Comparando predições por modelos geoestatístico e aditivo generalizado para reconstituição de superfícies contínuas Gaussianas
|
|
- Rosângela Ribeiro Osório
- 6 Há anos
- Visualizações:
Transcrição
1 Comparando predições por modelos geoestatístico e aditivo generalizado para reconstituição de superfícies contínuas Gaussianas Wagner Hugo Bonat 1 Paulo Justiniano Ribeiro Junior 2 e Walmes Marques Zeviani 3 1 Mestre em Métodos Numéricos, UFPR/DEST/LEG, Centro Politécnico, Curitiba/PR, wagner@leg.ufpr.br 2 PhD Estatística, UFPR/LEG, paulojus@leg.ufpr.br 3 Doutorando em Estatística e Experimentação agropecuária, UFPR/LEG, walmes@leg.ufpr.br Resumo Os desempenho dos modelos geoestatístico e aditivo generalizado com thin plate splines para a reconstituição de superfícies contínuas Gaussianas são comparados através de um estudo simulação. O procedimento proposto para a comparação leva em consideração fatores sobre o processo gerador da superfície, variabilidade e suavidade, bem como, para o processo de estimação, o tamanho da amostra. Os resultados mostram que o modelo geoestatístico apresenta resultados superiores aos do thin plate splines, nas medidas de adequação de predição utilizadas, erro quadrático médio de predição e nível de cobertura. Os resultados indicam que a predição por thin plate splines é razoável apenas como análise inicial, ou quando não se esta interessado na medida de incerteza das predições espaciais. Palavras-chave: geoestatística ; modelos aditivos generalizados ; predição espacial. Comparing predictions by geostatistical and generalized additive models for reconstructing Gaussian spatially continuous surfaces Abstract The performance of geostatistical and generalized additive models with thin plate splines in the reconstruction of spatially continuous surfaces is assessed by a simulation study. The comparison accounts for different factors affecting the generating process, variability and smoothness as well as the sample size for the estimation procedure. The geostatistical model has clearly a better performance in comparison with the thin plate splines for the assessment measures, mean square error and coverage level. The results indicates the the generalised additive model with thin plate splines is suitable for an initial exploratory analysis or at most when there is no interest in the uncertainty about the spatial predictions. Key words: geostatistics, generalised additive models, spatial prediction. Introdução Em diversas situações que requerem análise espacial o interesse é recuperar uma superfície originalmente contínua, a partir de amostras obtidas em um conjunto discreto de localizações dentro de uma área de estudo. Tais situações ocorrem naturalmente, por exemplo na geologia para estimação de depósitos minerais, na agronomia, para fins de zoneamento agrícola, na epidemiologia para o estudo da distribuição de doenças, na entomologia para a estimação da densidade vetorial de mosquitos transmissores de doenças, na construção civil para o monitoramento de grandes obras como barragens, entre outras. De forma geral, estes problemas tem em comum o fato de que as amostras tem uma localização no espaço e o fenômeno varia continuamente em uma determinada área ou região de estudo. A presença do componente espacial torna as análises estatísticas convencionais inadequadas, principalmente devido a suposição de independência. A ênfase da análise espacial é mensurar propriedades e relacionamentos, levando em consideração a localização espacial do fenômeno em estudo de forma explícita. Duas possíveis abordagem são: modelar a resposta como uma função das coordenadas ou modelar a estrutura de covariância, como é tipicamente feito nos procedimentos de geoestatística. O termo geoestatística, refere-se a modelos e métodos para dados seguindo as seguintes características: Primeiro, os valores Y i :i=1,...n são observados em um conjunto discreto de localizações amostrais, x i, em alguma região espacial A. Segundo, assume-se cada valor Y como uma versão ruidosa de um fenômeno espacial contínuo não observável, S x, nas correspondentes localizações amostrais (DIGGLE; RIBEIRO Jr, 2007). O objetivo mais comum neste tipo de análise é II Simpósio de Geoestatística em Ciências Agrárias ISSN:
2 recuperar o processo S x em qualquer comjunto arbitrário de localizações x e tipicamente definindo um mapa de valores da variável na área. A metodologia comumente utilizada é o modelo geoestatístico, porém algumas outras abordagens também são possíveis. Neste artigo, será considerada uma abordagem completamente distinta em concepção, porém com objetivo idêntico, recuperar o processo S x. A metodologia conhecida como modelo aditivo generalizado (GAM) (HASTIE; TIBISHIRANI, 1990), pode ser descrita como uma extensão do modelo linear generalizado (McCULLAGH; NELDER, 1989), porém com um ou mais preditores lineares envolvendo a soma de funções suaves (smooth functions), no caso espacial de coordenadas geográficas. Neste artigo, esta função suave será representada por um thin plate splines (WOOD, 2003), como será descrito com mais detalhes na próxima seção. O objetivo deste artigo é comparar através de um processo de simulação o desempenho destas duas abordagens, para recuperar superfícies contínuas Gaussianas, ou seja, a distribuição de probabilidade assumida para a variável de interesse (resposta) é a Gaussiana, esta escolha deve-se ao fato desta ser a distribuição de maior uso na comunidade científica em geral. Nesta primeira seção apresentou-se uma visão geral da aplicação dos modelos estatísticos considerados na análise e os objetivos do trabalho. Na segunda apresenta-se de forma ampla os modelos envolvidos, bem como, o procedimento de simulação utilizado na comparação. A seção três apresenta os principais resultados e a quarta as principais conclusões e recomendações para trabalhos futuros. Material e Métodos Um modelo para análise de dados em espaço contínuo é o modelo geoestatístico, como apresentado em Diggle e Ribeiro Jr (2007). O método para estimação de parâmetros adotado neste trabalho é o da máxima verossimilhança, usando a implementação computacional do pacote geor (RIBEIRO Jr; DIGGLE, 2001). Como forma alternativa de análise, considerou-se um modelo aditivo generalizado com função suave bidimensional do tipo thin plate splines (WOOD, 2003). Este tipo de função suave é preferível, por exemplo, a tensor product splines (WOOD, 2006) para suavizar superfícies, uma vez que uma das suas principais características é a isotropia da penalidade das ondulações, onde tais ondulações são em todas as direções igualmente tratadas, com o ajuste inteiramente invariante a rotações no sistema de coordenadas das covariáveis preditoras, tornando este um suavizador adequado para representar interações entre covariáveis medidas na mesma unidade, como coordenadas geográficas, quando isotropia é assumida como adequada. Como o interesse do trabalho é comparar duas abordagens para recuperar uma superfície continua, em um primeiro momento é necessário, ter algum mecanismo capaz de gerar diferentes tipos de superfícies controlando alguns fatos relevantes sobre o processo, por exemplo, força da dependência espacial, variabilidade e suavidade do processo. Estes fatos importantes sobre o processo podem ser adequadamente expressos através da sua estrutura de variância-covariância. Diversas funções para descrever esta estrutura são usadas na literatura (DIGGLE; RIBEIRO Jr., 2007). Neste artigo, adotou-se a função de correlação de Matérn (MATERN, 1986), que tem a expressão, ρ u = 2 κ 1 Γ κ 1 u/υ κ K κ u/υ, em que a correlação entre partes de pontos, assumida isotrópica, é função da distância u entre os pontos, K κ. denota a função de Bessel modificada de ordem κ, υ>0 é um parâmetro de escala que associa à extensão da distância até a qual a correlação espacial é relevante, e κ>0, é um parâmetro de corpo que determina a suavidade do processo. Adotando uma distribuição Normal Multivariada para descrever o processo gerador de dados, tem-se mais três parâmetros relevantes. A variância do processo espacial S x que será denotada por σ 2 0, a variância do ruído, denotado por τ 2 0 e por fim a média geral do processo sobre a área denotada por β. Controlando estes cinco parâmetros, é possível gerar diversos tipos de processos com características bem definidas. Para gerar amostras deste processo, o método padrão é simular amostras independentes Z= Z 1,...Z n provenientes de uma distribuição Normal padrão, e aplicar uma transformação linear, S=AZ, onde A é uma matriz tal que A'A=Σ, a matriz de variância-covariância do modelo, o qual é assumido como gerador do processo. Os valores de Y são então obtidos adicionando-se desvios normais de variância τ 2. A função de Matérn foi usada neste ponto para definir os elementos da matriz Σ. Após II Simpósio de Geoestatística em Ciências Agrárias ISSN:
3 este passo, foi aplicada a decomposição de Choleski para obter A e consequentemente as amostras do processo espacial. As superfícies geradas foram sempre em um quadrado unitário em um gride de 100 x 100 pontos. Para comparação dos modelos foi utilizado o seguinte algoritmo. 1. Gerar uma realização do processo, usando a função de correlação de Matérn com os seguintes conjuntos de parâmetros: Conjunto 1 - β=50,σ 2 = 0,9,τ 2 = 0,1,υ=0,25,κ=0,5/1,5/2,5, Conjunto 2 - β=50,σ 2 = 0,75,τ 2 = 0,25,υ=0,25,κ=0,5/1,5/2,5, Conjunto 3 - β=50,σ 2 = 0,5,τ 2 = 0,5,υ=0,25,κ=0,5/1,5/2,5, Conjunto 4 - β=50,σ 2 = 0,25,τ 2 = 0,75,υ=0,25,κ=0,5/1,5/2,5 ; 2. Retirar amostras aleatórias de tamanho n=150, n=250 e n=500 ; 3. Para cada tamanho de amostra ajustar os dois modelos; 4. Usar os modelos ajustados, para recuperar a superfície completa; 5. Calcular o Erro Quadrático Médio de predição, e o nível de cobertura; 6. Repetir o procedimento 1000 vezes. Todos os procedimentos descritos foram implementados em linguagem R (R Development Core Team, 2010) com a implementação de modelos GAM disponível no pacote mgcv (WOOD, 2008) e modelos geoestatísticos no pacote geor (RIBEIRO; DIGGLE, 2001). Os códigos de análise estão disponíveis em É importante notar que as parametrizações escolhidas contemplam diversas características importantes sobre o processo. A primeira é o tamanho da variância proveniente do sinal ( σ 2 ) e a variância do ruído ( τ 2 ). No primeiro esta razão é de 90% sinal, indicando forte dependência espacial, até apenas 25% no quarto, o que representa uma superfície com baixa dependência espacial, consequentemente um alto nível de ruído, o que deve prejudicar as predições. Além disso, o parâmetro de suavidade do processo κ foi tomado de 0,5 até 2,5 o que indica um processo, não diferenciável, uma e duas vezes diferenciável. Um outro aspecto importante considerado é o tamanho da amostra, que deve ter impacto direto nas medidas avaliadas e também no processo de estimação dos modelos. Resultados e Discussão A apresentação dos resultados será feita usando técnicas gráficas. A primeira medida avaliada é o Erro Quadrático Médio de predição. A Figura 1 apresenta os resultados comparando o modelo geoestatístico com o modelo aditivo generalizado, de acordo com o tamanho da amostra e conjunto de parâmetros geradores do processo. De forma geral, o modelo geoestatístico (GEO) apresenta EQM menores em todas as configurações consideradas. De acordo com o procedimento de avaliação proposto, tem-se três causas conhecidas de variação que afetam o EQM, são elas: tamanho da amostra, proporção entre a variância do sinal e do ruído e suavidade do processo. Um primeiro resultado evidente nos gráficos e esperado, é a queda do EQM com o aumento da amostra. Este comportamento é consistente para todas as parametrizações e níveis de suavidade considerados. Com relação as diferentes combinações entre variância do sinal e do ruído, os resultados mostram uma clara tendência de aumento do EQM quando se aumenta a quantidade de ruído no processo, por exemplo, o EQM médio com 90% de sinal para n = 150 pelo modelo geoestatístico é de 0,297, passando para 0,843 na parametrização 4 com o mesmo tamanho de amostra, um aumento de 183%. Para os diferentes níveis de suavidade do processo, verifica-se que quanto mais suave é o processo melhor é a reconstituição da superfície, por exemplo, para κ = 0,5 o EQM médio na parametrização 1 com n = 250 pelo GAM é de 0,334, sob as mesmas condições porém κ = 2,5 o EQM é de 0,107, uma queda de 212%. É interessante observar que o efeito do tamanho da amostra, da proporção entre a variância do sinal e do ruído e da suavidade do processo, afeta os dois modelos de forma muito próxima. Uma outra característica é que os modelos são mais sensíveis ao tamanho da amostra quando o processo é menos suave ( κ = 0,5). II Simpósio de Geoestatística em Ciências Agrárias ISSN:
4 Comparando o EQM entre os dois modelos, o GEO apresenta os menores valores em todas as configurações avaliadas. Sendo que, a diferença é mais acentuada quando o tamanho da amostra aumenta e o processo é pouco suave. Por exemplo, com n = 500, κ = 0,5 na parametrização 1, o EQM médio do GEO é de 0,186 enquanto que, na mesma condição para o EQM do GAM é de 0,314, um aumento de 68,82% no erro médio cometido. Sob as mesmas condições, porém com κ = 2,5, essa diferença cai para 9,18%. O EQM é uma medida geral do ajuste que leva em consideração apenas as predições médias, desprezando a incerteza associada. Para levar em consideração a incerteza, em cada simulação foi também calculado intervalos de confiança para cada predição feita. O nível de cobertura, é a proporção de vezes em que o intervalo de predição conteve os valores reais. A figura 2, compara o nível de cobertura pelas duas abordagens consideradas. Figura 1. Comparação do erro quadrático médio por tamanho de amostra, parametrização e modelos. Pelos gráficos apresentados na Figura 2, é claro o mal desempenho do GAM quando avaliado pelo nível de cobertura. Em nenhuma, das condições avaliadas este modelo atingiu o nível nominal de 95%, estando sempre abaixo com coberturas oscilando em torno de 30% a 60%. O modelo geoestatístico apresenta níveis de cobertura muito próximo ao nominal em todas as condições consideradas. Outro resultado interessante é o impacto do aumento do tamanho da amostra no nível de cobertura pela abordagem GAM, que tende a diminuir com o aumento da amostra. Este comportamento é consistente em todas as parametrizações utilizadas. Isto não é um resultado esperado, pois o nível de cobertura não deve depender do tamanho da amostra, uma vez que tamanhos de amostras menores devem refletir em intervalos de maior amplitude, porém com o mesmo nível de cobertura. É interessante notar que alguns valores discrepantes aparecem pela abordagem geoestatística, em geral quando a proporção sinal ruído é alta e o tamanho da amostra é pequeno (n = 150), isto mostra a dificuldade de identificação deste modelo, sob estas condições. O caso mais patológico ocorreu na II Simpósio de Geoestatística em Ciências Agrárias ISSN:
5 parametrização 4, n = 150 e κ = 2,5, onde o mínimo e o primeiro quartil coincidem com um nível de cobertura de apenas 6%. Este resultado mostra claramente a dificuldade de identificabilidade do modelo geoestatístico nesta situação, sendo necessário um tamanho de amostra maior para estimar adequadamente os parâmetros envolvidos no modelo. Um fato interessante nesta parametrização é o número de vezes em que o algoritmo falhou 419 vezes em Novamente mostrando a dificuldade do processo de estimação do modelo geoestatístico nesta situação. Figura 2. Comparação do nível de cobertura por tamanho de amostra, parametrização e modelos. Estes problemas numéricos indicam que também é interessante comparar o número de vezes que o algoritmo de estimação falhou durante o processo de estimação. A tabela 1, apresenta o número de falhas do algoritmo de estimação do modelo geoestatístico nas primeiras 1000 tentativas de ajuste. Não é apresentado o número de falhas para o modelo GAM, uma vez que este não falhou nenhuma vez durante todo o processo de simulação. Tabela 1. Número de falhas do algoritmo de estimação do modelo geoestatístico 1000 tentativas Parâmetros κ=0,5 κ=1,5 κ=2,5 Amostra % sinal % sinal % sinal % sinal Como mostram os resultados da Tabela 1, o nível de suavidade do processo afeta o sucesso do algoritmo de estimação, sendo mais difícil estimar os parâmetros em processos mais suaves. A razão entre II Simpósio de Geoestatística em Ciências Agrárias ISSN:
6 a variância do sinal e do ruído também afeta o ajuste do modelo geoestatistico. Quanto mais ruído no processo mais difícil a estimação. A última fonte de variação é o tamanho da amostra, que como era esperado tem um papel muito importante no processo de estimação. De forma geral, na situação analisada amostras maiores tendem a estabilizar o algoritmo numérico, uma vez que, com mais informação a curvatura da função de verossimilhança tende a ser melhor identificada pelo algoritmo numérico. Porém, em situações mais gerais uma amostra muito grande, acima de 2000 observações pode tornar o problema não tratável numericamente, impedindo assim o uso do modelo geoestatístico, na implementação usada neste trabalho. É claro que as falhas encontradas nas primeiras 1000 simulações são facilmente contornadas mudando valores iniciais do algoritmo de otimização, ou algumas vezes retirando observações atípicas. Porém, estes números servem para mostrar que o modelo geoestatístico apesar de intensamente utilizado, ainda apresenta problemas com relação a procedimentos numéricos de maximização da função de verossimilhança, e requer do analista conhecimentos, mesmo que iniciais de otimização numérica, ao passo que o modelo aditivo generalizado é um procedimento totalmente automático e robusto. Conclusão As comparações de erro quadrático médio de predição e nível de cobertura permitem concluir para as condições deste trabalho que o modelo geoestatístico é superior ao thin plate splines para a reconstituição de superficies Gaussianas, levando em consideração diferente aspectos que afetam a variabilidade dos erros de predição, como tamanho da amostra, razão entre a variância do sinal e do ruído, além do nível de suavidade do processo. Embora a diferença de desempenho de EQM seja pequena em termos absolutos, e no geral as predições fornecidas pelo modelo com thin plate splines acompanhem as do modelo geoestatístico, a modelagem por GAM mostrou o níveis de cobertura, que combinam predições e incertezas a elas associadas, muito abaixo do nível nominal. Desta forma, sugere-se o modelo thin plate splines, como uma opção razoável ao modelo geoestatístico, apenas em um estágios iniciais e exploratórios de análise, ou quando não se está interessado na medida de incerteza das predições espaciais ou que necessitem de modelagem mais simples evitando a aspecificação e estimação de funções de correlação e de computação mais simplificada. Como exemplo pode-se citar sistemas de vigilância, tais como o de vigilância entomológica descrito em Regis et al (2008) e Bonat, et. al. (2009), nos quais são necessários procedimentos totalmente automatizados e robustos, aplicados em grandes conjuntos de dados e com atualizações constantes das análises e resultados. Nestes casos o uso de modelos aditivos generalizados parece ser uma abordagem promissora adequada a implementações totalmente automatizadas. Sugere-se a adoção do modelo geoestatístico para uma análises mais refinada em que houver a necessidade e possibilidade de maior intervenção do investigador na modelagem. Deixa-se como futuras agendas de pesquisa a investigação das causas do mal desempenho da thin plate splines, na medida de nível de cobertura, bem como, propor novas formas de construção de intervalos de confiança para funções suaves bidimensionais, que sejam capazes de descrever melhor a incerteza associada as predições. Referências BONAT, W. et. al. RDengue um ambiente para o monitoramento de ovos do mosquito Aedes aegypti. In: X SIMPÓSIO BRASILEIRO DE GEOINFORMÁTICA: Rio de Janiero p , DIGGLE, P. ; RIBEIRO Jr. P. J. Model-based geostatistics. New York: Springer, HASTIE, T. J. ; TIBSHIRANI, R.J. Generalized Additive Models. London: Chapman & Hall, MATÉRN, B. Spatial Variation. Berlin: Springer, McCULLAGH, P. ; NELDER, J. A. Generalized Linear Models. London: Chapman & Hall, R Development Core Team. R: A language and Environment for Statistical Computing. Vienna, Austria, Disponível em: < Acesso em: 29 dez REGIS, L. ; MONTEIRO, A.M. ; MELO-SANTOS, M. ; SILVEIRA, J. ;FURTADO, A. F. ; ACIOLI, R. ; SANTOS, G. ; NAKAZAWA, M. ; CARVALHO, M. S. ; RIBEIRO Jr, P. J. ; SOUZA, W. Developing new approaches for detecting and preventing Aedes aegypti population outbreaks: basis for surveillance, alert and control system. Memórias do Instituto Oswaldo Cruz, v. 103, p , RIBEIRO Jr., P. J. ; DIGGLE, P. geor: A package for geostatistical analysis. R-NEWS, p.15-18, WOOD, S. N. Generalized Additive Models: An Introduction with R. Boca Raton: Chapman & Hall, WOOD, S. N. Thin-plate regression splines. Journal of the Royal Statistical Society (B), p , WOOD, S. N. Gams with gcv smoothness estimation and gamms by reml/pql. R package version, Disponível em: < Acesso em: 29 dez II Simpósio de Geoestatística em Ciências Agrárias ISSN:
Palavras-chave: Geoestatística, modelos aditivos generalizados, predição espacial.
Revista Energia na Agricultura ISSN 1808-8759 COMPARANDO PREDIÇÕES POR MODELOS GEOESTATÍSTICO E ADITIVO GENERALI- ZADO PARA RECONSTITUIÇÃO DE SUPERFÍCIES CONTÍNUAS GAUSSIANAS 1 WAGNER HUGO BONAT 2 ; PAULO
Comparação de modelos para reconstituição de superfície de valores de ph. Comparison of models for reconstruction of ph values surface
Comparação de modelos para reconstituição de superfície de valores de ph Wagner Hugo Bonat 1, Cristiano Nunes Nesi 2 e Paulo Justiniano Ribeiro Jr 3 1 Mestre em Métodos Numéricos, UFPR/DEST/LEG, Centro
Projeto de Trabalho de Conclusão de Curso
Wagner Hugo Bonat Henrique Dallazuanna Projeto de Trabalho de Conclusão de Curso Trabalho apresentado para a disciplina Laboratório de Estatística II do curso de graduação em Estatística da Universidade
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
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
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
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
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
Redes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
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
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
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
Estimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson
Estimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson Wagner Hugo Bonat - LEG/DEST, UFPR 1 Resumo: Este texto descreve de forma rápida o processo de estimação baseado em Verossimilhança
Aplicação dos modelos lineares generalizados na análise do
Aplicação dos modelos lineares generalizados na análise do número de ácaros Ana Paula Coelho Madeira Silva 12 Fabrício Oliveira Fernandes 12 Marcos Antonio Matiello Fadini 12 1 Introdução O estudo das
Resultados: Como resultados, descrever a proporção de vezes em que o modelo usado na simulação dos dados (LOGNO2) produziu menor valor de GAIC.
Universidade Federal do Paraná - Departamento de Estatística CE062c - Modelos Generalizados Aditivos para Locação, Escala e Forma Profs. José Luiz Padilha da Silva e Cesar Augusto Taconeli Trabalho 1 Objetivo:
METÓDOS DE REGRESSÃO KERNEL
METÓDOS DE REGRESSÃO KERNEL George Cavalcanti de Albuquerque Júnior 1; Getúlio José Amorim do Amaral 2 1 Estudante do Curso de Estatística - CCEN UFPE; E-mail: gcdaj1@de.ufpe.br, 2 Docente/pesquisador
Dimensionamento de amostras para regressão logística
Dimensionamento de amostras para regressão logística Arminda Lucia Siqueira 1 Flávia Komatsuzaki 1 Introdução Regressão logística é hoje padrão de análise para muitos estudos da área da saúde cuja variável
Aula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Uso de modelos lineares generalizados para estimar germinação carpogênica de escleródios de S. sclerotioroum
Uso de modelos lineares generalizados para estimar germinação carpogênica de escleródios de S. sclerotioroum Marceli Hikishima, Embrapa Arroz e Feijão 1 Aline de Holanda Nunes Maia, Embrapa Meio Ambiente
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
Coeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
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,
APLICAÇÃO DA GEOESTATÍSTICA NA ANÁLISE DE EXPERIMENTOS COM MAMONA (Ricinus communis L.)
APLICAÇÃO DA GEOESTATÍSTICA NA ANÁLISE DE EXPERIMENTOS COM MAMONA (Ricinus communis L.) Verônica Yumi Kataoka 1, Vânia Corrêa Mota 1, Marcelo Silva de Oliveira 1, Antônio Lucrécio Santos Neto 1, Luis Felipe
Consistência de agrupamentos de acessos de alho via análise discriminante
Consistência de agrupamentos de acessos de alho via análise discriminante 1 Introdução 1 Anderson Rodrigo da Silva 1 Paulo Roberto Cecon 1 Mário Puiatti 2 Moysés Nascimento 1 Fabyano Fonseca e Silva 1
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
Distribuição Generalizada de Valores Extremos (GVE): Um estudo aplicado a valores de temperatura mínima da Cidade de Viçosa-MG
Distribuição Generalizada de Valores Extremos (GVE): Um estudo aplicado a valores de temperatura mínima da Cidade de Viçosa-MG Eduardo Campana Barbosa 12 Carlos Henrique Osório Silva 3 Rômulo César Ricardo
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
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
TEORIA DE VALORES EXTREMOS APLICADA NA ANÁLISE DE TEMPERATURA MÁXIMA EM URUGUAIANA, RS.
TEORIA DE VALORES EXTREMOS APLICADA NA ANÁLISE DE TEMPERATURA MÁXIMA EM URUGUAIANA, RS. 1. INTRODUÇÃO Nosso planeta seguiu uma evolução desde sua origem, passando por transformações significativas em sua
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
MÁXIMOS ANUAIS DE PRECIPITAÇÃO DIÁRIA NA ILHA DA MADEIRA: UM ESTUDO SOBRE NÍVEIS DE RETORNO
MÁXIMOS ANUAIS DE PRECIPITAÇÃO DIÁRIA NA ILHA DA MADEIRA: UM ESTUDO SOBRE NÍVEIS DE RETORNO Resumo DÉLIA GOUVEIA-REIS 1, LUIZ GUERREIRO LOPES 2 E SANDRA MENDONÇA 3 1 FCEE-UMa Faculdade de Ciências Exatas
Autor Eduardo C. G. Camargo Versão 1.0 Data DEZ / 2000
Ministério da Ciência e Tecnologia Instituto Nacional de Pesquisas Espaciais Análise Espacial de Dados Geográficos Laboratório Módulo: Geoestatística Linear Referência Banco de dados São Carlos Doc LAB_Geo.doc
Referência Banco de dados FioCruz Doc LAB1_GEO.doc. Autor Eduardo C. G. Camargo Versão 1.0 Data DEZ / Revisão Versão Data
Ministério da Ciência e Tecnologia Instituto Nacional de Pesquisas Espaciais Análise Espacial de Dados Geográficos Laboratório Módulo: Geoestatística Linear Referência Banco de dados FioCruz Doc LAB_GEO.doc
Disciplina de Modelos Lineares
Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique
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
AVALIAÇÃO DOS TESTES MULTIVARIADOS DA RAZÃO DE VEROSSIMILHANÇAS E T² DE HOTELLING: Um estudo por simulação de dados
AVALIAÇÃO DOS TESTES MULTIVARIADOS DA RAZÃO DE VEROSSIMILHANÇAS E T² DE HOTELLING: Um estudo por simulação de dados Eduardo Campana Barbosa 12 Rômulo César Manuli² Patrícia Sousa² Ana Carolina Campana
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
Modelo marginal de odds proporcionais para dados longitudinais: um estudo de simulação
Modelo marginal de odds proporcionais para dados longitudinais: um estudo de simulação Nívea B. da Silva 1 Enrico A. Colosimo 2 Leila A. F. Amorim 3 1 Introdução Nos últimos anos muitas metodologias têm
Estimação da abundância por idades, da Pescada (Merluccius merluccius), usando métodos geoestatísticos bayesianos e análise de dados composicionais
Seminários avançados CIMA (UAlg): 10 Janeiro 2008 Estimação da abundância por idades, da Pescada (Merluccius merluccius), usando métodos geoestatísticos bayesianos e análise de dados composicionais UAlg
Estudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
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
GEOESTATÍSTICA NO R: UM ESTUDO COMPARATIVO ENTRE DOIS SCRIPTS. Geostatistics in R: a comparative study between two scripts
GEOESTATÍSTICA NO R: UM ESTUDO COMPARATIVO ENTRE DOIS SCRIPTS Batista, A. P. B. 1, Santos, G. R. 2, Mello, J. M. 3, Silva, K. E. 4, Kaleita, A. 5 1 Doutorando em Engenharia Florestal, UFLA/LEMAF/Departamento
Análise espacial de dados composicionais 56 a RBRAS e 14 o SEAGRO
Análise espacial de dados composicionais 56 a RBRAS e 14 o SEAGRO Ana Patricia Bastos Peixoto, ESALQ/USP e UEPB 1 Tiago Viana Flor de Santana, IMECC - UNICAMP 2 Helga Restum Hissa, EMBRAPA SOLOS 3 Enio
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.
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
Disciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Exercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
LABORATÓRIO 5 ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS
LABORATÓRIO 5 ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS João Bosco Coura dos Reis Registro nº: 130.362 Exercícios para avaliação parcial na disciplina de Introdução ao Geoprocessamento (SER-300) do Curso de
Análise da variação espacial do teor de argila sobre a Fazenda Canchim.
SER - 300 - INTRODUÇÃO AO GEOPROCESSAMENTO Laboratório 5 Geoestatística Linear Análise da variação espacial do teor de argila sobre a Fazenda Canchim. Professor(es) coordenador(es): Dr. Antonio Miguel
VALIDAÇÃO DO MODELO PELO USO DE MEDIDAS DE NÃO LINEARIDADE
VALIDAÇÃO DO MODELO PELO USO DE MEDIDAS DE NÃO LINEARIDADE Adriana de Souza COSTA 1, Glaucia Amorim FARIA 2, Ana Patricia Bastos PEIXOTO 1 1 Departamento de Estatística, Universidade Estadual da Paraíba-UEPB,
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
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
XIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
PROPOSTA DE APLICAÇÃO DA ANÁLISE DE VARIÂNCIA COM MODELO AUTOREGRESSIVO PARA ANÁLISE DE VARIEDADES DE TRIGO (Triticum aestivum L.) DIOGO FRANCISCO ROSSONI¹, MARIELE VILELA BERNARDES PRADO², JAIR ROCHA
Modelos hipsométricos para dados espacialmente correlacionados no plantio de Pinus sp. na FLONA Ipanema - SP
Modelos hipsométricos para dados espacialmente correlacionados no plantio de Pinus sp. na FLONA Ipanema - SP Verônica Scalet 1, Júlio César Pereira, Débora Arantes Mouão 3 e Carlos Alberto Martinelli 4
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
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Aplicação do Modelo GAMLSS a Dados Imobiliários: Um estudo de caso de lotes urbanos na cidade de São Carlos, SP
Aplicação do Modelo GAMLSS a Dados Imobiliários: Um estudo de caso de lotes urbanos na cidade de São Carlos, SP Amanda Cristina Estevam 1 Guilherme Moraes Ferraudo 1 Vera Tomazella 1 Francisco Louzada
7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
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
6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
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
Ralph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
PRECISÃO NO CÁLCULO DE ÁREAS PLANAS POR PERFILAMENTO A LASER 2: AVALIAÇÃO DA PRECISÃO PLANIMÉTRICA E ALTIMÉTRICA DE CADA PONTO
PRECISÃO NO CÁLCULO DE ÁREAS PLANAS POR PERFILAMENTO A LASER 2: AVALIAÇÃO DA PRECISÃO PLANIMÉTRICA E ALTIMÉTRICA DE CADA PONTO Fabricio Muller 1, Anderson Roberto da Silva 2, Roberto Eugenio Bertol 3,
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
RELATÓRIO DO LABORATÓRIO 5 GEO-ESTATÍSTICA
RELATÓRIO DO LABORATÓRIO 5 GEO-ESTATÍSTICA Igor Ogashawara Relatório apresentado do Laboratório 5 na disciplina de Geoprocessamento (SER 300). INPE São José dos Campos 2012 1. RESUMO O laboratório 5 teve
Investigando fatores associados a contagens de ovos de Aedes aegypti em ovitrampas em Recife/PE
Investigando fatores associados a contagens de ovos de Aedes aegypti em ovitrampas em Recife/PE Wagner Hugo Bonat Henrique Silva Dallazuanna Orientador: PhD Paulo Justiniano Ribeiro Júnior Departamento
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
CE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
i j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
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
Análise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
INSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
Avaliação genética. Os pais não transmitem o seu genótipo aos descendentes e sim uma amostra aleatória de genes.
Avaliação genética Eistem duas formas clássicas de se promover mudanças na constituição genética da população: seleção e sistemas de acasalamento. Seleção é a escolha de animais que serão pais da próima
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
Modelagem de dados complexos por meio de extensões do modelo de
Modelagem de dados complexos por meio de extensões do modelo de regressão clássico Luiz R. Nakamura Departamento de Informática e Estatística Universidade Federal de Santa Catarina luiz.nakamura@ufsc.br
CONFORTO TÉRMICO DE GALPÕES CUNÍCULAS UTILIZANDO TÉCNICAS DE GEOESTATÍSTCA
CONFORTO TÉRMICO DE GALPÕES CUNÍCULAS UTILIZANDO TÉCNICAS DE GEOESTATÍSTCA Patrícia F. Ponciano FERRAZ*¹, Maria Alice J. Gouvêa SILVA², Gabriel A. e Silva FERRAZ³, Raquel S. de MOURA 4, Luis Fillipe L.
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
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Modelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1
Modelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1 Alessandra dos Santos 2 ernando de Pol Mayer 2 Rafael de Andrade Moral 2 Luiz Henrique Costa Mota 3 Clarice Garcia
Aumento amostral via arquétipos na avaliação do potencial hídrico de espécies de eucalipto
Aumento amostral via arquétipos na avaliação do potencial hídrico de espécies de eucalipto Pórtya Piscitelli Cavalcanti 1 4 Carlos Tadeu dos Santos Dias 2 4 Patrícia Andressa de Ávila 3 4 José Leonardo
Inferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
GIScience & Remote Sensing
Analysis of urban growth and estimating population density using satellite images of nighttime lights and land-use and population data Hasi Bagan & Yoshiki Yamagata Ana Carolina de Faria Santos 138592
Introdução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Métodos de reamostragem
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Métodos de reamostragem Eduardo Vargas Ferreira Função custo 2 Função custo Matriz de confusão: é um layout de tabela que
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
Redes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
Exemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
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
Exemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Modelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Laboratório 5 Analise Espacial de Dados Geográficos Geoestatística Linear
0 INPE-SER-300- Introdução ao Geoprocessamento Dr. Antônio Miguel Vieira Monteiro e Dr. Claudio Barbosa Laboratório 5 Analise Espacial de Dados Geográficos Geoestatística Linear Thamy Barbara Gioia INPE
Laboratório 4. Disciplina. Introdução ao Geoprocessamento SER 300. Prof. Dr. Antonio Miguel Vieira Monteiro
Laboratório 4 Disciplina Introdução ao Geoprocessamento SER 300 Prof. Dr. Antonio Miguel Vieira Monteiro Aluno: Isaque Daniel Rocha Eberhardt INPE, São José dos Campos. Maio, 2013. Introdução Entre as
II Workshop em Clima, Estatística e Saúde
II Workshop em Clima, Estatística e Saúde Mudanças Climáticas Globais cenários de produção e propagação de doenças Tecnologias computacionais e ambiente para modelagem estatística no monitoramento de ovos
Modelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Modelo Autologístico Aplicado a Dados de Citrus
Modelo Autologístico Aplicado a Dados de Citrus Luziane FRANCISCON Orientador: Paulo Justiniano RIBEIRO Jr. luziane@ufpr.br Departamento de Estatística - UFPR Luziane e PJ p. 1 Dados de pimentas do sino
AULAS 04, 05 E 06 AVALIAÇÃO UTILIZANDO EXPERIMENTOS
1 AULAS 04, 05 E 06 AVALIAÇÃO UTILIZANDO EXPERIMENTOS Ernesto F. L. Amaral 14, 19 e 21 de março de 2013 Técnicas Avançadas de Avaliação de Políticas Públicas (DCP 098) Fonte: Curso Técnicas Econométricas
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