Oehlert, 993), o estdo da qalidade de solos, em Medicina no estdo de evolção de doenças ao longo do tempo e em áreas geográficas distintas (Carroll e Cressie, 997), Ecologia, etc. Uma área de grande potencial para a aplicação dessas técnicas é a gestão de empresas de telefonia e energia, dentre otras. Se for de interesse prever-se a direção da expansão dos serviços da empresa é importante qe se analise estatisticamente dados tanto em nível temporal qanto em nível espacial. Por exemplo, em qe localizações novas estações de telefonia o geração de energia devem ser colocadas? e em relação ao tempo qando essas novas estações deveriam ser implementadas? O grande problema é qe comptacionalmente mitos dos modelos espaço-temporais não estão implementados. Além disso, os modelos geoestatísticos da forma como foram propostos permitem qe se faça previsões espaciais apenas para os tempos específicos nos qais se tem algma informação sobre a variável resposta Z(.). A proposta deste artigo é mostrar m programa desenvolvido na lingagem R ntamente com o so do pacote Geo-R qe implementa ma versão da metodologia proposta por Kyriakidis e Jornel (999).. Modelagem Geoestatística Espaço-Temporal Sponha qe tenhamos n localizações,...,, n e em cada localização tenhamos ma série Z ( i, t, temporal em T tempos distintos. Assim, tem-se o connto de observações: ) i =,,...n ; =,,... T, onde Z(.) é a variável resposta de interesse. O obetivo principal é constrir m modelo qe possa fazer previsões de Z(.) para localizações não amostradas nm tempo específico t, =,,,T. O modelo proposto por Kyriakidis e Jornel (999) para cada localização no tempo fixo t é dado em () no qal M ( ) é m componente qe representa a variação da média espacial, R ( é m componente com média zero qe fnciona como m fator de correção temporal de M ( ), R(, é o resído espaço-temporal com média zero e variância, e S (, é o componente espaço-temporal qe modela o desvio padrão da variável aleatória Z(.) sendo este decomposto em m prodto de m componente pramente espacial ( S () ) e otro pramente temporal ( S ( ). Z(,t ) = M ( ) + R ( t ) + S(,t )R(,t ) = M ( ) + R ( t ) + S( )S( t )R(,t ) () Para qe se possa fazer a previsão para a localização nm tempo t específico é necessário estimar-se os componentes do modelo proposto por Kyriakidis e Jornel (999).

3 Foz do Igaç, PR, Brasil, 9 a de otbro de 7.. Estimação dos Componentes do Modelo Sponha qe qeiramos fazer previsão de Z para ma localização não amostrada (nova) nm tempo específico t, =,...,T. O valor previsto para a localidade de interesse ( ), em m tempo fixo, é dado por: Z( ˆ,t ) = M ˆ ( ) + R ˆ ( t ) + S( ˆ )S( ˆ t )R( ˆ,t ) () Os passos propostos para calclar essa previsão são: a) Para cada localização fixa amostrada i calclar a média da série temporal respectiva, o sea, M ( ) = T T Z(,t i i 3 = Assim, teremos o connto espacial com n informações de médias. b) Calclar o variograma experimental da variável regionalizada M(.). Identificar o modelo e estimar os parâmetros. c) Para a localização estimamos o componente M(.) fazendo krigagem sando ma vizinhança de. Assim teremos o componente estimado por: Mˆ ( ) = λ ( ) M ( ) (4) { i V } ) i i onde λ são os pesos obtidos na krigagem. d) O componente R ( ) é estimado da seginte forma: t Rˆ ( = n λ ( )( Z(, Mˆ ( ( i i i i= Vale ressaltar qe os pesos λ vêm por krigagem dos valores de M(.), D. Temos qe os pesos, λ (), são independentes de t e são obtidos sando o variograma da série M(.). e) A variância estimada de Z para cada localização fixa é dada por: ˆ T S ( ) ( (, ) ˆ ( ) ˆ ( )) = Z t M R t (6) T t = No entanto, todas as localizações têm a mesma variância de Z. Assim m estimador connto é: n w = λ ( i= ) Sˆ ( i i f) O próximo componente qe devemos estimar é S ( qe representa a variância de Z( para m t fixo. No entanto, têm-se várias localizações para m t fixo, assim as estimativas são combinadas como em (8). n ˆ ( )] ( )( (, ) ˆ ( ) ˆ [ S t = λ ( )) (8) i Z i t M i R t w i= g) Por último, o resído é estimado para cada e t fixo como em (9): [ Z( ˆ ˆ i, M ( i ) R ( ] Rˆ(, = (9) [ Sˆ ( )] [ Sˆ ( ] i ) ) )) (7) (5) 3

4 Foz do Igaç, PR, Brasil, 9 a de otbro de 7 onde S ˆ ( ) = S ˆ ( ) e S ˆ ( t ) = S ˆ ( t ). Com isso, para não amostrada previamente, a estimativa pontal para Z ˆ(,, t fixo pertencente ao connto T observado na amostra, é dado como em (), onde: Mˆ Sˆ( Rˆ( ( ) = ) = λ( ) Mˆ λ( ) Sˆ ( ) ( ), = λ( ) Rˆ(, () A variância aproximada do erro de predição é obtida como em (): Var( Z(, Zˆ(, ) = Var( M ( ) Mˆ ( )) + [ S ( )][ S ( ] Var( M ( ) Mˆ ( )) Var( Z(, Zˆ(, ) = σ ( ) + [ S ( )][ S ( ] k σ k ( ) () 3. Implementação Comptacional A implementação comptacional foi feita tilizando-se o software R.. e o pacote geor qe está disponível para versões do software R.., o mais recentes. Por ser ma metodologia mais recente existem pocas implementações comptacionais nessa área, o qe dificlta a aplicação dessa metodologia em sitações reais. Um dos grandes desafios da implementação desenvolvida consiste em modelar o comportamento de dados qe variam tanto no espaço como no tempo. Desta forma destaca-se a importância da implementação desenvolvida, á qe ela axiliará no estdo dessa metodologia. Através dessa implementação será possível fazer predições para localizações não amostradas considerando a dependência espacial desses dados. Um fator importante no so do programa é a familiaridade com a identificação de variograma teórico e de métodos de Krigagem (Cressie, 99). Exemplo de Aplicação: Sponha qe estamos interessados em verificar a taxa de ocorrência de casos de Aids em mnicípios do estado de Minas Gerais. Temos m connto de 338 localizações,,,..., 338 e em cada localização temos ma série temporal com T = 4. Assim temos o connto de observações: Z( i, t ), i =,...338; =,,3,4. onde Z ( i, t ) é a taxa de casos de Aids na localidade i no tempo. Observe na Figra qe para todas as localidades no mapa temos ma série temporal (localizações amostradas). Estamos interessados em estimar o número de ocorrências de Aids no mnicípio de Sabará, qe é ma localidade não amostrada, o sea, não conhecemos o comportamento do número de casos de Aids nesse mnicípio nos períodos de 996 a 999 (t=4). Vale ressaltar qe a previsão de Z(.) poderá ser feita somente para os tempos amostrados nas demais localidades, o sea, a princípio não poderíamos tilizar essa metodologia para fazer previsões para tempos ftros. Em algns mnicípios não foi verificada a ocorrência de casos de Aids em determinados 4

5 Š P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_yi k% h Foz do Igaç, PR, Brasil, 9 a de otbro de 7 períodos, por isso, realizaremos a seginte transformação no connto de dados para execção do programa: ln ( Taxa) = ln Nº de casos real Total de habitantes ŒŽ + Vale ressaltar qe os dados estão sendo tilizados para axiliar na compreensão da metodologia implementada, por isso, os resltados obtidos não refletem nenhma tendência real. Figra Metodologia Espaço-Temporal A localização na qal estamos interessados em fazer as previsões, nos tempos em qestão, possi coordenadas (-9,889 ; -43,863). O primeiro passo é iniciar o pacote geor: Figra Iniciando o GeoR Para fins de exemplificação exibiremos somente algns resltados da implentação desenvolvida. Nos primeiros itens é exigida a interferência do sário, á qe é necessária a identificação do modelo do variograma. a) Algmas informações descritivas sobre a média temporal, M ( i ), das localizações (i), e algmas considerações sobre as distâncias entre as localizações: 5

6 š š P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_yi k% h Foz do Igaç, PR, Brasil, 9 a de otbro de 7 Figra 3 Análise Descritiva Através da saída do programa notamos qe a máxima distância entre das localidades é,686 nidades. b) Variograma experimental de M(): Figra 4 Variograma Experimental c) Estimação dos parâmetros do modelo astado: Figra 5 Estimação dos Parâmetros Os modelo e os parâmetros astados são representados por: γ ( h; θ ) = se h = 3 h h,553 +,98 5,766 5,766,596 se h 5,766 3, se < h 5,766 6

7 Foz do Igaç, PR, Brasil, 9 a de otbro de 7 A partir de agora não é necessário a interferência do sário na implementação. Esses comandos irão estimar os componentes do modelo sgerido por Kyriakidis e Jornel (999). d) Validação do modelo: Após a análise dos resídos, não encontramos indícios de falta de adeqação do modelo e das sposições a ele associadas. Feito todas as avaliações anteriores, o próximo passo será fazer as previsões do número de casos de Aids ( ln(taxa)) na cidade de Sabará, nos tempos indicados Histogram of residtest Density residtest Figra 6 Validação do modelo e) Previsões para a localidade de interesse: Obtemos as previsões para a localidade de interesse, a variância das predições e os intervalos de confiança, nesse caso de 95%. Figra 7 Previsões para ln (Taxa) Figra 8 Variância das Previsões Figra 9 Intervalo de Cofiança para as Previsões 7

8 Foz do Igaç, PR, Brasil, 9 a de otbro de 7 A Tabela smariza os resltados obtidos pelo programa. (*): Intervalo de Confiança Cidade Latitde Longitde Z ˆ(, t ) Z ˆ(, t ) Z ˆ(, t 3 ) Z ˆ(, t 4 ) Sabará ,6743 (-,57 ; -7,48) -8,6393 (-,389 ; -6,88) (-,77 ; -7,48) ] (-,64 ; -7,73) Tabela Previsões para a localidade não amostrada Vale lembrar qe as previsões foram feitas para os dados transformados e qe os resltados não podem ser considerados, á qe os dados foram tilizados somente para expor o programa desenvolvido. Após algmas pesqisas tivemos acesso ao número de casos de Aids na cidade de Sabará nos anos em qestão. Para fins de comparação realizamos a mesma transformação nesses dados. A Tabela mostra os valores previstos pelo modelo astado e os valores reais. Nº Aids Latitde Longitde Z ˆ(, t ) Z ˆ(, t ) Z ˆ(, t 3 ) Z ˆ(, t 4 ) Valor Real -9,334-8,879-9,765-9, Valor Previsto -8,67-8, Tabela - Comparação entre o valores reais e os valores preditos pelo modelo Observe qe os valores preditos estão razoavelmente próximos dos valores reais para a localidade no qal fizemos as previsões. Todos os valores reais estão contidos no intervalo de confiança das previsões. Com isso, temos evidências de qe o modelo astado descreve, com boa qalidade, a variação espaço-temporal dos dados. Como os dados foram transformados aconselha-se, nesse caso, qe sea feita ma transformação log-normal nas previsões para termos acesso ao número de casos de Aids nessa localidade. Porém, essa transformação não será tratada nesse artigo. 4. Previsões Espaciais para Tempos não Amostrados Para efetar previsões espaciais para tempos não amostrados previamente sgere-se a seginte alternativa: primeiramente para cada localização fixa asta-se m modelo de séries temporais fazendo-se previsões para os tempos ftros nos qais a variável Z(.) não foi amostrada. Posteriormente, tiliza-se o modelo espaço-temporal como descrito neste trabalho como se as previsões de Z(.) para os tempos ftros fossem dados reais obtendo-se assim as previsões espaciais. É claro qe a qalidade das previsões espaciais para os tempos ftros é dependente da qalidade do modelo de série temporal astado para cada localidade. Para tornar o procedimento mais prático pode-se por exemplo astar modelos por métodos de alisamento exponencial o Holt-Winters (Morettin e Toloi, 4). 8

9 Foz do Igaç, PR, Brasil, 9 a de otbro de 7 5. Considerações Finais O estdo dos modelos espaço-temporais, proposto nesse trabalho, reforça a idéia de qe a informação sobre a localização espacial de ma observação é de extrema relevância para a constrção dos modelos estatísticos. O programa foi desenvolvido com o intito de aplicar essa metodologia a sitações reais, á qe os modelos espaço-temporais consegem modelar, com boa qalidade, o comportamento tanto espacial qanto temporal dos dados. O programa disponibiliza ma maneira fácil de fazer previsões para localizações não amostradas considerando a dependência das regiões mais próximas. Além disso, o programa retorna os intervalos de confiança para as predições, e permiti qe o sário faça previsões para várias localidades ao mesmo tempo. Para a tilização correta do programa é necessário conhecimento de geoestatística e algma familiaridade com o pacote geor. Drante a tilização do programa é imprescindível a intervenção do sário, á qe é necessária a identificação do modelo geoestatístico. Embora o programa tenha sido revisado cidadosamente ele não esta livre de imperfeições.. Referências BROCKWELL, P.J., DAVIES, R,.A. Time series theory and methods. a. edição. New York: Springer Verlag, 99. CARROLL, S. S. E CRESSIE, N. Spatial modeling of snow water eqivalent sing covariances estimated from spatial and geomorphic attribtes. Jornal of Hidrology, 997. CRESSIE, N. Statistics for spatial data. New York: John Wiley & Sons, 99. DIGGLE, P.J., RIBEIRO JR, P.J. Model-based geostatistics. XIV SINAPE - Simpósio Nacional de Probabilidade e Estatística, Caxamb: Associação Brasileira de Estatística. HOST, G., MORE, H. SWITZER, P. Spatial interpolation errors for monitoring data. Jornal of American Statistical Association, 995. ISSAKS, EDWARD H; SRISVASTAVA, R. MOHAN. Applied geostatistics. New York: Oxford University Press,989. KYRIAKIDIS, P.C., JOURNEL, A. G. Geostatistical space-time models: a review. Mathematical Geology, 999. MINGOTI, S. A., LEITE, A. G., ROSA, G. Describing the total nmber of diagnosed cases of aids by means of geostatistics. Revista de Matemática e Estatística, Unesp, 4,, 6-76, 6. MORETTIN, P. A., TOLOI, C. M. Análise de séries temporais. ABE-Proeto Fisher. São Palo: Editora Edgard Blcher, 6. NIU, X-F, MCKEAGUE, I.W.,ELSNER,J.B. Seasonal space-time models for climate systems. Statistical Inference for Stochastic Processes, 3. OEHLERT, G. W. Regional trends in slfate wet deposition. Jornal of American Statistical Association, 993. R DEVELOPMENT CORE TEAM (5). R: A langage and environment for statistical compting. R Fondation for Statistical Compting, Vienna, Astria. ISBN , URL 9

O uso de técnicas geoestatísticas na espacialização da argila do solo

O uso de técnicas geoestatísticas na espacialização da argila do solo O uso de técnicas geoestatísticas na espacialização da argila do solo Elisângela Aparecida de Oliveira 1 Tiago Egídio Barreto 2 Ricardo Ribeiro Rodrigues 3 1 Introdução O termo estatística espacial é utilizado

Leia mais

UTILIZAÇÃO DE GEOESTATÍSTICA PARA O ESTUDO DO ATRIBUTO COBRE NO SOLO. Gabriel Tambarussi Avancini 1 RESUMO

UTILIZAÇÃO DE GEOESTATÍSTICA PARA O ESTUDO DO ATRIBUTO COBRE NO SOLO. Gabriel Tambarussi Avancini 1 RESUMO UTILIZAÇÃO DE GEOESTATÍSTICA PARA O ESTUDO DO ATRIBUTO COBRE NO SOLO Gabriel Tambarussi Avancini 1 RESUMO Este trabalho teve como objetivo estudar a espacialização do atributo cobre, Cu, do solo utilizando

Leia mais

Um Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística

Um Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística XIII SIMPEP - Bauru, SP, Brasil, 6 a 8 de Novembro de 006 Um Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística Fabiane Renata de Santana Yassukawa (UFMG) fabianesy@yahoo.com.br

Leia mais

VARIABILIDADE ESPACIAL DA CONDUTIVIDADE ELÉTRICA NO SOLO EM UM TALHÃO DE LARANJA: AMOSTRAS EM GRIDES REGULARES. Lucas Santana da Cunha 1 RESUMO

VARIABILIDADE ESPACIAL DA CONDUTIVIDADE ELÉTRICA NO SOLO EM UM TALHÃO DE LARANJA: AMOSTRAS EM GRIDES REGULARES. Lucas Santana da Cunha 1 RESUMO VARIABILIDADE ESPACIAL DA CONDUTIVIDADE ELÉTRICA NO SOLO EM UM TALHÃO DE LARANJA: AMOSTRAS EM GRIDES REGULARES Lucas Santana da Cunha 1 RESUMO Todas as atividades que giram em torno dos conceitos da agricultura

Leia mais

ISSN Palavras-chave: Hierarquização geométrica, espaços de Hilbert, simulação estocástica.

ISSN Palavras-chave: Hierarquização geométrica, espaços de Hilbert, simulação estocástica. Revista Energia na Agricultura ISSN 1808-8759 KRIGAGEM SIMPLES versus KRIGAGEM UNIVERSAL: QUAL O PREDITOR MAIS PRECI- SO? GÉRSON RODRIGUES DOS SANTOS 1 ; MARCELO SILVA DE OLIVEIRA ; JOÃO MARCOS LOU- ZADA

Leia mais

Perfil geoestatístico de taxas de infiltração do solo

Perfil geoestatístico de taxas de infiltração do solo Perfil geoestatístico de taxas de infiltração do solo João Vitor Teodoro¹ Jefferson Vieira José² 1 Doutorando em Estatística e Experimentação Agronômica (ESALQ/USP). 2 Doutorando em Irrigação e Drenagem

Leia mais

4 Análise dimensional para determinação da frequência e fator de amplificação do pico máximo

4 Análise dimensional para determinação da frequência e fator de amplificação do pico máximo 4 Análise dimensional para determinação da freqência e fator de amplificação do pico máimo A análise cidadosa das eqações qe regem o escoamento pode fornecer informações sobre os parâmetros importantes

Leia mais

MÉTODOS GEOESTATÍSTICOS BASEADOS EM MODELOS, APLICADOS A DADOS COMPOSICIONAIS NA CLASSIFICAÇÃO DE SOLOS

MÉTODOS GEOESTATÍSTICOS BASEADOS EM MODELOS, APLICADOS A DADOS COMPOSICIONAIS NA CLASSIFICAÇÃO DE SOLOS MÉTODOS GEOESTATÍSTICOS BASEADOS EM MODELOS, APLICADOS A DADOS COMPOSICIONAIS NA CLASSIFICAÇÃO DE SOLOS Orientador: Prof. PhD Paulo Justiniano Ribeiro Junior. 8 de outubro de 2008 Roteiro de Apresentação

Leia mais

PLANO DE ENSINO MÉTODOS ESTATÍSTICOS II. 1) IDENTIFICAÇÃO Disciplina: Método Estatístico II Código da Disciplina:

PLANO DE ENSINO MÉTODOS ESTATÍSTICOS II. 1) IDENTIFICAÇÃO Disciplina: Método Estatístico II Código da Disciplina: PLANO DE ENSINO MÉTODOS ESTATÍSTICOS II 1) IDENTIFICAÇÃO Disciplina: Método Estatístico II Código da Disciplina: 9071008 Carga Horária: 40 horas/aula Período Letivo: Professor(a): Édila Cristina de Souza

Leia mais

IMPLEMENTAÇÃO E AVALIAÇÃO DE TÉCNICAS DE IDENTIFICAÇÃO DE SISTEMAS NÃO LINEARES USANDO O CÓDIGO LIVRE SCILAB

IMPLEMENTAÇÃO E AVALIAÇÃO DE TÉCNICAS DE IDENTIFICAÇÃO DE SISTEMAS NÃO LINEARES USANDO O CÓDIGO LIVRE SCILAB IPLEENTAÇÃO E AVALIAÇÃO DE TÉCNICAS DE IDENTIFICAÇÃO DE SISTEAS NÃO LINEARES USANDO O CÓDIO LIVRE SCILAB Rosiane Ribeiro Rocha, * Valéria Viana rata, Lís Cládio Oliveira-Lopes Bolsista de Iniciação Científica

Leia mais

PrevGeo - A geoestatística aplicada em estudos de séries temporais: uma comparação com os métodos de Holt-Winters e Box e Jenkins

PrevGeo - A geoestatística aplicada em estudos de séries temporais: uma comparação com os métodos de Holt-Winters e Box e Jenkins 24 Produto & Produção, vol. 6, n. 1, p. p. 24-32, fev. 2002 PrevGeo - A geoestatística aplicada em estudos de séries temporais: uma comparação com os métodos de Holt-Winters e Box e Jenkins Sueli A. Mingoti,

Leia mais

ANÁLISE DE SENSIBILIDADE DE ESTRUTURAS VIA ANSYS

ANÁLISE DE SENSIBILIDADE DE ESTRUTURAS VIA ANSYS 3 ANÁLISE DE SENSIBILIDADE DE ESRUURAS VIA ANSYS Geralmente o MEF é o método nmérico de análise tilizado pare se obter os valores das fnções objetivo e das restrições, no qe diz respeito à maioria dos

Leia mais

MÉTODOS GEOESTATÍSTICOS BASEADOS EM MODELOS, APLICADOS A DADOS COMPOSICIONAIS NA CLASSIFICAÇÃO DE SOLOS

MÉTODOS GEOESTATÍSTICOS BASEADOS EM MODELOS, APLICADOS A DADOS COMPOSICIONAIS NA CLASSIFICAÇÃO DE SOLOS MÉTODOS GEOESTATÍSTICOS BASEADOS EM MODELOS, APLICADOS A DADOS COMPOSICIONAIS NA CLASSIFICAÇÃO DE SOLOS Orientador: Prof. PhD Paulo Justiniano Ribeiro Junior. 6 de novembro de 2008 Motivação Ciências da

Leia mais

INCORPORARAÇÃO DA GEOESTATÍSTICA A PREVISÕES DE ESCOLHA MODAL

INCORPORARAÇÃO DA GEOESTATÍSTICA A PREVISÕES DE ESCOLHA MODAL INCORPORARAÇÃO DA GEOESTATÍSTICA A PREVISÕES DE ESCOLHA MODAL Viviani Antunes Gomes Cira Souza Pitombo INCORPORARAÇÃO DA GEOESTATÍSTICA A PREVISÕES DE ESCOLHA MODAL Viviani Antunes Gomes Cira Souza Pitombo

Leia mais

Utilização de diferentes estimadores de semivariância com modelo teórico exponencial

Utilização de diferentes estimadores de semivariância com modelo teórico exponencial Utilização de diferentes estimadores de semivariância com modelo teórico exponencial Marcilia Bruna dos Reis Teixeira João Domingos Scalon 3 Introdução A Geoestatística aborda a detecção da estrutura da

Leia mais

Palavras-Chave: Gráficos de Controle Especiais, Geoestatística.

Palavras-Chave: Gráficos de Controle Especiais, Geoestatística. Estudo de Cartas Especiais e Geoestatística no Controle Estatístico de Processos Bruna Fernanda Viotto Oliveira¹ Edilson Ferreira Flores² RESUMO O presente estudo teve como objetivo explorar as técnicas

Leia mais

Interpolação. Interpolação. Padrões de amostragem. Autocorrelação. Padrões de amostragem. Padrões de amostragem

Interpolação. Interpolação. Padrões de amostragem. Autocorrelação. Padrões de amostragem. Padrões de amostragem Sistemas de Informação Geográfica II Interpolação 1. Interpolação Autocorrelação Padrões de amostragem Validação de resultados Interpolação Predição do valor de atributos em pontos não-amostrados Tempo

Leia mais

Ajuste de modelos de séries temporais para pressão atmosférica de Uberlândia

Ajuste de modelos de séries temporais para pressão atmosférica de Uberlândia Ajuste de modelos de séries temporais para pressão atmosférica de Uberlândia Valiana Alves Teodoro Mirian Fernandes Carvalho Araújo Lúcio Borges de Araújo Introdução Na comercialização de produtos originados

Leia mais

Gestão de Riscos em Projetos de Software

Gestão de Riscos em Projetos de Software Gestão de Riscos em Projetos de Software Seiji Isotani, Rafaela V. Rocha sisotani@icmc.sp.br rafaela.vilela@gmail.com PAE: Armando M. Toda armando.toda@gmail.com Sem riscos não há recompensas Plano de

Leia mais

Modelagem de séries temporais de demanda de energia elétrica da Universidade Federal de Lavras, correspondentes ao período de 1995 a 2013

Modelagem de séries temporais de demanda de energia elétrica da Universidade Federal de Lavras, correspondentes ao período de 1995 a 2013 Modelagem de séries temporais de demanda de energia elétrica da Universidade Federal de Lavras, correspondentes ao período de 1995 a 2013 Jair Rocha do Prado 1 Thelma Sáfadi 2 Joaquim Paulo da Silva 3

Leia mais

Estudo do comportamento da análise isogeométrica para o problema de Hemker

Estudo do comportamento da análise isogeométrica para o problema de Hemker Trabalho apresentado no CNMAC, Gramado - RS, 26. Proceeding Series of the Brazilian Society of Comptational and Applied Mathematics Estdo do comportamento da análise isogeométrica para o problema de Hemker

Leia mais

ESTIMATIVA E DISTRIBUIÇÃO ESPACIAL DA BIOMASSA NA FLORESTA OMBRÓFILA MISTA

ESTIMATIVA E DISTRIBUIÇÃO ESPACIAL DA BIOMASSA NA FLORESTA OMBRÓFILA MISTA ESTIMATIVA E DISTRIBUIÇÃO ESPACIAL DA BIOMASSA NA FLORESTA OMBRÓFILA MISTA Henrique Luis Godinho Cassol SER301 - Análise Espacial de Dados Geográficos INTRODUÇÃO MATERIAIS E MÉTODOS RESULTADOS CONCLUSÕES

Leia mais

Modelando Variabilidade Espacial da Compactação do Solo:

Modelando Variabilidade Espacial da Compactação do Solo: Modelando Variabilidade Espacial da Compactação do Solo: Uma Aplicação à Geoestatística Resumo: Raphael Antonio Prado Dias - LCE, ESALQ-USP 1 Carlos Tadeu dos Santos Dias - LCE, ESALQ-USP 2 Ricardo Alves

Leia mais

COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA

COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA Felipe Matheus Gonçalves Costa (1); Divanilda Maia Esteves (2) 1 Universidade Estadual da Paraíba; felipematheusem@hotmail.com.br 2 Universidade

Leia mais

XIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de Setembro a 01 de Outubro

XIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de Setembro a 01 de Outubro COMPARAÇÃO DOS MÉTODOS DE VERIFICAÇÃO DO AJUSTE DA DISTRIBUIÇÃO GUMBEL A DADOS EXTREMOS CARLOS JOSÉ DOS REIS 1, LUIZ ALBERTO BEIJO 2,GILBERTO RODRIGUES LISKA 3 RESUMO A distribuição Gumbel é muito aplicada

Leia mais

Introdução Variograma Modelos básicos de correlação espacial Modelação Interpolação espacial & Simulação. Geoestatística.

Introdução Variograma Modelos básicos de correlação espacial Modelação Interpolação espacial & Simulação. Geoestatística. Geoestatística Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Geoestatística conjunto de técnicas matemáticas e numéricas para caracterizar fenómenos espaciais contínuos tendo em conta a correlação

Leia mais

Comparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos

Comparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,

Leia mais

Primeira lista de exercícios de Física Experimental I-A, FIS01257

Primeira lista de exercícios de Física Experimental I-A, FIS01257 Primeira lista de exercícios de Física Experimental I-A, FIS0257 Roberto da Síla, Agenor Heintz, Magno Machado, Mendeli Vainstein, Mario Baibich Institto de Física, UFRGS April 5, 206 Qestão : Considere

Leia mais

Notas de aula prática de Mecânica dos Solos II (parte 5)

Notas de aula prática de Mecânica dos Solos II (parte 5) 1 Notas de ala prática de Mecânica dos Solos II (parte 5) Hélio Marcos Fernandes Viana Conteúdo da ala prática Exercícios relacionados à porcentagem de adensamento, em ma profndidade específica de ma camada

Leia mais

Introdução aos Métodos Quase-Experimentais

Introdução aos Métodos Quase-Experimentais Técnicas Econométricas para Avaliação de Impacto Introdção aos Métodos Qase-Experimentais Rafael Perez Ribas Centro Internacional de Pobreza Brasília, 23 de abril de 28 Introdção Breve descrição de métodos

Leia mais

Geoestatística como ferramenta para análise espacial da precipitação para o Mato Grosso e seleção de modelos semivariográficos

Geoestatística como ferramenta para análise espacial da precipitação para o Mato Grosso e seleção de modelos semivariográficos Embrapa Informática Agropecuária/INPE, p. 485-492 Geoestatística como ferramenta para análise espacial da precipitação para o Mato Grosso e seleção de modelos semivariográficos Vanessa Rakel de Moraes

Leia mais

Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual

Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise

Leia mais

INTRODUÇÃO À ESTATÍSTICA ESPACIAL. Prof. Anderson Rodrigo da Silva

INTRODUÇÃO À ESTATÍSTICA ESPACIAL. Prof. Anderson Rodrigo da Silva INTRODUÇÃO À ESTATÍSTICA ESPACIAL Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Métodos Índices de agregação Métodos de quantificação da dependência especial Correlograma Variograma Métodos

Leia mais

Utilização do MATLAB (Control System Toolbox)

Utilização do MATLAB (Control System Toolbox) Utilização do MALAB (Control Sstem oolbox). Introdção Estas notas constitem ma breve introdção à tilização do Control Sstem oolbox (versão 4) do MALAB no estdo de sistemas dinâmicos lineares. O comando

Leia mais

Previsão da inflação do indicador IGP-M através de um modelo ARIMA

Previsão da inflação do indicador IGP-M através de um modelo ARIMA Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores

Leia mais

AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012

AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012 1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à

Leia mais

Modelos de regressão para dados correlacionados. Cibele Russo

Modelos de regressão para dados correlacionados. Cibele Russo Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo

Leia mais

Modelagem de dados espaciais

Modelagem de dados espaciais VI Simpósio da Sociedade Brasileira de Engenharia de Avaliações Modelagem de dados espaciais José Luiz Portugal UFPE joseluiz.portugal@gmail.com Objetivos Contextualizar modelos de dados espaciais Compreender

Leia mais

Capítulo 1 Introdução

Capítulo 1 Introdução Capítlo 1 Introdção Nas últimas décadas, o Método de Elementos Finitos tem sido ma das principais ferramentas da mecânica comptacional na representação dos mais diversos tipos de fenômenos físicos presentes

Leia mais

Análise da série do custo da cesta básica de Belo Horizonte, MG.

Análise da série do custo da cesta básica de Belo Horizonte, MG. Análise da série do custo da cesta básica de Belo Horizonte, MG. Tamara Aparecida Nogueira dos Anjos 12 Érica Fernanda da Cruz 3 Thelma Sáfadi 3 1 Introdução Em nosso dia-a-dia é comum fenômenos que evoluem

Leia mais

ANÁLISE DA VARIABILIDADE ESPACIAL DOS NÍVEIS DE ph EM UMA ÁREA AGRÍCOLA COMERCIAL UTILIZANDO MÉTODOS GEOESTATÍSTICOS

ANÁLISE DA VARIABILIDADE ESPACIAL DOS NÍVEIS DE ph EM UMA ÁREA AGRÍCOLA COMERCIAL UTILIZANDO MÉTODOS GEOESTATÍSTICOS ANÁLISE DA VARIABILIDADE ESPACIAL DOS NÍVEIS DE ph EM UMA ÁREA AGRÍCOLA COMERCIAL UTILIZANDO MÉTODOS GEOESTATÍSTICOS Bruna Gabriela Wendpap 1 Miguel Angel Uribe Opazo 2 RESUMO: A geoestatística surgiu

Leia mais

Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante

Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda

Leia mais

Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino

Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes

Leia mais

Otimização de Redes de Sensores sem Fio por Processos Markovianos de Decisão

Otimização de Redes de Sensores sem Fio por Processos Markovianos de Decisão Otimização de Redes de Sensores sem Fio por Processos Markoianos de Decisão Sóstenes P. Gomes, Solon V. de Caralho 2, Rita de Cássia M. Rodriges 2 Programa de Mestrado em Comptação Aplicada CAP/LAC, 2

Leia mais

ARTIGO 2. KRIGAGEM E INVERSO DO QUADRADO DA DISTÂNCIA PARA INTERPOLAÇÃO DOS PARÂMETROS DA EQUAÇÃO DE CHUVAS INTENSAS

ARTIGO 2. KRIGAGEM E INVERSO DO QUADRADO DA DISTÂNCIA PARA INTERPOLAÇÃO DOS PARÂMETROS DA EQUAÇÃO DE CHUVAS INTENSAS ARTIGO 2. KRIGAGEM E INVERSO DO QUADRADO DA DISTÂNCIA PARA INTERPOLAÇÃO DOS PARÂMETROS DA EQUAÇÃO DE CHUVAS INTENSAS Análise conceitual de dados 1. Estrutura de dados: Xi: coordenadas das 140 estações

Leia mais

ANÁLISE DE RESULTADOS

ANÁLISE DE RESULTADOS ANÁLISE DE RESULTADOS Conteúdo 2 1. Planejamento de Experimentos 2. Introdução Medidas de Desempenho Análise Estatística dos Resultados Comparação de Resultados Procedimento para análise de resultados

Leia mais

Análise da série temporal do desemprego em regiões metropolitanas do Brasil

Análise da série temporal do desemprego em regiões metropolitanas do Brasil Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante

Leia mais

1 Introdução. Manoel DOMINGOS FILHO 1

1 Introdução. Manoel DOMINGOS FILHO 1 UMA APLICAÇÃO SOBRE A COMPARAÇÃO DE PREVISORES CLÁSSICOS E INVERSOS NO MODELO DE CALIBRAÇÃO ESTRUTURAL NA OBTENÇÃO DE MEDIDAS INDIRETAS REALIZADAS POR MEIO DE HIPSÔMETROS E PRANCHETA DENDOMÉTRICA Manoel

Leia mais

RECURSOS GRÁFICOS TIAGO M. MAGALHÃES. São Paulo, 10 de janeiro de 2013

RECURSOS GRÁFICOS TIAGO M. MAGALHÃES. São Paulo, 10 de janeiro de 2013 XLII PROGRAMA DE VERÃO Uma Introdução à Análise Exploratória de Dados e Métodos Estatísticos RECURSOS GRÁFICOS TIAGO M. MAGALHÃES INSTITUTO DE MATEMÁTICA E ESTATÍSTICA - USP São Paulo, 10 de janeiro de

Leia mais

Tópicos de Estatística Espacial Geoestatística

Tópicos de Estatística Espacial Geoestatística Tópicos de Estatística Espacial Geoestatística Anderson Castro Soares de Oliveira Geoestatística A geoestatística é uma análise espacial que considera que a variável em estudo se distribui continuamente

Leia mais

Análise do volume útil do reservatório de Furnas via modelos de séries temporais

Análise do volume útil do reservatório de Furnas via modelos de séries temporais Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável

Leia mais

RECURSOS GRÁFICOS TIAGO M. MAGALHÃES. São Paulo, 13 de janeiro de 2014

RECURSOS GRÁFICOS TIAGO M. MAGALHÃES. São Paulo, 13 de janeiro de 2014 XLIII PROGRAMA DE VERÃO Uma Introdução à Análise Exploratória de Dados e Métodos Estatísticos RECURSOS GRÁFICOS TIAGO M. MAGALHÃES INSTITUTO DE MATEMÁTICA E ESTATÍSTICA - USP São Paulo, 13 de janeiro de

Leia mais

Capítulo II: Estimação Pontual: noções básicas de estimação; método dos momentos e método da máxima verosimilhança; propriedades.

Capítulo II: Estimação Pontual: noções básicas de estimação; método dos momentos e método da máxima verosimilhança; propriedades. Estatística Código: 22723 ECTS: 6 Ano Letivo: 2015/16 Carga horária: T: 3:00 h; TP: 2:00 h; OT: 1:00 h; Departamento: Estatística e Investigação Operacional Área Científica: Estatística e Investigação

Leia mais

Prof: Felipe C. V. dos Santos

Prof: Felipe C. V. dos Santos Prof: Felipe C. V. dos Santos Goiânia 04, 03 2016 PONTIFICIA UNIVERSIDADE CATÓLICA DE GOIÁS DEPARTAMENTO DE ENGENHARIA CURSOS DE ENGENHARIA CIVIL E AMBIENTAL HIDROLOGIA APLICADA Prof. M. Sc. Felipe Corrêa

Leia mais

Incerteza da medição de uma jóia por uma balança digital

Incerteza da medição de uma jóia por uma balança digital Incerteza da medição de ma jóia por ma balança digital 19,94 19,9 19,98 19,96 19,90 19,94 0,00 19,94 19,94 19,96 19,9 0,00 19,94 g Resolção: 0,0 g Média 19,950 g s 0,0313 Dados da calibração CERTIFICADO

Leia mais

Campus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração MATEMÁTICA APLICADA E COMPUTACIONAL

Campus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração MATEMÁTICA APLICADA E COMPUTACIONAL PROGRAMA DE ENSINO Disciplina Análise Wavelets de Séries Temporais Semestre Código Ano Letivo Área de Concentração MATEMÁTICA APLICADA E COMPUTACIONAL Curso: MESTRADO (X) DOUTORADO ( ) Número de créditos:

Leia mais

João Marcos Louzada 1, Marcelo Silva de Oliveira 2, Marcelo de Carvalho Alves 3

João Marcos Louzada 1, Marcelo Silva de Oliveira 2, Marcelo de Carvalho Alves 3 COMPONENTES PRINCIPAIS E GEOESTATÍSTICA PARA CARACTERIZAR A VARIABILIDADE ESPACIAL DA PRODUTIVIDADE DE SOJA NO ESTADO DE MINAS GERAIS EM ESCALA MUNICIPAL João Marcos Louzada 1, Marcelo Silva de Oliveira

Leia mais

5 Exemplos de análise determinística 5.1. Introdução

5 Exemplos de análise determinística 5.1. Introdução 5 Exemplos de análise determinística 5.1. Introdção Para validação dos modelos nméricos determinísticos e comparações entre os procedimentos de solção, são efetadas análises de qatro exemplos. O primeiro

Leia mais

( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como:

( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como: Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano Orlando V. Sampaio Jr. (POLI-USP) orlando.sampaio@gmail.com Celma de Oliveira Ribeiro (POLI-USP) celma@usp.br André

Leia mais

Análise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais

Análise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais Análise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais Guilherme Alvarenga Laia 1 Maria Imaculada de Sousa Silva 2 Nádia Giaretta Biase 3 1 Introdução

Leia mais

KRIGAGEM INDICATIVA KRIGAGEM INDICADORA (Krigagem da Indicatriz)

KRIGAGEM INDICATIVA KRIGAGEM INDICADORA (Krigagem da Indicatriz) Avaliação dos valores médios das variáveis que definem um recurso natural: krigagem ordinária. E para características extremas? Para valores acima, ou abaixo, de valores de corte? KRIGAGEM INDICATIVA KRIGAGEM

Leia mais

Cálculo Vetorial. Geometria Analítica e Álgebra Linear - MA Aula 04 - Vetores. Profa Dra Emília Marques Depto de Matemática

Cálculo Vetorial. Geometria Analítica e Álgebra Linear - MA Aula 04 - Vetores. Profa Dra Emília Marques Depto de Matemática Cálclo Vetorial Estdaremos neste tópico as grandezas etoriais, sas operações, propriedades e aplicações. Este estdo se jstifica pelo fato de, na natreza, se apresentarem 2 tipo de grandezas, as escalares

Leia mais

Prof. Antônio F M Santos

Prof. Antônio F M Santos Prof. Antônio F M Santos Profa. Rosenda Valdés Arencibia Maio, 011 Sexo: Masclino, Feminino Calvície: Calvo, Não calvo A associação entre das o mais variáveis implica qe o conhecimento de ma altera a

Leia mais

Aplicação da análise de regressão na contabilidade do custo de produção do milho

Aplicação da análise de regressão na contabilidade do custo de produção do milho Aplicação da análise de regressão na contabilidade do custo de produção do milho Janser Moura Pereira 1 Quintiliano Siqueira Schroden Nomelini 1 Andréa Clélia da Rocha Moura 2 Nathane Eva dos Santos Peixoto

Leia mais

3. Considere o seguinte código executado no processador pipeline da figura abaixo.

3. Considere o seguinte código executado no processador pipeline da figura abaixo. UNIVERSIDADE FEDERAL FLUINENSE INSTITUTO DE COPUTAÇÃO DEPARTAENTO DE CIÊNCIA DA COPUTAÇÃO Arqitetras de Comptadores Trma :A Lista 2 Profa.: Simone artins. Indiqe como modificar o código abaio de modo qe

Leia mais

KRIGAGEM: UM ESTUDO COMPARATIVO ENTRE 2 VERSÕES DO ARCGIS E O R KRIGING: A COMPARATIVE STUDY BETWEEN TWO VERSIONS OF ARCGIS AND THE R

KRIGAGEM: UM ESTUDO COMPARATIVO ENTRE 2 VERSÕES DO ARCGIS E O R KRIGING: A COMPARATIVE STUDY BETWEEN TWO VERSIONS OF ARCGIS AND THE R KRIGAGEM: UM ESTUDO COMPARATIVO ENTRE 2 VERSÕES DO ARCGIS E O R Rosa 1, L.M.F., Santos 2, G.R.dos, Santos 3, A.M.R.T., Medeiros 4, N.das G., Kaleita 5, A. 1 Doutoranda em Estatística, UFV/DET, Av. Peter

Leia mais

INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Divisão de Sensoriamento Remoto. Geoprocessamento. Relatório do Laboratório 5: Geoestatistica Linear

INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Divisão de Sensoriamento Remoto. Geoprocessamento. Relatório do Laboratório 5: Geoestatistica Linear INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS Divisão de Sensoriamento Remoto Geoprocessamento Relatório do Laboratório 5: Geoestatistica Linear Fátima Lorena Benítez Ramírez Professores Responsáveis: Dr.

Leia mais

USO DE TÉCNICAS GEOESTATÍSTICAS PARA O PLANEJAMENTO DAS ATIVIDADES DE RESGATE DE FLORA EM ÁREAS DE SUPRESSÃO

USO DE TÉCNICAS GEOESTATÍSTICAS PARA O PLANEJAMENTO DAS ATIVIDADES DE RESGATE DE FLORA EM ÁREAS DE SUPRESSÃO USO DE TÉCNICAS GEOESTATÍSTICAS PARA O PLANEJAMENTO DAS ATIVIDADES DE RESGATE DE FLORA EM ÁREAS DE SUPRESSÃO André Luís Casarin Rochelle Biólogo Pós-Dr. em Ecologia Fabiana Bonani Bióloga Mestre em Recursos

Leia mais

Markov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)

Markov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP.   lane. Ref: Kim e Nelson (1999) e Hamilton (1990) Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão

Leia mais

Probabilidade, Estatística, Decisões e Segurança em Engenharia Geotécnica PEF-5837

Probabilidade, Estatística, Decisões e Segurança em Engenharia Geotécnica PEF-5837 Probabilidade, Estatística, Decisões e Segurança em Engenharia Geotécnica PEF-5837 Informações gerais Horário das aulas Quintas-feiras das 8:30 às :30 Livro texto principal: Benjamin, J.R. e Cornell, C.A.

Leia mais

Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem

Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência

Leia mais

Utilizando a função auto.arima em modelos de séries temporais

Utilizando a função auto.arima em modelos de séries temporais Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução

Leia mais

KRIGAGEM INDICATIVA APLICADA À ELABORAÇÃO DE MAPAS PROBABILÍSTICOS DE RISCOS

KRIGAGEM INDICATIVA APLICADA À ELABORAÇÃO DE MAPAS PROBABILÍSTICOS DE RISCOS KRIGAGEM INDICATIVA APLICADA À ELABORAÇÃO DE MAPAS PROBABILÍSTICOS DE RISCOS Paulo M. Barbosa Landim Professor Emérito Universidade Estadual Paulista/UNESP José Ricardo Sturaro Professor Assistente Doutor

Leia mais

INTRODUÇÃO À ANÁLISE GEOESTATÍSTICA

INTRODUÇÃO À ANÁLISE GEOESTATÍSTICA CICLO DE CAPACITAÇÃO TÉCNICA INTERNA INTRODUÇÃO À ANÁLISE GEOESTATÍSTICA Responsáveis Célia Regina Grego Fernando A P. Paim Alex de Oliveira Outubro - 2011 ITENS ABORDADOS 1- Introdução 2- Amostragem e

Leia mais

Interpolação. Dr. Marcos Figueiredo

Interpolação. Dr. Marcos Figueiredo Introdução às Análises Espaciais para Ecologia e Conservação da Biodiversidade (PPGE, PPGBIO) (Graduação em Biologia - IBE 013) Interpolação Dr. Marcos Figueiredo (mslfigueiredo@gmail.com) Tópicos 1. Conceito

Leia mais

A Metodologia de Box & Jenkins

A Metodologia de Box & Jenkins A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de

Leia mais

ANÁLISES DE DIFERENTES AMOSTRAGENS NO APRIMORAMENTO DE ESTIMATIVAS DE MODELAGEM GEOESTATÍSTICA NA DEMANDA POR TRANSPORTES

ANÁLISES DE DIFERENTES AMOSTRAGENS NO APRIMORAMENTO DE ESTIMATIVAS DE MODELAGEM GEOESTATÍSTICA NA DEMANDA POR TRANSPORTES ANÁLISES DE DIFERENTES AMOSTRAGENS NO APRIMORAMENTO DE ESTIMATIVAS DE MODELAGEM GEOESTATÍSTICA NA DEMANDA POR TRANSPORTES Anabele Lindner Cira Souza Pitombo ANÁLISES DE DIFERENTES AMOSTRAGENS NO APRIMORAMENTO

Leia mais

Regressão Linear - Parte I

Regressão Linear - Parte I UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos

Leia mais

Variabilidade espacial da condutividade elétrica em pomares de laranja

Variabilidade espacial da condutividade elétrica em pomares de laranja Variabilidade espacial da condutividade elétrica em pomares de laranja Natalia da Silva Martins 1, André Freitas Colaço 2, Paulo R. Justiniano Jr. 3, Paulo Molin 4 Resumo: O mapeamento de atributos químicos

Leia mais

AULA 07 Inferência a Partir de Duas Amostras

AULA 07 Inferência a Partir de Duas Amostras 1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,

Leia mais

Análise de previsão da inflação no período pós-plano Real

Análise de previsão da inflação no período pós-plano Real Análise de previsão da inflação no período pós-plano Real Marina Rodrigues Maestre 1 Jayane Pereira de Oliveira 2 Raquel Castellucci Caruso Sachs 3 Vitor Augusto Ozaki 4 1 Introdução Durante a década de

Leia mais

ESTATÍSTICA COMPUTACIONAL

ESTATÍSTICA COMPUTACIONAL ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron

Leia mais

Um estudo da variabilidade espacial de condutividade elétrica do solo

Um estudo da variabilidade espacial de condutividade elétrica do solo Um estudo da variabilidade espacial de condutividade elétrica do solo Natália da Silva Martins 1 André Freitas Colaço 2 Paulo J. Ribeiro Jr. 3 1 Introdução Atualmente há uma necessidade do aumento da eficiência

Leia mais

ANÁLISE GEOESTATÍSTICA DE UMA DESCARGA DE ÁGUAS RESIDUAIS Geostatistic Analysis of a Sewage Outfall Discharge

ANÁLISE GEOESTATÍSTICA DE UMA DESCARGA DE ÁGUAS RESIDUAIS Geostatistic Analysis of a Sewage Outfall Discharge 2. as Jornadas de Hidráulica Recursos Hídricos e Ambiente [2007], FEUP, ISBN 978-989-95557-1-6 ANÁLISE GEOESTATÍSTICA DE UMA DESCARGA DE ÁGUAS RESIDUAIS Geostatistic Analysis of a Sewage Outfall Discharge

Leia mais

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA MECÂNICA ENERGIA E FENÔMENOS DE TRANSPORTE

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA MECÂNICA ENERGIA E FENÔMENOS DE TRANSPORTE UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA MECÂNICA ENERGIA E FENÔMENOS DE TRANSPORTE MÉTODO DE MEDIÇÃO DA CONDUTIVIDADE TÉRMICA DE AMOSTRAS SÓLIDAS DE ALUMÍNIO

Leia mais

Análise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística

Análise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística Análise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística Diogo Francisco Rossoni (DES/UEM) Cristina Henriques Nogueira (DEX/UFLA) Renato

Leia mais

ANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD)

ANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD) ANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD) Stênio R. Lima (bolsista do ICV-UFPI), Fernando F. Nascimento (orientador, Dept. de Estatística - UFPI)

Leia mais

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo

Leia mais

PROV O ENGENHARIA QUÍMICA. Questão nº 1. h = 0,1 m A. Padrão de Resposta Esperado: a) P AB = P A B. Sendo ρ água. >> ρ ar. Em B : P B. .

PROV O ENGENHARIA QUÍMICA. Questão nº 1. h = 0,1 m A. Padrão de Resposta Esperado: a) P AB = P A B. Sendo ρ água. >> ρ ar. Em B : P B. . PRO O 00 Qestão nº ar A B h = 0, m A B a) P AB = P A B Sendo ρ ága >> ρ ar : Em B : P B = (ρ ága. g) h + P A P A B = P B P A =.000 x 9,8 x 0, = 980 Pa (valor:,5 pontos) b) P ar = P man = 0 4 Pa Em termos

Leia mais

Licenciaturas em Economia e em Finanças Econometria ER 26/06/2015 Duração 2 horas

Licenciaturas em Economia e em Finanças Econometria ER 26/06/2015 Duração 2 horas Licenciaturas em Economia e em Finanças Econometria ER 26/06/2015 Duração 2 horas Nome: Número: Notas: A utilização do telemóvel é motivo suficiente para anulação da prova. As perguntas de escolha múltipla

Leia mais

PROVAS DE ACESSO E INGRESSO PARA OS MAIORES DE 23 ANOS

PROVAS DE ACESSO E INGRESSO PARA OS MAIORES DE 23 ANOS PROVAS DE ACESSO E INGRESSO PARA OS MAIORES DE ANOS Ano Lectivo: 009 / 00 Folha de Escola onde se realiza esta prova: Data: 6 / 0 / 009 Prova: MATEMÁTICA Nome do Candidato: Docente(s): Docmento de Identificação

Leia mais

Introdução à Probabilidade e à Estatística II

Introdução à Probabilidade e à Estatística II Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36

Leia mais

Cap. 0 - Introdução à Estatística Computacional

Cap. 0 - Introdução à Estatística Computacional Introdução à Estatística ESQUEMA DO CAPÍTULO 0.1 VISÃO GERAL DOS MÉTODOS COMPUTACIONALMENTE INTENSIVOS EM ESTATÍSTICA 1 mente Intensivos Definição: Do Handbook of Computational Statistics: Concepts and

Leia mais

Métodos k-vizinhos aplicados à taxa de suicídio no Distrito Federal. Monique Lohane Xavier Silva

Métodos k-vizinhos aplicados à taxa de suicídio no Distrito Federal. Monique Lohane Xavier Silva Universidade de Brasília IE - Departamento de Estatística Métodos k-vizinhos aplicados à taxa de suicídio no Distrito Federal Monique Lohane Xavier Silva Projeto apresentado para obtenção do título de

Leia mais

Regressão Local (LOESS)

Regressão Local (LOESS) Regressão Local (LOESS) Wagner Hugo Bonat 14 de novembro de 2007 1 Regressão Local Regressão Local (Loess) é um método não paramétrico que estima curvas e superfícies através de suavização (smoothing).

Leia mais

Comparação de métodos para tratamento de parcelas perdidas em delineamento em blocos casualizados via simulação Monte Carlo

Comparação de métodos para tratamento de parcelas perdidas em delineamento em blocos casualizados via simulação Monte Carlo Comparação de métodos para tratamento de parcelas perdidas em delineamento em blocos casualizados via simulação Monte Carlo Marcela Costa Rocha 1 Maria de Lourdes Lima Bragion 1 1 Introdução A perda de

Leia mais

Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino

Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random

Leia mais

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:

Leia mais