864 Cerqueira et al. Quim. Nova Quim. Nova, Vol. 24, No. 6, , 2001.
|
|
- Luiz Guilherme di Azevedo Caldeira
- 6 Há anos
- Visualizações:
Transcrição
1 864 Cerquera e a. Qum. Nova Qum. Nova, Vo. 4, No. 6, , 00. Dvugação REDES NEURAIS E SUAS APLICAÇÕES EM CALIBRAÇÃO MULTIVARIADA Eduardo O. de Cerquera, João C. de Andrade e Rone J. Po * Dearameno de Químca Anaíca, Insuo de Químca, UNICAMP, CP 654, Camnas - SP Cesar Meo Facudade de Farmáca, Unversdade de Franca, CP 8, Franca - SP Recebdo em 8/8/00; aceo em 3/3/0 NEURAL NETWORKS AND ITS APPLICATIONS IN MULTIVARIATE CALIBRATION. Neura Neworks are a se of mahemaca mehods and comuer rograms desgned o smuae he nformaon rocess and he knowedge acquson of he human bran. In as years s acaon n chemsry s ncreasng sgnfcany, due he seca characerscs for mode comex sysems. The basc rnces of wo yes of neura neworks, he mu-ayer ercerons and rada bass funcons, are nroduced, as we as, a runng aroach o archecure omzaon. Two anayca acaons based on near nfrared secroscoy are resened, he frs one for deermnaon of nrogen conen n whea eaves usng mu-ayer ercerons neworks and second one for deermnaon of BRIX n sugar cane uces usng rada bass funcons neworks. Keywords: neura neworks; backroagaon; rada bass funcons; muvarae cabraon. INTRODUÇÃO Auamene, em-se observado um grande aumeno na dsonbdade de nformação em nosso codano. A nformação crcua enre nós a uma veocdade que sera nconcebíve aé aguns anos arás e ende aumenar anda mas. Hoe em da o voume de nformação dobra a cada quaro anos e num fuuro róxmo assará a dobrar a cada dos anos. Assm, reamene vvemos no que se ode chamar de socedade da nformação. Grande are dese aumeno no voume de nformações se deve ao aarecmeno e uso dssemnados de mcrocomuadores equados com sofwares, como Wndows TM, que ornam o seu uso exremamene smes, aé mesmo ara cranças em fase de afabezação. Uma das avdades humanas que mas se benefcou com o uso de comuadores fo a róra cênca, em arcuar a químca anaíca. Aé agumas décadas arás o rnca robema enfrenado no desenvovmeno de um méodo anaíco era como se ober os dados. Gasava-se muo emo, dnhero e esforço ara se ober um equeno conuno de dados. Graças a comuadorzação dos nsrumenos o rnca robema não é mas como ober os dados, mas como raá-os de modo efcene. Tcamene as nsrumenos fornecem um grande conuno de dados e ara que as dados seam converdos em nformação ú deve-se usar méodos maemácos e esaíscos modernos e efcenes. Denre as méodos desaca-se os méodos neares e não neares de cabração muvarada e mas recenemene as redes neuras. Para uma mehor comreensão da ágebra envovda nos modeos de raameno de dados, fo uzada a segune noação: n Veores - eras mnúscuas em negro (ex: x); n Marzes - eras maúscuas em negro (ex: X); n Escaares - eras mnúscuas sem negro (ex: ); n Marzes dagonas - eras maúscuas sem negro (ex: S). Redes Neuras Recenes avanços em neurofsooga êm desvendado város mecansmos sobre o fuxo e o rocessameno de nformações * e-ma: rone@qm.uncam.br que ocorrem no cérebro humano. Aguns deses mecansmos foram modeados maemacamene ermndo a eaboração de agormos comuaconas que smuam, anda que de modo smfcado, a mas básca das esruuras cerebras: o neurôno. A caacdade de memenar comuaconamene versões smfcadas de neurônos boógcos deu orgem a uma subesecadade da negênca arfca, conhecda como redes neuras. Exsem váras defnções ara redes neuras, orano adoaremos aquea que nos arece mas gera e acáve a quaquer área da cênca. Redes neuras é o nome dado a um conuno de méodos maemácos e agormos comuaconas esecamene roeados ara smuar o rocessameno de nformações e aqusção de conhecmeno do cérebro humano. Oeraconamene odemos consderar uma rede neura como uma caxa de rocessameno que ode ser renada ara que, a arr de um conuno de dados de enrada (nus), ossa gerar uma ou mas saídas (ouus), conforme reresenado na Fgura. Enradas Processameno Saídas Fgura. Reresenação oeracona de uma rede neura. Por exemo, ode-se renar uma rede neura ara que a arr do esecro de RMN-H (nu) de um comoso orgânco ea aresene como saída (ouu) a esruura moecuar do mesmo, ou anda os nus odem ser dados cíncos de um acene e os ouus o dagnósco e o de evoução. Enfm, as acações são exremamene varadas e esão resenes em quase odas as áreas do conhecmeno humano.
2 Vo. 4, No. 6 Redes Neuras e suas Acações em Cabração Muvarada 865 Nese ono do exo, á emos uma vsão gera sobre redes neuras e, orano, esamos aos a arofundar nossos conhecmenos sobre o assuno. Como veremos, esa é uma arefa fác vso que as redes neuras são eaboradas a arr de cnco conceos báscos, exremamene smes. Eses eemenos são: Neurônos arfcas Snases e esos ƒ Funções de ransferênca Arqueura de redes neuras Trenameno de redes neuras. Neurônos arfcas Neurônos arfcas -3 são as undades báscas de rocessameno da nformação, roeadas ara smuar o comorameno de neurônos boógcos. Smfcadamene, um neurôno boógco ode ser descro como um coro ceuar conendo dos conunos de ramfcações: dendros e axôno (Fgura A). Anaogamene aos neurônos boógcos, os neurônos arfcas ossuem um coro de rocessameno de nformação com duas ramfcações: enradas (dendros) e saída (axôno), conforme reresenado na Fgura B. Neurônos ossuem um grande número de dendros e orano, odem esabeecer váras snases com ouros neurônos da rede neura, smuaneamene (Fgura 4). Assm, o cácuo do ne deve ser generazado ara n enradas (nus). Chamando os snas de enrada de x e os esos de w, o vaor do ne será dado or: n Ne = w x = E n ra d a (n u ) P o n d e r a ç ã o s a í d a ( o u u ) Fgura 3. Reresenação da snase arfca. () dendros x x x n axôno coro ceuar Ne (a) Enradas saída Fgura 4. Reresenação generazada da snase. Aé o momeno vmos como cacuar o sna que enra em um neurôno, mas qua será o sna de saída de um neurôno? Saída (b) Fgura. (A) Neurôno boógco ; (B) Neurôno arfca. Snases e esos: A ransmssão de snas eos neurônos Sem enrar na físco-químca do rocesso, a ransmssão de snas enre neurônos 4,5 ode ser enendda do segune modo: O sna enra no neurôno aravés dos dendros, assa eo coro ceuar e em seguda é ransmdo ara ouros neurônos, da rede neura, aravés do axôno. A assagem do sna de um neurôno ara os dendros de um ouro neurôno é chamada de snase. Snases reresenam barreras que moduam o sna que é rocado aravés deas e a quandade de sna rocado em uma snase deende de um arâmero chamado de nensdade da snase. Em um neurôno arfca a nensdade da snase é smuada or um faor de onderação chamado eso da snase ou smesmene eso, conforme usrado a Fgura 3. O sna oa que enra no coro de rocessameno de um neurôno arfca é cosumeramene chamado Ne, cuo vaor é cacuado aravés da smes mucação do sna que chega ao neurôno eo eso da snase em quesão Ne = Sna de enrada (nu) x Peso. Funções de ransferênca Como á oderíamos magnar, a saída de um neurôno (ouu) será obda em função do sna de enrada (nu), so é, a saída será função do ne saída = f (ne) () A função f (ne) deve ossur as roredades: A função de ransferênca,6 não deve ser negava, os ou o neurôno roca sna com ouro neurôno ou não roca, não há como rocar sna negavo. A função de ransferênca deve ser conínua, os um neurôno não ode rocar sna com ouro neurôno, ndefndamene. Denre as váras funções que reenchem os ré-requsos anerores, somene rês são roneramene usadas, as quas seam: ) Função sgmoda ou ogísca Com cereza esa é a função de ransferênca mas uzada em redes neuras. Esa função (Fgura 5) ambém é a que mas se aroxma da saída de um neurôno boógco. Maemacamene, escrevemos a função sgmoda como segue: saída = f ( ne) = ( ne ) (3) + e
3 866 Cerquera e a. Qum. Nova esecros de refecânca dfusa na regão do nfravermeho róxmo (NIRR) de fohas de rgo. A saída (ouu) fo a concenração de nrogêno nesas fohas. Fgura 5. Função sgmoda. ) Função degrau de Heavsde Como odemos observar na Fgura 6, a função de heavsde é muo smes e só ode assumr os vaores 0 ou. se ne > ou = f(ne) = 0 se ne vaor me vaor me (arbráro) Fgura 7. Reresenação de uma rede neura uzada ara deermnação do eor de nrogêno em fohas de rgo, aravés de esecroscoa de refecânca dfusa no nfravermeho róxmo (NIRR). Vae ressaar que o número de camadas nermedáras e número de neurônos nesas, é um arâmero ausáve conforme veremos adane. Cácuo do vaor do Ne em uma rede neura Fgura 6. Função degrau de Heavsde. 3) Função Lnear Esa função, nauramene, dsensa comenáros. A saída do neurôno será dada ôr: + saída = a(ne) + b a,b R (4) Arqueura de redes neuras Uma rede neura arfca ossu semre uma camada de enrada e uma camada de saída. Enre a camada de enrada e a de saída, exse um número varáve de camadas nermedáras. A esa dsosção das camadas e número de neurônos or camada, dá-se o nome de arqueura da rede neura. Na Fgura 7 odemos observar a arqueura de uma rede neura que fo uzada ara a deermnação de nrogêno em fohas de rgo a arr de esecroscoa de refecânca dfusa no nfravermeho róxmo (NIRR). Esa rede neura ossu a segune arqueura: camada de enrada com 77 neurônos, uma camada nermedára com 5 neurônos e uma camada de saída com neurôno. As funções de ransferênca uzadas esão ndcadas na róra Fgura 7. As enradas (nus) foram as nensdades, so é, vaores de (-og(r/ro)) dos em dferenes comrmenos de onda, em Demonsramos como cacuar o Ne e a saída (ouu) ara um neurôno. Veamos agora como generazar o cácuo do Ne ara uma rede neura. É fác magnar que em uma rede neura com váras camadas, a saída de uma camada será a enrada da camada segune. Porano, ara cacuar a saída fna de uma rede neura basa cacuar sequencamene as enradas e saídas or oda a rede neura. Ese cácuo que conceuamene é muo smes, ode se ornar edoso e comexo se a rede ossur váras camadas e muos neurônos nesas camadas. Uma manera mas smes e comuaconamene mas efcene de se fazer so, é escrever a rede neura de modo marca. Assm, uma camada com n neurônos, cada um com m esos, é reresenada or uma marz W com n nhas e m counas (W n,m ). Para uma rede neura com váras camadas, cada uma das camadas será reresenada or uma marz W (em que ndca a camada). Essa marz W é cacuada na eaa de renameno da rede neura mosrada a segur. Para a rede neura reresenada na Fgura 7, emos 5 3 W W e : 77 77, W 5 Camada de enrada: Camada nermedára:
4 Vo. 4, No. 6 Redes Neuras e suas Acações em Cabração Muvarada 867 ƒ Camada de saída: 3 5,,, 3, 4 w, W = [ w w w w 5 ] As enradas, so é, vaores de (-og(r/ro)) dos em dferenes comrmenos de onda, no esecro de refecânca dfusa no nfravermeho róxmo odem ser escras veoramene do segune modo: x = [ x x x3 x4 x5 L x77 O cácuo do ne ara cada um dos neurônos, da camada de enrada, or exemo, ode ser escro como: ] os esos, dado que não há ouros arâmeros. Exsem aguns méodos ara se fazer a correção, enreano somene dos são usados com freqüênca: a reroroagação de erros 8 e o méodo de Marquard-Levenberg 9. No méodo da reroroagação de erros, o rocesso de correção dos esos é ncado na úma camada e rossegue em dreção à rmera camada, daí o nome reroroagação. Ese rocesso ode ser vsuazado na Fgura 8. Sem enrar em deduções maemácas, a equação ara a correção dos esos ode ser escra como: W revo = η. δ ou + µ W (8) Enrada W Corrgdo W O cácuo do Ne ode ser generazado, ara quaquer camada, aravés da segune equação: Ne m = W x = Uma vez que oda enrada de uma camada ode ser reaconada com a saída da camada aneror, odemos rescrever a Equação 5 como segue: m = Ne = W ou Conhecdos o Ne e as funções de ransferênca ode-se roagar o sna ea rede, desde a enrada (nu) aé a saída (ouu). (5) (6) W W3 Saída (y) Vaor Rea (y) W Corrgdo W3 Corrgdo Correção Erro Trenameno de redes neuras Para que uma rede neura execue arefas como reconhecmeno de adrões ou modeagem de dados (cabração), devemos rená-a. Veamos como se faz so. Os esos w são escohdos ncamene de modo aeaóro, a fm de se er uma rede nca a ser renada, ou sea, omzada ara as enradas e saídas da eaa de renameno. Na eaa de renameno 7 váras enradas são aresenadas e roagadas ea rede neura. Para a rede neura uzada ara deermnação de nrogêno em fohas de rgo, aresenada na Fgura 7, os nus foram nensdades das em dferenes comrmenos de onda, ara város esecros de refecânca dfusa na regão do nfravermeho róxmo (NIRR). Uma vez roagados os nus aravés da rede neura, odemos cacuar a saída, so é, o vaor revso da concenração de nrogêno nesas fohas, ara o exemo reresenado na Fgura 7. Obdos os vaores revsos ea rede neura, odemos cacuar um erro de revsão (E), o qua ode ser defndo, em rncío, como o somaóro do quadrado da dferença enre o vaor revso ea rede (saída) e o vaor rea (arge), como segue: n E = ( y k yˆ k ) (7) k = em que é o vaor rea (arge) e ŷ o vaor revso (ouu) ea rede neura. Conhecdo o erro de revsão, quas arâmeros da rede neura devemos corrgr ara mnmzá-o? A resosa ara esa erguna é muo smes, os uma vez fxada a arqueura da rede neura, os úncos arâmeros assíves de correções são Fgura 8. Reresenação da reroroagação ara uma rede com uma camada de enrada (W), uma nermedára (W) e uma camada de saída (W3) De acordo com a equação aneror, a correção dos esos é comosa ea soma de dos ermos que auam conunamene ara mnmzar o erro de revsão. Veamos o que cada um reresena: Prmero ermo: ηδ ou O faor de correção δ é obdo uzando-se o méodo do gradene descendene, cua essênca é que o erro (E) deve aresenar um mínmo em função do arâmero que o causa, ou mehor, δ fornecerá os esos que mnmzam o erro (E). O arâmero η chamado de veocdade de renameno é nroduzdo ara onderar as correções, de modo a evar grandes correções rncamene no fna do rocesso eravo, quando boa are dos esos á fo corrgdo e uma correção muo acenuada ode comromeer odas as correções efeuadas. Segundo ermo: revo µ W A consane m desoca o eso ómo obdo eo rmero ermo, forçando que o erro sea reavaado nese novo eso. Ese rocesso eva convergêncas ara mínmos ocas, os um erro maor ndca que o mínmo obdo eo rmero
5 868 Cerquera e a. Qum. Nova ermo era reamene goba; caso conráro, o mínmo era oca e a busca eo mínmo rossegue. Resumndo, o segundo ermo aua como dsosvo de segurança do rmero ermo, evando mínmos ocas. No segundo méodo de renameno as correções dos esos são feas de acordo com uma varane do méodo de Gauss- Newon 9, conhecda como méodo de Marquard-Levenberg. Nese méodo as correções dos esos são cacuadas de acordo com a equação: W=(J τ J+λI)- J τ E (9) onde J é a marz acobana do erro ara cada um dos esos, λ é um escaar osvo, I é a marz dendade e E é o veor de erros dado ea Equação 7. Em ambos os casos, a eaa de renameno se encerra quando o erro angr o créro de convergênca revamene esabeecdo. Nese ono, a rede esá renada e odemos uzar um conuno de esecros de NIRR, dferene daquee uzado no renameno, ara avaar as roredades de generazação da rede neura arfca. As redes neuras geramene aresenam uma boa caacdade de generazação, ou sea, aresenam resuados sasfaóros quando acada em amosras que não arcaram do renameno, esecamene em suações em que os dados aresenem não neardades, vso que geramene se uzam funções e ransferênca não neares. Enreano, em aguns casos, as redes neuras arfcas, mesmo deos de erem sdo renadas, aresenam baxos erros de cabração e eevados erros de revsão, so é, sobreause (overfng), devdo ao número excessvo de neurônos uzados na camada nermedára. O número de neurônos na camada nermedára aua de modo anáogo ao número de comonenes rncas uzado na regressão de comonenes rncas 0, (PCR), ou à ordem do onômo uzado em regressão onoma, or exemo. Porano, um rocedmeno fundamena ara evar-se sobreause (overfng), so é, equenos erros de cabração e eevados erros de revsão, é a omzação do número de neurônos da camada nermedára. A omzação da Arqueura A seeção do número ómo de neurônos na camada nermedára ou omzação da arqueura é fea varando-se o número deses neurônos e reendo-se o rocesso de correção dos esos. Escohe-se enão a confguração que aresenar os menores erros de cabração (%SEC) e revsão (% SEP), dados eas equações 0 e c nc ( y yˆ ) = % SEC = c nc c n = % = SEC k ( y yˆ ) n (0) () em que c c e c são as concenrações médas da amosras uzadas no conuno de cabração e revsão resecvamene, n c e n reresenam, resecvamene, o número de amosras usadas na cabração e na revsão, y é o vaor rea e ŷ o vaor revso eo modeo e k é o número de arâmeros usados no modeo. Para redes neuras arfcas o número de arâmeros uzado no modeo não é conhecdo e é uzado como uma aroxmação, ara o denomnador da Equação 0. Acando-se o méodo das redes neuras anerormene descro ara a deermnação de nrogêno em fohas de rgo a arr de esecros de refeânca dfusa no nfravermeho róxmo (NIRR) fo ossíve ober modeos que aresenaram baxos erros em amosras de cabração e amosras de revsão. Ese fao ode ser verfcado observando-se a Fgura 9 onde esão reresenados os vaores ercenuas revsos conra os vaores reas obdos aravés do méodo Kedah. NIRR-REDES NEURAIS, % N Redes Neuras Cabração Prevsão KJELDAHL, % N Fgura 9. Vaor revso, ara o eor de nrogêno, eo modeo de cabração NIRR-RN versus o vaor obdo com o méodo Kedah. O eor aeno, a esa aura á deve er observado que ara consrur modeos com redes neuras o conuno de revsão ambém é uzado na escoha da arqueura óma. Porano, devemos er um ercero conuno de esecros ara reamene verfcar as caacdades de revsão da rede neura omzada. Afnado com ese o de robema semre uzamos nese rabaho, rês conunos de dados (cabração, vadação e revsão) como veremos adane no exo. Conforme descrevemos, a omzação da arqueura é bascamene uma arefa de enava e erro e um ano edosa, mas exse um modo de evá-a, como veremos no róxmo em. REDES NEURAIS COM APODIZAÇÃO A déa básca dese méodo é ncar a rede neura com um número razoáve de neurônos na camada nermedára e, durane a eaa de renameno corar as conexões (ou esos) dos neurônos que ossuem ouca nfuênca no erro E (Equação 7). Neurônos que verem odas as conexões coradas serão emnados e, orano, ao fna dos cores, sobrarão somene os neurônos reamene necessáros à modeagem. A écnca de aodzação 3,4 (runng) reduz a comexdade da rede neura, mehorando sua caacdade de revsão, os eva modeos sobre aramerzados (muos neurônos) em que a ossbdade de sobreause (overfng) é grande. Exsem bascamene dos méodos ara a aodzação de redes neuras: Oma Bran Damage 5 (OBD) e Oma Bran Surgeon 6-8 (OBS). Em ambos os méodos as conexões (ou esos) são coradas e a corresondene varação no erro E, chamada de saênca, é avaada. No méodo OBD as conexões são coradas durane a eaa de renameno e a rede neura não é rerenada aós os cores. No méodo OBS, as conexões são coradas e, aós o core de uma conexão, a rede é rerenada, ermndo que um número maor de cores sea efeuado. Aém dsso, no méodo OBS a rede neura é re-renada, aroxmando-se os erros de renameno or uma função quadráca, de modo a garanr a exsênca de um mínmo.
6 Vo. 4, No. 6 Redes Neuras e suas Acações em Cabração Muvarada 869 Resumdamene, o que se faz no méodo OBS é adconar um ermo, chamado ermo de reguarzação 9,0, à função erro (E) dada ea Equação 7, ara ober a função cuso : τ C( W ) = E( W ) + W DW () O ermo de reguarzação smesmene enaza esos com vaores reduzdos, sendo esa enazação, onderada eo faor D. O faor de reguarzação auxa no rocesso de runng e assegura a esabdade numérca do méodo. Em seguda, exande-se a função cuso em sére de Tayor aé ermos de segunda ordem, em orno de um ossíve mínmo W 0, como segue: τ C( W ) = C( W0 ) + δw HδW (3) em que δw=w-w 0 e H=(A+D), é a marz Hessana da função cuso, com ermo de reguarzação. A é a marz das dervadas segundas dos erros de renameno E conendo odas W os ermos de segunda ordem. Aós esa fase, esos devem ser emnados e a função cuso mnmzada. A emnação do -ésmo eso ode ser exressa como: τ T W e = W0 δ e (4) em que é o -ésmo veor unáro. O exremo vncuado ose ser obdo acando-se o méodo dos mucadores de Lagrange : ~ C τ ( W ) C( W) + λ ( δw + W0 ) e = (5) em que λ é o mucador de Lagrange. Resovendo-se a Equação 5 obém-se o exremo vncuado: δw=-λh - e (6) Nese ono é ossíve voar a Equação, excar E ( W ) E(W) ober a varação do erro em função dos esos, W subsur o vaor de δw eo vaor obdo na Equação 6 e ober a segune equação ara a saênca, so é, a varação no erro de renameno devdo a emnação de um deermnado eso W T δ E ( W ) = λw0 DH e + λ e H ( E + D) H e (7) A equação da saênca fornece um créro maemáco ara que o core de esos ossa ocorrer. Acando-se o méodo das redes neuras com runng ara a deermnação de nrogêno em fohas de rgo fo ossíve ober modeos com erros adrões de revsão (%SEP) de deermnação da ordem de 5%. Os gráfcos dos vaores revsos versus os vaores de referênca, obdos com o méodo kedah esão aresenados na Fgura 0. As écncas de aodzação de redes smfcam sgnfcavamene o rocesso de omzação da arqueura e nos erme ober modeos com equena ossbdade de sobreause (overfng). Ese fao ode ser observado comarando os resuados obdos na deermnação de nrogêno uzando-se redes neuras sem oda e com oda conforme mosrado na Tabea. NIRR-REDES NEURAIS com Aodzação, % N Redes Neuras com Aodzação (Prunng) Cabração Prevsão KJELDAHL, % N Fgura 0. Vaor revso, ara o eor de nrogêno, eo modeo de cabração NIRR-RNP versus o vaor obdo com o méodo Kedah. Tabea. Comaração enre os modeos de redes neuras uzados na deermnações de nrogêno em fohas de rgo. %RMSEC %RMSEP Redes neuras sem oda 4,78 6,53 Redes neuras com oda 4,8 6,9 o esecífco de rede que em do recene acação -4 é a rede com funções radas de base (RBFN). Na RBFN os neurônos geramene são funções radas muvaradas, com város argumenos de enrada, e com comorameno rada em reação a cada argumeno, ou sea, as funções radas decrescem (ou crescem) monooncamene a medda que se dsancam do ono cenra. Exse um grande número de funções radas que odem ser uzadas ara esse fm, sendo mas comuns as funções com fórmua gera do o: h(x)=φ((x-c) R - (x-c)) (8) onde φ é o o de função usada, c é a osção em que a função esá cenrada e R é a mérca uzada. O ermo z=((x-c) R - (x-c)) defne a dsânca enre o veor de enrada x e o veor de cenros c na mérca defnda or R (cada enrada corresonde a uma RBF, que or sua vez ossu um cenro e um rao em reação a cada enrada). Os os mas comuns de RBFs uzadas são: Gaussana: φ ( z) = e Muquádrca: φ( z ) = ( + z) Muquádrca nversa: φ( z) = ( + z) Cauchy: φ( z) = ( + z) Normamene o ssema mérco uzado é eucdano, e nesse caso, R=r I, onde r é o rao (dsersão) da RBF uzada e I é a marz dendade de ordem gua ao amanho de x. Isso smfca a RBF uzada: REDES COM FUNÇÕES RADIAIS DE BASE Adconamene às redes neuras com múas camadas, um h( x) φ ( )( ) x c x c ( x c ) = φ = r r (9)
7 870 Cerquera e a. Qum. Nova caso haa aenas uma varáve nos dados de enrada (cada amosra for um escaar, ao nvés de um veor) o somaóro se resrnge a um ermo. A Fgura mosra o erf das RBF mas comumene uzadas. Nesse caso, raa-se de RBFs unvaradas cenradas na orgem (c = 0) e com rao unáro (r = ). Fgura. Perf dos os de RBF mas uzados: gaussana( ); muquádrca (- ); muquádrca nversa (-+) e cauchy (-*). No caso mas comum, em que as RBFs são muvaradas, as mesmas aresenam um erf semehane ao descro na Fgura ara cada varáve do veor de enrada (x), odendo ossur raos e cenros guas ou dsnos em reação as mesmas. RBFs or s só, são aenas uma casse de funções, e odem ser uzadas em rede sob quaquer arrano. Porém, o ermo RBFN (Rada Bass Funcon Nework) ou rede de funções radas de base, geramene se refere a uma rede com uma camada, conforme mosrado na Fgura. h (x) w 0 w w w 3 w m Uma RBFN não é near se as RBFs uderem mudar de osção (varação de c) ou amanho (varação de r) ou caso a rede ossua mas de uma camada ocua. Caso conráro, embora a RBFN sea formada or funções não neares, ea é near em reação aos arâmeros (w), ou sea, a saída da rede é uma combnação near das saídas das funções. Em ouras aavras, desde que não haa RBFs com raos e cenros guas smuaneamene, eas formam uma base ara um esaço veora no qua serão modeadas as amosras em quesão. Devdo a neardade das RBFNs com aenas uma camada ocua, uma vez fxados o número, os raos e os cenros das RBFs, os esos (arâmeros de onderação w) odem ser deermnados eo méodo dos mínmos quadrados. Isso ossba o cácuo desses arâmeros de modo agébrco (marca), o qua é muo mas rádo que os modeos eravos de omzação de redes neuras. Para a execução do méodo de mínmos quadrados, bascamene em-se que dferencar a exressão do somaóro quadráco em reação a cada arâmero a ser omzado, guaar cada exressão a zero e resover o ssema de equações resuane. O modeo de RBFN gera uma resosa do o: m f ( x) = wh ( x) (0) = Para a deermnação dos esos é necessáro mnmzar o somaóro quadráco S = ( yˆ f ( )) () = x Dferencando o somaóro quadráco em reação a cada arâmero êm-se S w f = ( f ( x ) yˆ ) ( x ) = w () Devdo à neardade do ssema, as dervadas em reação a arâmeros dsnos são ndeendenes. f w x ) = h ( x ) ( (3) Subsundo a Equação 3 na dervada do somaóro do erro quadráco (Equação ), e guaando a zero êm-se: bas... h (x) h (x) h 3(x) h m(x) f ( x ) h ( x ) = yˆ h ( x ) (4) = = Coocando em forma marca, êm-se h f = h ŷ (5) onde x X X n... Fgura. RBFN radcona com uma camada ocua: cada um das n varáves dos dados são uzados como argumeno da m RBFs, cuas saídas são nearmene combnadas aravés dos esos w gerando uma saída f(x). Cada varáve da marz de dados é usada como argumeno de odas as RBFs, e a saída de cada RBF é onderada e somada ara se deermnar uma saída. Adconamene ode-se acrescenar um ermo ndeendene dos dados de enrada ara omzar o ause ( bas ). h h ( x ) h ( x) =, M h ( x) f ( x) f ( x) f =, M f ( x) yˆ y ˆ y = M yˆ ou sea, h f hŷ hf hŷ = M M (6) hmf hmŷ
8 Vo. 4, No. 6 Redes Neuras e suas Acações em Cabração Muvarada 87 Uzando as roredades de mucação marca, H f = H ŷ (7) onde H é a marz de desgn com os veores { h } m = counas em suas H = [h h... h m ] (8) e em nhas reavas às amosras do conuno de renameno (9) O veor f ode ser decomoso no roduo de dos ermos: A marz de desgn e o veor de esos m f = f(x ) = w ˆ h (x ) = h ŵ h onde = (30) h ( x ) h ( x ) = M (30) hm ( x ) É morane observar que enquano é uma das counas de H, é uma de suas nhas. f h w w f f h = = = Hŵ M M (3) f w hm Fnamene subsundo na Equação 7 em-se: H ŷ = H Hŵ (3) Mucando a Equação 3 à esquerda em ambos ados ea nversa de êm-se: - ŵ = (H H) = H ŷ (33) Para adconar o ermo ndeendene (bas) à rede em quesão, basa adconar um veor couna unáro na marz de desgn (H), de modo a gerar uma RBF cua resosa ndeende dos dados na marz de desgn. A fm de emnar robemas numércos no cácuo dos modeos de RBFN e aceerar os mesmos, usuamene uza-se um modeo de orogonazação nos dados de enrada. Assm, emna-se a correação enre as varáves de enrada e o número das mesmas. Esse rocesso condensa a nformação reevane dos dados de enrada em uma marz de menor amanho, emnando nformações redundanes, facando assm, o cácuo com marzes de menor amanho. Em uma rede com RBFs, exande-se o esaço de modeagem com uma base maor que o número de enradas (aós a orogonazação e consequene emnação da correação das varáves de enrada). Nesse esaço com dmensão sueror a searação dos adrões de nformação é fea mas facmene e oserormene é fea uma regressão near múa (méodo dos mínmos quadrados) enre os dados de enrada nessa nova base e a saída eserada (concenração do anao de neresse, or exemo). O rnca robema em se rabahar com RBFN, é defnr o número, as osções, raos e os das RBFs uzadas na rede, de modo omzado, ou sea, defnr a base de dmensão sueror na qua será fea a searação dos adrões de nformação. Não exse uma fórmua gera ara defnr esses arâmeros, orém, recenemene em surgdo uma sére de argos 5,6 com essa fnadade. Uma esraéga aernava de omzação dos arâmeros da RBFN é comarar modeos consruídos com dferenes subconunos denre um gruo defndo de ossíves RBFs. Enconrar o mehor conuno, or enava e erro é racamene nváve, vso que exsem n sub-conunos dsnos em um conuno com n RBFs, de modo que geramene uza-se de méodos heuríscos ara reazar essa arefa. Um dos os mas smes denre os méodos heuríscos de omzação é a Forward Seecon 5,7. O modeo de omzação or forward seecon basea-se em ncar um sub-conuno vazo de RBFs e r adconando RBFs de modo a dmnur (mnmzar) o somaóro do erro quadráco ou ouro créro de mnmzação como a vadação cruzada generazada (or exemo). Ouro modeo heurísco muo usado é fazer o ooso, ou sea, arr de um conuno maor de RBFs e r emnando RBFs de modo a dmnur o erro (créro de mnmzação), conhecdo como backward emnaon. É neressane comarar a seeção de subconunos de RBFs em uma RBFN com o modeo adrão ara omzação em redes neuras arfcas, o qua envove omzação or gradene descendene de uma suerfíce não near em um esaço mudmensona defndo eos arâmeros da rede 8. Na omzação or subconunos ( foward seecon ou backward seecon ) o agormo de omzação enconra em um esaço dscreo de subconunos, um conuno de RBFs com cenros e raos fxos de modo a mnmzar o erro de revsão. Os esos não são seeconados, mas sm deermnados em função do conuno de RBFs defndo eo modeo de omzação. Por defnção, forward seecon é um agormo não near de omzação ara RBFNs, orém ossu agumas vanagens: - Não há necessdade de fxar o número máxmo de RBFs; - Os créros de seeção dos modeos são raáves; - Não há necessdade de oder comuacona eevado. O modeo de RBFN com omzação or forward seecon fo acado na cabração de um conuno de 367 esecros NIR de cado de cana concenrado (xaroe) ara a deermnação do BRIX (eor de sódos em susensão) em amosras cuo BRIX vara enre 64 e 74. As amosras foram dvddas em dos gruos, sendo 67 amosras ara a cabração e 00 ara revsão, escohdas de modo reresenavo, so é, as amosras de cada gruo foram escohdas de modo que cada gruo ossuísse vaores de BRIX em oda a faxa monorada, sem exraoação dos conunos de vadação e revsão. Os esecros NIR das amosras de xaroe de cado de cana são mosrados na Fgura 3. Para a orogonazação dos dados de enrada, uzou-se um modeo de PCA 9 ( rnca comonen anayss ) usando os 6 rmeros comonenes rncas, os quas excaram 99,995% da varânca dos dados, ou sea, racamene oda nformação reevane. Foram uzadas 67 RBFs, endo odas raos guas a 9.643x0 -, x0 -, x0 -, x0 -, 4.37x0 - e.74x0 - em reação às 6 comonenes rncas (varáves de enrada orogonazadas) resecvamene. Os resuados obdos ea modeagem com RBFN omzada or forward seecon nas amosras de cabração são mosrados na Fgura 4 e ara amosras de revsão são mosrados na Fgura 5. Em ambas fguras (4 e 5), é mosrado o erro
9 87 Cerquera e a. Qum. Nova ercenua reavo ara as resecvas amosras. Observa-se vaores de erros ercenuas reavamene baxos, o que aumena as ossbdades de uzação das redes com RBFs ara a cabração muvarada em dados anaícos. Adconamene, observa-se um mehor ause (erros ercenuas reavos menores) ara amosras de cabração que ara as amosras de revsão, ndcando um ossíve sobreause do modeo. Esse fao ndca que ara os dados em quesão, embora os vaores obdos seam aceáves, ode-se anda omzar a rede de RBFs ara orná-a mas robusa, ou sea, fazer com que o modeo consruído obenha erros ara as amosras de cabração e de revsão com mesma ordem de grandeza. CONCLUSÕES Fgura 3. Esecros NIR de xaroe de cado de cana. Erro reavo de cabração / % Fgura 4. Erro reavo obdo com o modeo de RBFN omzado or foward seecon ara amosras de cabração. Erro reavo de revsão / % Número da amosra Número da amosra Fgura 5. Erro reavo obdo com o modeo de RBFN omzado or foward seecon ara amosras de revsão O uso de redes neuras, redes neuras com aodzação e redes neuras com funções de base rada mosra-se como uma boa aernava ara a modeagem de ssemas em que a resoução dos snas envovdos é baxa ou a reação enre os snas e a roredade de neresse não é near. Esecfcamene em químca anaíca, a modeagem com redes neuras em se mosrado efcaz na deermnação quanava, smuânea ou não, de dversas eséces, aravés da anáse com equamenos de resosa muvarada (NIR, NIRR, UV-VIS, ec). AGRADECIMENTOS E. O. de Cerquera agradece a FAPESP (roc. no. 97/ ) ea bosa concedda. REFERÊNCIAS. Zuan, J.; Gaseger, J.; Ana. Chm. Aca 99, 48,.. MacCuoch, W.; Ps, W.; Bu. Mah. Bohy. 943, 5, Carwrgh, H. M.; Acaons of Arfca Inegence n Chemsry; Oxford Unversy Press, New York, Kaerman, G.; Sms, J. R.; Ana. Chm. Aca. 993, 77, Gemerne, P. J.; Chemom. Ine. Lab. Sys. 997, 39, Harrngon, P. De B.; Ana. Chem. 993, 65, Long, J. R.; Gregorou, V. G.; Gemerne, P. J.; Ana. Chem. 990, 6, Wyhoff, B.; Chemom. Ine. Lab. Sys. 993, 8, Jang, J. R. S.; Sun, C. T.; Mzuan, E.; Neuro Fuzzy e sof comung; Prence Ha; Uer Sadde Rver, 997; Thomas, E. V.; Haae, D. M.; Ana. Chem. 990, 6, 09.. Oo, M.; Sascs and Comuer Acaon n Anayca Chemsry; Wey-VCH; Wenhem, DU; 999; 96.. De Barros Neo, B.; Scarmno, I. S.; Bruns, R. E.; Paneameno e Omzação de Exermenos; Edora da UNICAMP; Camnas; 995; Haykn, S.; Neura Neworks, a comrehensve foundaon; Prence Ha; Uer Sadde Rver, New Jersey; 999, Hassb, B.; Sork, D. G.; In Advances n neura nformaon rocessng sysems 5; Hanson, S. J.; Cowan, J. D.; Ges, C. L.; Ed.: Morgan Kaufmann, San Maeo, CA; 993, Cun, Y. Le; Boser, B.; Denker, J. S.; Soa, S. A.; Oma bran damage: Advances n Neura nformaon rocessng sysems, vo.; Morgan Kaufman; San Maeo, 990, Po, R. J.; Massar, D. L.; Ana. Chm. Aca 998, 375, 87.
10 Vo. 4, No. 6 Redes Neuras e suas Acações em Cabração Muvarada Meo, C.; Po, R. J.; Andrade, J. C. De; Canarea, H.; Anays 999, 4, Fahman, S. E.; Lbere, C.; Advances n Neura Informaon Processng Sysems, Vo. ; D. S. Tourezsky Ed.; Morgan Kaufmann, San Maeo; 990; Larsen, J.; Hansen, L. K.; Generazaon of reguarzed neura nework modes; Proc. of he IEEE worksho on neura neworks for sgna Proc. IV; Pscaaway; New Jersey; 994; Norgaard, M.; Neura Nework Based Sysem Idenfcaon TOOLBOX for use wh MATLAB TM, verson.;, Technca Unversy of Denmark, DK; Bsho C. M.; Neura Neworks for Paern Recognon; OXFORD Unversy Press; New York, 995; Graud, F.; Saameh, Z. M.; IEEE Transacons on Energy Converson 999, 4, Wkns M.F.; Boddy L.; Morrs C. W.; Jonker R. R.; Aed and Envronmena Mcroboogy 999, 65, Waczak, B.; Massar, D.L.; Ana. Chm. Aca 996, 33, Mark J. L. Orr; Inroducon o Rada Bass Funcon Neworks, Cenre for Cognve Scence, Unversy of Ednburg, Bucceuce Pace, Ednburg EH8 9LW, Scoand, Mark J. L. Orr; Recen Advances n Rada Bass Funcon Nework, Insue for Adaave and Neura comuaon Dvson of Informacs, Ednburgh Unversy, Ednburg EH8 9LW, Scoand, Subbngs, T.; Huer, H. T.; Chemmom. Ine. Labs. Sys. 999, 49, Herz, J. Krough, A.; Pamer, R. G.; Inroducon o he Neura Nework Comuaon; Addson Wesey, Redwood Cy, CA, Gead, P.; Kowask, B.; Ana. Chm. Aca 986, 85,.
CAPÍTULO 4. Vamos partir da formulação diferencial da lei de Newton
9 CPÍTUL 4 DINÂMIC D PRTÍCUL: IMPULS E QUNTIDDE DE MVIMENT Nese capíulo será analsada a le de Newon na forma de negral no domíno do empo, aplcada ao momeno de parículas. Defne-se o conceo de mpulso e quandade
Leia maisPROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE WULU
1 PUCPR- Ponfíca Unversdade Caólca Do Paraná PPGIA- Programa de Pós-Graduação Em Informáca Aplcada PROF. DR. JACQUES FACON IMIARIZAÇÃO POR ENTROPIA DE WUU Resumo: Uma nova écnca de marzação baseada em
Leia maisFILTROS ATIVOS: UMA ABORDAGEM COMPARATIVA. Héctor Arango José Policarpo G. Abreu Adalberto Candido
FILTROS ATIVOS: UMA ABORDAGEM COMPARATIVA Hécor Arango José Polcaro G. Abreu Adalbero Canddo Insuo de Engenhara Elérca - EFEI Av. BPS, 1303-37500-000 - Iajubá (MG) e-mal: arango@ee.efe.rmg.br Resumo -
Leia maisFísica I. 2º Semestre de Instituto de Física- Universidade de São Paulo. Aula 5 Trabalho e energia. Professor: Valdir Guimarães
Físca I º Semesre de 03 Insuo de Físca- Unversdade de São Paulo Aula 5 Trabalho e energa Proessor: Valdr Gumarães E-mal: valdrg@.usp.br Fone: 309.704 Trabalho realzado por uma orça consane Derenemene
Leia maisInstituto de Física USP. Física V Aula 30. Professora: Mazé Bechara
Insuo de Físca USP Físca V Aula 30 Professora: Maé Bechara Aula 30 Tópco IV - Posulados e equação básca da Mecânca quânca 1. Os posulados báscos da Mecânca Quânca e a nerpreação probablísca de Ma Born.
Leia maisIntrodução à Computação Gráfica
Inrodução à Compuação Gráfca Desenho de Consrução Naval Manuel Venura Insuo Superor Técnco Secção Auónoma de Engenhara Naval Sumáro Represenação maemáca de curvas Curvas polnomas e curvas paramércas Curvas
Leia maisCAPÍTULO 1 REPRESENTAÇÃO E CLASSIFICAÇÃO DE SISTEMAS. Sistema monovariável SISO = Single Input Single Output. s 1 s 2. ... s n
1 CAPÍTULO 1 REPREENTAÇÃO E CLAIFICAÇÃO DE ITEMA 1.1. Represenação de ssemas 1.1.1. semas com uma enrada e uma saída (IO) e sema monovarável IO = ngle Inpu ngle Oupu s e = enrada s = saída = ssema 1.1..
Leia mais2 Programação Matemática Princípios Básicos
Programação Maemáca Prncípos Báscos. Consderações Geras Os objevos dese capíulo são apresenar os conceos de Programação Maemáca (PM) necessáros à compreensão do processo de omzação de dmensões e descrever
Leia maisMODELOS PARA A PREVISÃO DE EVAPORAÇÃO EM RESERVATÓRIOS DE ÁGUA
MODELOS PARA A PREVISÃO DE EVAPORAÇÃO EM RESERVATÓRIOS DE ÁGUA André Luz Emdo de Abreu Cenro Unversáro Francscano FAE; Programa de Pós-Graduação em Méodos Numércos em Engenhara - UFPR FAE Rua 4 de mao
Leia maisdefi departamento de física
def deparameno de físca Laboraóros de Físca www.def.sep.pp.p Equações de Fresnel Insuo Superor de Engenhara do Poro Deparameno de Físca Rua Dr. Anóno Bernardno de Almeda, 431 400-07 Poro. Tel. 8 340 500.
Leia maisConceitos Básicos de Circuitos Elétricos
onceos Báscos de rcuos lércos. nrodução Nesa aposla são apresenados os conceos e defnções fundamenas ulzados na análse de crcuos elércos. O correo enendmeno e nerpreação deses conceos é essencal para o
Leia maisTráfego em Redes de Comutação de Circuitos
Caracerzação do ráfego nálse de ssemas de esados nálse de ráfego em ssemas de erda nálse de ráfego em ssemas de araso Bloqueo em ssemas de andares múllos Máro Jorge Leão Inenconalmene em branco Caracerzação
Leia maisSeção 5: Equações Lineares de 1 a Ordem
Seção 5: Equações Lineares de 1 a Ordem Definição. Uma EDO de 1 a ordem é dia linear se for da forma y + fx y = gx. 1 A EDO linear de 1 a ordem é uma equação do 1 o grau em y e em y. Qualquer dependência
Leia mais5 Apreçamento de ESOs com preço de exercício fixo
5 Apreçameno de ESOs com preço de exercíco fxo Ese capíulo rá explorar os prncpas modelos de apreçameno das ESOs ulzados hoje em da. Neses modelos a regra de decsão é esruurada em orno da maxmzação do
Leia mais2. A Medição da Actividade Económica Grandezas Nominais e Reais e Índices de Preços
2. A Medção da Acvdade Económca 2.4. Grandezas Nomnas e Reas e Índces de Preços Ouubro 2007, nesdrum@fe.u. Sldes baseados no guão dsonível no se da cadera 1 2.4. Grandezas Nomnas e Reas e Índces de Preços
Leia mais1 Equação de Transporte de Quantidade de Movimento
Equação de Transore de Quandade de Momeno. Inrodução A equação de ransore de quandade de momeno em a forma de qualquer equação de eolução: d d ssema βdv βdv ( β. n) da (Fluo dfuso) (Fones - Poços) c surface
Leia maisAnálise Discriminante: classificação com 2 populações
Análse Dscrmnane: classcação com oulações Eemlo : Proreáros de coradores de rama oram avalados seundo duas varáves: Renda U$ ; Tamanho da roredade m. Eemlo : unção dscrmnane unvarada ~ ama4 4 3 e ~ ama8.5
Leia maisNOTAS DE AULA DA DISCIPLINA CE076
5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura
Leia maisAvaliação de Métodos de Interpolação do Sinal de Variabilidade da Freqüência Cardíaca
Avalação de Méodos de Inerolação do Snal de Varabldade da Freqüênca Cardíaca João Luz Azevedo de Carvalho, Oávo Sérgo de Araúo e Noguera, Adson Ferrera da Rocha, Francsco Asss de Olvera Nascmeno, João
Leia maisFísica Experimental IV Polarização por Reflexão ângulo de Brewster. Prof. Alexandre Suaide Prof. Manfredo Tabacniks
Físca xpermenal IV - 008 Polarzação por Reflexão ângulo de Brewser Prof. Alexandre Suade Prof. Manfredo Tabacnks Reflexão e Refração da Luz fsca.ufpr.br/edlson/cap34.pdf fsca.ufpr.br/edlson/cap34.pdf prsma
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisContabilometria. Números-Índices
Coablomera Números-Ídces Foes: Seveso (1981) Esaísca Alcada à Admsração Ca. 15 Foseca, Mars e Toledo (1991) Esaísca Alcada Ca. 5 Números-Ídces Sezam modfcações em varáves ecoômcas durae um eríodo de emo
Leia maisCIRCULAR Nº 3.634, DE 4 DE MARÇO DE 2013. Padrão. Padrão. max i. I - F = fator estabelecido no art. 4º da Resolução nº 4.
CIRCULAR Nº 3.634, DE 4 DE MARÇO DE 2013 Esabelece os procedmenos para o cálculo da parcela dos avos ponderados pelo rsco (RWA) referene às exposções sueas à varação de axas de uros prefxadas denomnadas
Leia maisEEL-001 CIRCUITOS ELÉTRICOS ENGENHARIA DA COMPUTAÇÃO
L IRUITOS LÉTRIOS 8 UNIFI,VFS, Re. BDB PRT L IRUITOS LÉTRIOS NGNHRI D OMPUTÇÃO PÍTULO 5 PITORS INDUTORS: omporameno com Snas onínuos e com Snas lernaos 5. INTRODUÇÃO Ressor elemeno que sspa poênca. 5.
Leia maisF B d E) F A. Considere:
5. Dois corpos, e B, de massas m e m, respecivamene, enconram-se num deerminado insane separados por uma disância d em uma região do espaço em que a ineração ocorre apenas enre eles. onsidere F o módulo
Leia mais3 Teoria de imunização
33 3 Teora de munzação Como fo vso, o LM é um gerencameno conuno de avos e passvos como o nuo de dmnur ou aé elmnar os rscos enfrenados pelas nsuções fnanceras. Deses rscos, o rsco de axa de uros represena
Leia maisFísica Geral I - F Aula 11 Cinemática e Dinâmica das Rotações. 1º semestre, 2012
Físca Geral I - F -8 Aula Cnemáca e Dnâmca das oações º semesre, 0 Movmeno de um corpo rígdo Vamos abandonar o modelo de parícula: passamos a levar em cona as dmensões do corpo, nroduzndo o conceo de corpo
Leia maisControle Cinemático de Robôs Manipuladores
Conrole Cnemáco de Robôs Manpuladores Funconameno Básco pos de rajeóra rajeóras Pono a Pono rajeóras Coordenadas ou Isócronas rajeóras Conínuas Geração de rajeóras Caresanas Inerpolação de rajeóras Inerpoladores
Leia maisÉ a parte da mecânica que descreve os movimentos, sem se preocupar com suas causas.
1 INTRODUÇÃO E CONCEITOS INICIAIS 1.1 Mecânca É a pare da Físca que esuda os movmenos dos corpos. 1. -Cnemáca É a pare da mecânca que descreve os movmenos, sem se preocupar com suas causas. 1.3 - Pono
Leia maisCIRCULAR Nº 3.568, DE 21 DE DEZEMBRO DE 2011
CAPÍTULO : Crculares não Codfcadas 2 CIRCULAR Nº 3.568, DE 2 DE DEZEMBRO DE 20 Alera dsposvos das Crculares ns. 3.36, de 2 de seembro de 2007, 3.388, de 4 de unho de 2008, 3.389, de 25 de unho de 2008,
Leia maisExperiência IV (aulas 06 e 07) Queda livre
Experênca IV (aulas 06 e 07) Queda lvre 1. Obevos. Inrodução 3. Procedmeno expermenal 4. Análse de dados 5. Quesões 6. Referêncas 1. Obevos Nesa experênca esudaremos o movmeno da queda de um corpo, comparando
Leia maisAula 3 - Classificação de sinais
Processamento Dgtal de Snas Aula 3 Professor Marco Esencraft feverero 0 Aula 3 - Classfcação de snas Bblografa OPPENHEIM, AV; WILLSKY, A S Snas e Sstemas, a edção, Pearson, 00 ISBN 9788576055044 Págnas
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais2 Generalized Autoregressive Moving Average Models (GARMA)
Generalized Auoregressive Moving Average Models (GARMA se caíulo esá fundamenado no arigo de Benamin, Rigb e Sasinooulos (003 [] o ual em como obeivo raar a eensão dos modelos ARMA (Auoregressive Moving
Leia mais3 Planejamento da Operação Energética no Brasil
3 Planeameno da Operação Energéca no Brasl 3.1 Aspecos Geras O ssema elérco braslero é composo por dos dferenes pos de ssemas: os ssemas solados, os quas predomnam na regão Nore do Brasl e represenam cerca
Leia maisDESESPERANÇA DE VIDA: HOMICÍDIO EM MINAS GERAIS, RIO DE JANEIRO E SÃO PAULO 1981 A
DESESPERANÇA DE VIDA: HOMICÍDIO EM MINAS GERAIS, RIO DE JANEIRO E SÃO PAULO 98 A 997 Mônca Vegas Andrade 2 Marcos de Barros Lsboa 3 RESUMO Esse rabalho em como objevo esudar o comorameno da axa de homcído
Leia maisAnálise da Confiabilidade de Componentes Não Reparáveis
Análse da onfabldade de omponenes Não Reparáves. omponenes versus Ssemas! Ssema é um conjuno de dos ou mas componenes nerconecados para a realzação de uma ou mas funções! A dsnção enre ssema, sub-ssema
Leia maisGERENCIAMENTO DA CADEIA DE SUPRIMENTOS: OTIMIZAÇÃO DA CADEIA DE ABASTECIMENTO LOGÍSTICA EM UMA EMPRESA CIMENTEIRA
GERENCAMENO DA CADEA DE SURMENOS: OMZAÇÃO DA CADEA DE ABASECMENO LOGÍSCA EM UMA EMRESA CMENERA Danel Cezar Garca Unversdade Federal de Mnas Geras Av. Anôno Carlos, 6627 - amula - Belo Horzone, Mnas Geras,
Leia maisUniversidade Federal do Rio de Janeiro
Universidade Federal do Rio de Janeiro Circuios Eléricos I EEL42 Coneúdo 8 - Inrodução aos Circuios Lineares e Invarianes...1 8.1 - Algumas definições e propriedades gerais...1 8.2 - Relação enre exciação
Leia maisCIRCUITOS ELÉTRICOS EXERCÍCIOS ) Para o circuito da figura, determinar a tensão de saída V out, utilizando a linearidade.
FISP CIRCUITOS ELÉTRICOS EXERCÍCIOS RESOLVIDOS 00 CIRCUITOS ELÉTRICOS EXERCÍCIOS 00 Para o crcuo da fgura, deermnar a ensão de saída V ou, ulzando a lneardade. Assumremos que a ensão de saída seja V ou
Leia mais4 a 7 de novembro de 2003, Natal-RN. A pesquisa Operacional e os Recursos Renováveis
A pequa Operacona e o Recuro Renováve 4 a 7 de novembro de 2003, Naa-RN DESENVOLVIMENO DE UM SISEMA DE APOIO À DECISÃO DEDICADO AO ESUDO DE PROBLEMAS DE LOCALIZAÇÃO DINÂMICA DE EQUIPAMENOS PARA RANSFERÊNCIA,
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisUniversidade Estadual do Sudoeste da Bahia
Universidade Esadual do Sudoese da Bahia Dearameno de Ciências Exaas e Naurais.1- Roações, Cenro de Massa e Momeno Física I Prof. Robero Claudino Ferreira Índice 1. Movimeno Circular Uniformemene Variado;.
Leia maisHEURÍSTICA PARA O PROBLEMA DE ROTEIRIZAÇÃO E ESTOQUE
Pesqusa Operaconal e o Desenvolvmeno Susenável 7 a /9/5, Gramado, RS HEURÍSTICA PARA O PROBLEMA DE ROTEIRIZAÇÃO E ESTOQUE André Luís Shguemoo Faculdade de Engenhara Elérca e Compuação Unversdade Esadual
Leia maisONDAS ELETROMAGNÉTICAS
LTROMAGNTISMO II 3 ONDAS LTROMAGNÉTICAS A propagação de ondas eleromagnéicas ocorre quando um campo elérico variane no empo produ um campo magnéico ambém variane no empo, que por sua ve produ um campo
Leia maisProblemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria.
Elementos de Engenhara Químca I II. Frações e Estequometra (problemas resolvdos) Problemas Propostos. Frações másscas, volúmcas ou molares. Estequometra.. Em 5 moles de Benzeno (C 6 H 6 ) quanto é que
Leia maisNota Técnica sobre a Circular nº 2.972, de 23 de março de 2000
Noa Técnca sobre a rcular nº 2.972, de 23 de março de 2000 Meodologa ulzada no processo de apuração do valor da volaldade padrão e do mulplcador para o da, dvulgados daramene pelo Banco enral do Brasl.
Leia maisCapítulo 24: Potencial Elétrico
Capítulo 24: Potencal Energa Potencal Elétrca Potencal Superfíces Equpotencas Cálculo do Potencal a Partr do Campo Potencal Produzdo por uma Carga Pontual Potencal Produzdo por um Grupo de Cargas Pontuas
Leia maisMESTRADO EM CIÊNCIAS DE GESTÃO/MBA. MÉTODOS QUANTITATIVOS APLICADOS À GESTÃO V Funções Exponencial, Potência e Logarítmica
MESTRADO EM IÊNIAS DE GESTÃO/MBA MÉTODOS QUANTITATIVOS APIADOS À GESTÃO V Funções Eponencal, Poênca e ogaríca V- FUNÇÕES EXPONENIA, POTÊNIA E OGARÍTMIA. U capal, coposo anualene a ua aa de juro anual durane
Leia maisREDUÇÃO DE DIMENSIONALIDADE ATRAVÉS DUMA ANÁLISE EM COMPONENTES PRINCIPAIS: UM CRITÉRIO PARA O NÚMERO DE COMPONENTES PRINCIPAIS A RETER
REDUÇÃO DE DIMENSIONALIDADE ATRAVÉS DUMA ANÁLISE EM COMPONENTES PRINCIPAIS: UM CRITÉRIO PARA O NÚMERO DE COMPONENTES PRINCIPAIS A RETER REDUCING DIMENSIONALITY BY MEANS OF A PRINCIPAL COMPONENT ANALYSIS:
Leia maisx () ξ de uma variável aleatória X ser um número real, enquanto que uma realização do
3 Snas Aleaóros em empo Conínuo. Pare II: Modelos de Fones de Informação e de uído. No capíulo aneror vemos oporundade de recordar os conceos báscos da eora das probabldades e das varáves aleaóras. Nese
Leia maisS&P Dow Jones Indices: Metodologia da matemática dos índices
S&P Dow Jones Indces: Meodologa da maemáca dos índces S&P Dow Jones Indces: Meodologa do índce Ouubro 2013 Índce Inrodução 3 Dferenes varedades de índces 3 O dvsor do índce 4 Índces ponderados por capalzação
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Parca Mara Borolon. Sc. Modelos de ados em Panel Fone: GUJARATI;. N. Economera Básca: 4ª Edção. Ro de Janero. Elsever- Campus 006 efnções Geras Nos dados em panel a mesma undade de core
Leia maisANÁLISE MATEMÁTICA DE MODELOS DE POLIMERIZAÇÃO. Heloísa Lajas Sanches
ANÁLISE MATEMÁTICA DE MODELOS DE OLIMERIZAÇÃO Heloísa Laas Sanches TESE SUBMETIDA AO CORO DOCENTE DA COORDENAÇÃO DOS ROGRAMAS DE ÓS-GRADUAÇÃO DE ENGENHARIA DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO
Leia maisMétodo de integração por partes
Maemáica - 8/9 - Inegral de nido 77 Méodo de inegração or ares O méodo de inegração or ares é aenas uma "radução", em ermos de inegrais, do méodo de rimiivação or ares. Sejam f e g duas funções de nidas
Leia mais2.7 Derivadas e Taxas de Variação
LIMITES E DERIVADAS 131 2.7 Derivadas e Taas de Variação O problema de enconrar a rea angene a uma curva e o problema de enconrar a velocidade de um objeo envolvem deerminar o mesmo ipo de limie, como
Leia maisESTIMADOR DE ESTADOS ORTOGONAL COM RESTRIÇÕES DE IGUALDADE
ESTIMADOR DE ESTADOS ORTOGONAL COM RESTRIÇÕES DE IGUALDADE José Paulo da Slva Gouvêa (*) Anôno José Alves Smões Cosa Unversdade Federal de Sana Caarna CTC/EEL/GSP Campus Unversáro, Floranópols, S.C. C.
Leia mais4 O Papel das Reservas no Custo da Crise
4 O Papel das Reservas no Cuso da Crise Nese capíulo buscamos analisar empiricamene o papel das reservas em miigar o cuso da crise uma vez que esa ocorre. Acrediamos que o produo seja a variável ideal
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisFísica Geral I - F Aula 12 Momento Angular e sua Conservação. 2º semestre, 2012
Físca Geral I - F -18 Aula 1 Momento Angular e sua Conservação º semestre, 01 Momento Angular Como vmos anterormente, as varáves angulares de um corpo rígdo grando em torno de um exo fxo têm sempre correspondentes
Leia maisAULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM
AULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM 163 22. PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM 22.1. Inrodução Na Seção 9.2 foi falado sobre os Parâmeros de Core e
Leia maisUma análise da não-linearidade da função de reação do Banco Central do Brasil: Avesso a Inflação ou a Recessão?
Uma análse da não-lneardade da função de reação do Banco Cenral do Brasl: Avesso a Inflação ou a Recessão? Terence de Almeda Pagano José Luz Ross Júnor Insper Workng Paper WPE: 88/9 Coprgh Insper. Todos
Leia mais7. VENTILADORES INTRODUÇÃO CAMPOS DE APLICAÇÃO
7. ENTILADORES INTRODUÇÃO eniladores são máquinas de fluxo geradoras que ransmiem a energia mecânica recebida do eixo ara o fluido (gás). Seu funcionameno é similar às bombas, sendo a rincial diferença
Leia maisda rede são atualizados de acordo com a equação 2 [13]:
LS-DRAUGHTS - UM SISTEMA DE ARENDIZAGEM ARA DAMAS COM GERAÇÃO AUTOMÁ- TICA DE CARACTERÍSTICAS HENRIQUE CASTRO NETO, RITA MARIA SILVA JULIA Faculdade de Compuação, Unversdade Federal de Uberlânda Av. João
Leia maisO gráfico que é uma reta
O gráfico que é uma rea A UUL AL A Agora que já conhecemos melhor o plano caresiano e o gráfico de algumas relações enre e, volemos ao eemplo da aula 8, onde = + e cujo gráfico é uma rea. Queremos saber
Leia maist +1. Cabe mencionar que, N representa o número de observações da série temporal
35 3 Méodos de Prevsão de Séres Temporas 3. Séres Temporas Pode-se defnr uma sére emporal como sendo um conuno de dados observados e ordenados segundo parâmero de empo e com dependênca seral, sendo esse
Leia maisMEDIDA DO TEMPO DE RESPOSTA DOS MEDIDORES DE PRESSÃO DO SPR DA U.N.A. A. A. - UNIDADE I UTILIZANDO O MÉTODO DE MEDIDA DIRETA
MEDIDA DO TEMPO DE RESPOSTA DOS MEDIDORES DE PRESSÃO DO SPR DA U.N.A. A. A. - UNIDADE I UTILIZANDO O MÉTODO DE MEDIDA DIRETA Sergo Rcardo Perera Perllo *, Irac Maríne Perera Gonçalves *, Robero Carlos
Leia maisTransformação Representação gráfica Lei p
SECREARIA DE SEGURANÇA PÚBLICA/SECREARIA DE EDUCAÇÃO POLÍCIA MILIAR DO ESADO DE GOIÁS COMANDO DE ENSINO POLICIAL MILIAR COLÉGIO DA POLÍCIA MILIAR UNIDADE POLIVALENE MODELO VASCO DOS REIS VERIFICAÇÃO VALOR
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisEsta monografia é dedicada a Letícia e aos meus pais, João e Adelangela
Esa monografa é dedcada a Leíca e aos meus pas, João e Adelangela Agradecmenos Gosara de agradecer ao Prof. Vrgílo, pelo apoo e orenação dados durane ese e ouros rabalhos. Agradeço ambém a meus colegas
Leia maisCapítulo 4. Propriedades dos Estimadores de Mínimos Quadrados
Capíulo 4 Propriedades dos Esimadores de Mínimos Quadrados Hipóeses do Modelo de Regressão Linear Simples RS1. y x e 1 RS. Ee ( ) 0 E( y ) 1 x RS3. RS4. var( e) var( y) cov( e, e ) cov( y, y ) 0 i j i
Leia maisProfessor: Danilo Dacar
Progressão Ariméica e Progressão Geomérica. (Pucrj 0) Os números a x, a x e a x esão em PA. A soma dos números é igual a: a) 8 b) c) 7 d) e) 0. (Fuves 0) Dadas as sequências an n n, n n cn an an b, e b
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisExemplo pág. 28. Aplicação da distribuição normal. Normal reduzida Z=(900 1200)/200= 1,5. Φ( z)=1 Φ(z)
Exemplo pág. 28 Aplcação da dsrbução ormal Normal reduzda Z=(9 2)/2=,5 Φ( z)= Φ(z) Subsudo valores por recurso à abela da ormal:,9332 = Φ(z) Φ(z) =,668 Φ( z)= Φ(z) Φ(z) =,33 Φ(z) =,977 z = (8 2)/2 = 2
Leia mais3 Retorno, Marcação a Mercado e Estimadores de Volatilidade
eorno, Marcação a Mercado e Esimadores de Volailidade 3 3 eorno, Marcação a Mercado e Esimadores de Volailidade 3.. eorno de um Aivo Grande pare dos esudos envolve reorno ao invés de preços. Denre as principais
Leia mais4 Premissas quanto aos Modelos de Despacho de Geração, Formação do Preço da Energia e Comercialização de Energia
61 4 Premssas quano aos Modelos de Despacho de Geração, Formação do Preço da Energa e Comercalzação de Energa 4.1. Inrodução A remuneração de uma geradora depende do modelo de despacho de geração e formação
Leia maisCapítulo Cálculo com funções vetoriais
Cálculo - Capíulo 6 - Cálculo com funções veoriais - versão 0/009 Capíulo 6 - Cálculo com funções veoriais 6 - Limies 63 - Significado geomérico da derivada 6 - Derivadas 64 - Regras de derivação Uiliaremos
Leia maisProfessor: Danilo Dacar
. (Pucrj 0) Os números a x, a x e a3 x 3 esão em PA. A soma dos 3 números é igual a: é igual a e o raio de cada semicírculo é igual à meade do semicírculo anerior, o comprimeno da espiral é igual a a)
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisCAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA
CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA 3. Método Utlzando Ponto de Controle O uso de pontos de controle é o meo mas exato para a determnação do offset da fase nterferométrca. Normalmente utlza-se
Leia maisMatemática. Resolução das atividades complementares. M22 Números Complexos. 1 Resolva as equações no campo dos números complexos.
Resolução das atvdades comlementares Matemátca M Números Comleos. Resolva as equações no camo dos números comleos. a 0 {, } b 8 0 a 0 D?? D 8 D Cálculo das raíes? S {, } b 8 0 D?? 8 Cálculo das raíes D
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisLENTES ESFÉRICAS I) TIPOS DE LENTES III) COMPORTAMENTO ÓPTICO. Lentes de bordos delgados: Lentes de bordos espessos:
LENTES ESFÉRICAS I) TIPOS DE LENTES III) COMPORTAMENTO ÓPTICO Lentes de bordos delgados: Lentes de bordos esessos: Sendo n = índce de reração do meo e n = índce de reração da lente Lentes Convergentes:
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisRealimentação negativa em ampliadores
Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação
Leia maisEN2607 Transformadas em Sinais e Sistemas Lineares Lista de Exercícios Suplementares 1 3 quadrimestre 2012
EN67 Transformadas em Sinais e Sisemas Lineares Lisa de Exercícios Suplemenares janeiro EN67 Transformadas em Sinais e Sisemas Lineares Lisa de Exercícios Suplemenares quadrimesre Figura Convolução (LATHI,
Leia maisO gráfico que é uma reta
O gráfico que é uma rea A UUL AL A Agora que já conhecemos melhor o plano caresiano e o gráfico de algumas relações enre e, volemos ao eemplo da aula 8, onde = + e cujo gráfico é uma rea. Queremos saber
Leia maisVoo Nivelado - Avião a Hélice
- Avião a Hélice 763 º Ano da icenciaura em ngenharia Aeronáuica edro. Gamboa - 008. oo de ruzeiro De modo a prosseguir o esudo analíico do desempenho, é conveniene separar as aeronaves por ipo de moor
Leia mais3 Modelos lineares para séries temporais ARIMA(p,d,q)
3 Modelos lineares ara séries emorais ARIMA(,d,) Ao longo dos anos diversas ferramenas ara modelagem e revisão de séries emorais êm sido desenvolvidas, mas, no enano, a maioria deses méodos baseia-se em
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia mais(19) 3251-1012 O ELITE RESOLVE IME 2013 DISCURSIVAS FÍSICA FÍSICA. , devido à equação (1). Voltando à equação (2) obtemos:
(9) - O LIT SOLV IM DISCUSIVS ÍSIC USTÃO ÍSIC sendo nula a velocdade vercal ncal v, devdo à equação (). Volando à equação () obemos:,8 ˆj ˆj b) Dado o momeno lnear da equação () obemos a velocdade na dreção
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisNúmero 17. Evolução Recente da Informalidade no Brasil: Uma Análise Segundo Características da Oferta e Demanda de Trabalho
TEXTO PARA DSCUSSÃO Número 7 Evolução Recene da nformaldade no Brasl: Uma Análse Segundo Caraceríscas da Ofera e Demanda de Trabalho Fernando Holanda Barbosa Flho Rodrgo Leandro de Moura Agoso de 202 Evolução
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE MATEMÁTICA CÁSSIA PEREIRA DA ROSA MOSCHOUTIS
1 PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE MATEMÁTICA CÁSSIA PEREIRA DA ROSA MOSCHOUTIS ANÁLISE DO CRESCIMENTO POPULACIONAL BRASILEIRO Poro Alegre 13 CÁSSIA PEREIRA DA ROSA MOSCHOUTIS
Leia maisMECÂNICA CLÁSSICA. AULA N o 9. Colchetes de Poisson Simetrias Espaço de Fases Transformações Canônicas (Hamiltoniano)
1 MECÂNICA CLÁSSICA AULA N o 9 Colchetes de Posson Smetras Esaço de Fases Transformações Canôncas (amltonano) O Esaço de Fases tem uma estrutura assocada a s. Esaços ossuem estruturas, que se referem aos
Leia maisTécnicas de Previsão de Reservas IBNR
Técncas de Prevsão de Reservas BNR Rodrgo Smões Aherno JGP Global Gesão de Recursos UFF, 7 de Abrl de 3 Esruuração nrodução Formao Runoff dos dados Méodos de Prevsão Classfcação Evolução Descrção Aplcações
Leia mais