UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTIPLA PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS
|
|
- Linda Sanches Sá
- 8 Há anos
- Visualizações:
Transcrição
1 UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTILA ARA A REVISÃO DO TEMO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS Alessandra Memar avanell Unversdade Federal do araná UFR rograma de ós-graduação em Métodos Numércos em Engenara C908 Curtba,R; CE alessandracmc@bol.com.br Dese Mara Bertold Costa Unversdade Federal do araná UFR Departamento de Deseno - rograma de ós-graduação em Métodos Numércos em Engenara C908 Curtba,R; CE dese@ufpr.br Genval avanell Unversdade Federal do araná UFR rograma de ós-graduação em Métodos Numércos em Engenara C908 Curtba,R; CE pavanellcmc@bol.com.br RESUMO O presente trabalo tem como objetvo prever o tempo de duração de audêncas trabalstas, otmzando dessa manera, o agendamento dos oráros dos juízes do Fórum Trabalsta de São José dos nas (SJ), araná. A metodologa proposta neste trabalo consste em comparar duas ferramentas: Rede Neural Artfcal (RNA) e Regressão Lnear Múltpla. ara tanto, utlzou-se os dados dos processos do Fórum Trabalsta de SJ. Foram trenadas dversas RNAs com váras topologas e, em alguns casos, utlzando a Análse de Componentes rncpas, buscando melorar anda mas os resultados obtdos. Na Regressão Lnear Múltpla os testes foram realzados com os mesmos conjuntos de dados utlzados nas RNAs a fm de comparar as duas técncas. As ferramentas utlzadas mostraram-se bem efcentes, sendo que para o problema abordado, o desempeno das RNAs, com a utlzação de Análse de Componentes rncpas, fo superor ao resultado apresentado pela técnca de Regressão Lnear Múltpla. ALAVRAS CHAVE: Audêncas Trabalstas, Rede Neural Artfcal, Regressão Lnear Multpla. ABSTRACT Ts researc ams at predctng te lengt of tme of labor earngs n order to optmze te judges' tme scedules n São José dos nas Labor Court n araná State. To aceve te best result, te metodology used ere s a comparson of two dstnct tecnques: Artfcal Neural Network (ANN) and Multple Lnear Regresson (MLR). Data collected from São José dos nas Labor Court fed bot ANNs and MLR tests. Many ANNs were traned usng dfferent topologes, or even usng Man Component Analyss wt te objectve of reacng mproved results. Te same data was ten used n MLR tests. Bot tools employed n ts researc ave sown to be effcent, altoug Artfcal Neural Network wt Man Component Analyss proved to be more adequate tan Multple Lnear Regresson. KEYWORDS: Labor Hearngs, Artfcal Neural Networks, Multple Lnear Regresson. 2235
2 . Introdução Atualmente mutos países possuem legslação trabalsta, mas nem sempre fo assm. No Brasl, a Justça do Trabalo e a legslação trabalsta surgram somente depos do século XIX, após váras lutas e revndcações provenentes das classes operáras. Somente a partr da Revolução de 930 é que fo crado o Mnstéro do Trabalo, e, a Justça do Trabalo fo prevsta pela Consttução de 934. Atualmente a Justça do Trabalo está estruturada em três graus de jursdção: rmero Grau: Varas do Trabalo; Segundo Grau: Trbunas Regonas do Trabalo; Tercero Grau: Trbunal Superor do Trabalo. De acordo com o Trbunal Superor do Trabalo (TST), estem em todo o Brasl 24 Trbunas Regonas do Trabalo (TRT) e cerca de 270 novas Varas do Trabalo foram cradas, a partr de 2003, com o objetvo de acelerar os trâmtes legas dos processos trabalstas (TST, 2007). Só no estado do araná, no TRT da 9ª Regão, estem 28 desembargadores dstrbuídos em todo o estado (TRT, 2007). Das 77 Varas do Trabalo do estado do araná, São José dos nas (SJ) ocupa o 2º lugar em número de ações trabalstas. No ano de 2006 o Fórum Trabalsta de SJ passou a contar com a 2ª Vara do Trabalo. Devdo ao aumento do número de processos trabalstas, como conseqüênca da ndustralzação macça no muncípo, faz-se necessáro a epansão e agldade nos servços da justça. Com sso, a necessdade do uso de ferramentas matemátcas para o agendamento ntelgente das audêncas é de fundamental mportânca para essa agldade na justça. O objetvo deste trabalo é estmar o tempo apromado de cada audênca do Fórum Trabalsta de SJ, a fm de obter um agendamento ntelgente dessas audêncas. ara tanto, utlzar-se-á de dos métodos: um na área de ntelgênca artfcal, Redes Neuras Artfcas e outro estatístco, Regressão Lnear Múltpla. O objetvo de utlzar os dos métodos é o de se fazer uma comparação entre os resultados fnas obtdos e, com sso, verfcar qual fornece o melor resultado. O presente trabalo está estruturado da segunte forma: na Seção 2 está a descrção do problema, levantamento e tratamento dos dados. Na Seção 3 está a metodologa do trabalo, momento em que são apresentados concetos que envolvem as técncas de RNAs, Análse de Componentes rncpas e Regressão Lnear Múltpla. A Seção 4 descreve a mplementação computaconal das técncas utlzadas e a análse dos resultados. Fnalzando, na Seção 5 são apresentadas as conclusões obtdas através da análse dos resultados da seção anteror. 2. Descrção do roblema, Levantamento e Tratamento de Dados Os dados utlzados neste trabalo foram obtdos junto ao Fórum Trabalsta de SJ, que oje conta com a ª e 2ª Varas, trabalando em rtmo acelerado e, devdo a essa grande demanda de processos trabalstas, está prestes a naugurar a 3ª Vara. Somente no ano de 2006, o Fórum Trabalsta, recebeu cerca de ses ml processos, número este que vem aumentando ano após ano. Com o propósto pré-estabelecdo de trenar uma RNA e também a aplcação da técnca da Regressão Lnear Múltpla, a fm de obter a prevsão da duração de uma audênca trabalsta, foram realzadas váras reunões com o juz ttular do Fórum Trabalsta de SJ, com o objetvo de determnar quas dados seram relevantes. Tas dados, também camados de atrbutos da RNA, são ctados a segur. a. Rto: pode ser rto trabalsta (RT) ou procedmento sumaríssmo (S); b. Tempo de Servço: é dado em meses pela dferença entre a data de dspensa e data de admssão; c. Saláro do Reclamante: últmo saláro recebdo; d. rofssão: função eercda pelo reclamante. Dvdu-se este atrbuto em duas partes: setor, que se subdvde em comérco, ndústra e servço; e cargo, que se subdvde em dreção e eecução; 2236
3 e. Objeto do rocesso: corresponde às solctações fetas pelo reclamante. São elas: falta de regstro em cartera profssonal, dferenças salaras, verbas rescsóras, multa do Art. 477, multa do Art. 467, oras etras e refleos, fundo de garanta por tempo de servço, ndenzação por danos moras, seguro desemprego, vale transporte, adconal de nsalubrdade, adconal noturno e plano de saúde; f. Juz: a ª Vara do Trabalo conta com mas dos juízes substtutos além do juz ttular; g. Depomentos: quantdade de depomentos em cada audênca;. Acordo: quando ocorre o acordo entre as partes;. Tempo da Audênca: é dado em mnutos pela dferença entre o térmno e o níco da audênca. Os processos analsados foram ajuzados no ano de 2006, na ª Vara do Trabalo do Fórum de SJ. Foram coletados dados de 08 processos através de uma Fca de Dados. Os atrbutos lstados anterormente servram como dados para crar a matrz destnada ao trenamento e ao teste da RNA bem como para aplcação da técnca de Regressão Lnear Múltpla. A maora dos dados fo tratada de forma a corresponder a uma ou mas coordenadas bnáras (LU et al, 996), (BAESENS et al, 2003) do vetor de entrada para as técncas utlzadas, conforme comentado a segur: quando o atrbuto Rto for do tpo RT, apresentará entrada com valor ; quando for do tpo S, apresentará valor 0, caracterzando-a como uma varável nomnal; o atrbuto Tempo de Servço fo dvddo em faas, mantendo-se a mesma cardnaldade dentro de cada uma delas. Devdo ao fato de ser uma varável ordnal, as coordenadas bnáras que a representam foram desgnadas conforme o Quadro 2. a segur, apresentando assm três coordenadas no vetor de entrada. Quadro 2. Codfcação do Atrbuto Tempo de Servço FAIXA DURAÇÃO ENTRADA >= e < 5meses > = 5 e < 35 meses >=35 e < 85 meses 0 4 >= 85 o atrbuto Saláro, da mesma manera que o atrbuto Tempo de Servço, fo dvddo em faas procurando manter a mesma cardnaldade dentro de cada uma delas. Conforme mostra o Quadro 2.2, a segur, este atrbuto fornece quatro coordenadas para o vetor de entrada; Quadro 2.2 Codfcação do atrbuto Saláro do Reclamante FAIXA ÚLTIMO SALÁRIO ENTRADA >=330 e < >=450 e < >=620 e < >=800 e < >=340 o atrbuto profssão, classfcado como varável nomnal, fo dvddo em setor e cargo, conforme ctado anterormente. De acordo com o Quadro 2.3, a segur, este atrbuto apresentará quatro coordenadas no vetor de entrada; 2237
4 Quadro 2.3 Codfcação do atrbuto rofssão SETOR CARGO COORDENADAS COORDENADAS DO SETOR DO CARGO ENTRADA COMÉRCIO Dreção Eecução INDÚSTRIA Dreção Eecução SERVIÇO Dreção Eecução o atrbuto Objeto do rocesso possu 3 coordenadas bnáras no vetor de entrada. Cada uma das coordenadas corresponde a uma das solctações do autor do processo, conforme já menconado. Apresentará valor, se for solctada; valor 0, em caso de não solctação; como foram analsados processos de três juzes dferentes, e por se tratar de um atrbuto nomnal, cada um deles fo codfcado conforme o Quadro 2.4, a segur; Quadro 2.4 Codfcação do atrbuto Juz JUIZ ENTRADA como o número de depomentos em cada audênca não era superor a quatro, manteve-se este atrbuto com o seu valor orgnal; quando ouver Acordo entre as partes antes do julgamento este atrbuto apresentará o valor, caso contráro apresentará o valor 0. Sendo assm o vetor de entrada dos dados possu 30 coordenadas, que são os atrbutos codfcados do processo conforme especfcado anterormente. A matrz de entrada de dados possu então 08 lnas e 30 colunas, consderando-se que os dados foram retrados dos 08 processos (padrões). odem-se ctar algumas publcações relaconadas a este trabalo: o trabalo de AVANELLI (2007) tem como objetvo fornecer uma prevsão do tempo de duração de um processo trabalsta. Os dados também foram obtdos junto à ª Vara do Trabalo de SJ. Foram analsados 00 processos, dos quas 75 servram para o trenamento da RNA e os outros 25 servram de testes. A técnca utlzada fo RNA com o algortmo back-propagaton e função de atvação sgmodal, que fornece saídas contdas num ntervalo entre 0 e para entradas contdas num ntervalo de (-, ). Fo realzado o trenamento supervsonado, e dversos testes, com o grupo de trenamento varando o número de neurônos na camada escondda, bem como o número de terações, de forma a obter o melor resultado com o menor erro global no grupo de testes. Em alguns testes utlzou-se a Análse de Componentes rncpas, buscando melorar anda mas os resultados obtdos. A ferramenta utlzada apresentou-se bem efcente e forneceu bons resultados, com uma margem de erro dentro do esperado. BATISTELLA et al (2006) procuram técncas alternatvas com o objetvo de determnar valores venas para móves de Guarapuava R, pos é sabdo que não este nenuma técnca para calcular o valor de um móvel, apenas a eperênca. O método utlzado é a comparação de técncas matemátcas, no caso, é utlzado RNA com múltplas camadas com dversas topologas e Análse de Regressão Lnear Múltpla. Os dados foram obtdos de um Cadastro Imobláro da cdade, fornecdo pelo Setor de lanejamento da refetura Muncpal. As duas técncas se mostraram efcentes, porém a RNA forneceu um resultado superor. 2238
5 ADAMOWICZ (2000) utlza técncas de reconecmento de padrões tas como RNA e Análse Dscrmnante Lnear de Fser, com o objetvo de classfcar empresas como solventes ou nsolventes. Os dados foram fornecdos pelo Banco Regonal de Desenvolvmento do Etremo Sul (BRDE), Regonal de Curtba. As duas técncas se apresentaram efcentes na dscrmnação das empresas, porém o desempeno da RNA se apresentou um pouco melor que a Análse Dscrmnante Lnear de Fser. AMBROSIO (2002) apresenta um trabalo que tem como objetvo desenvolver um sstema computaconal para aular médcos radologstas na confrmação de dagnóstcos das camadas lesões nterstcas pulmonares. Os dados foram obtdos junto ao Hosptal das Clíncas da Faculdade de Medcna de Rberão reto (HCFMR) por meo de protocolos gerados por especalstas. O sstema fo desenvolvdo através de RNA do tpo perceptron multcamadas, que funconou como um classfcador de padrões. O algortmo de trenamento fo o backpropagaton, e a função de atvação fo do tpo sgmodal. Város testes foram realzados para dferentes confgurações de redes. Fcou claro que o uso desta ferramenta é vável, já que uma vez a rede trenada e seus pesos fados, não é precso mas acessar o banco de dados. Isso torna o sstema mas rápdo e computaconalmente mas leve. A pesqusa conclu que a RNA cumpre bem seu papel como classfcador de padrões. SOUSA et al (2003) utlzam técncas de RNA com três camadas de neurônos com o algortmo back-propagaton. O objetvo é fazer a prevsão do teor de carne mecancamente separada (CMS) em produtos cárneos a partr do teor de mneras contdos nas salscas formuladas com dferentes teores de carne de frango. A técnca utlzada mostrou-se bem efcente durante a fase de trenamento e testes, no entanto, a aplcação da RNA às amostras comercas fo nadequada devdo à dferença de ngredentes das salscas usadas no trenamento e os ngredentes das amostras comercas. BIONDI NETO et al (2007) mostram em seu trabalo que atualmente, a determnação do tpo de solo é obtda através de ábacos; o objetvo dessa pesqusa é aplcar um método computaconal para classfcar o solo. A técnca utlzada é RNA com método Levenberg Marquardt, que apresenta como resultado a classfcação do solo para cada ncremento de profunddade. Todos os dados foram obtdos de stuações reas. O tempo de convergênca fo rápdo, o que facltou a realzação de város testes. Os resultados apresentaram um acerto de 95% na classfcação dos solos. 3. Metodologa do Trabalo A metodologa aplcada neste trabalo buscou, por meo da utlzação das RNAs e da Regressão Lnear Múltpla, reconecer padrões dentro de um processo trabalsta, a fm de fazer uma estmatva do tempo de duração de cada audênca trabalsta. ode-se, de manera sucnta, mostrar o desenvolvmento das RNAs nos últmos 60 anos, como se segue (STEINER, 995) e também um breve stórco da Regressão lnear Múltpla (LIMA,2002): Data de 943, com McCulloc e tts, o prmero modelo de neurôno artfcal cuja coleção era capaz de calcular algumas funções lógcas. Em 949, Hebb desenvolveu uma regra de aprendzagem básca. Em 959, Rosenblatt crou o erceptron, prmero modelo de rede neural. Em 962, Wdrow, desenvolveu o Adalne, um processador que possuía uma poderosa estratéga de aprendzado. Em 969, o estudo das RNAs fo pratcamente abandonado devdo à repercussão do trabalo de Mnsky e apert, que epuna as lmtações do erceptron. Em 974, Werbos lançou as bases do algortmo back-propagaton, que apresentava grande capacdade de aprendzado. A partr de meados da década de 80, consagrou-se a técnca de trenamento por retro-propagação, fato que gerou uma eplosão de nteresse pelas RNAs na comundade nternaconal (HAYKIN, 200). Apresenta-se a segur, na Fgura 3., um modelo de RNA. 2239
6 Fgura 3.. Eemplo de RNA com duas Camadas. θ X W j W θ X 2 j A RNA mplementada neste trabalo é classfcada como Rede de Múltplas Camadas ou Rede feed-forward (almentada para frente) e fo trenada através do algortmo back-propagaton, utlzando a função de transferênca sgmodal, que gera saídas entre 0 e para entradas entre - e +. ara verfcar a performance da rede fo utlzado o MSE (erro médo quadrátco). n ( d a ) 2 = MSE = 2n onde n = número de padrões, d é a saída desejada (valor real) para o padrão p e a é a saída obtda para o padrão p (pela rede). Apresenta-se na Fgura 3.2, um esquema do algortmo mplementado quando =, ou seja, quando a rede apresenta um únco neurôno na saída. Fgura 3.2. Ilustração das propagações forward (para frente) e backward (para trás) do algortmo back-propagaton: = j w j j + θ ropagação forward = w a + θ a = + e a = + e ropagação backward δ = a ( a ) δ w δ = ( d a ) a ( a ) w j ( t) = γ δ + α w ( t ) w ( t) = w ( t ) + w ( t) j j j j j w w ( t) = γ a δ + α w ( t ) ( t) = w ( t ) + w ( t) 2240
7 Nesta Fgura 3.2, tem-se: p = padrão; t = teração; γ = taa de aprendzagem; α = taa de momento; w j e w = pesos entre as camadas de entrada-oculta e oculta-saída, respectvamente; = potencal nterno do processador; j = nput para o padrão p; a = output para o padrão p; d = valor desejado para o padrão p. O segundo método utlzado neste trabalo tem como prncpal objetvo descrever a relação entre uma varável resposta e uma ou mas varáves eplcatvas. Os tpos de regressão mas utlzados são: Logístca e Lnear, muto utlzados em dversas áreas do conecmento. Em 845 surgu a técnca Regressão Logístca com o objetvo de resolver problemas de crescmento demográfco. Essa técnca passou também a ser empregada na área da bologa na década de 30. Já sua aplcação em problemas econômcos e socas aparece somente nos anos 60. Recentemente essa metodologa tornou-se referênca obrgatóra em mutos manuas de econometra. A Regressão Logístca é uma técnca estatístca muto usada em análse de dados com respostas bnáras (dcotômcas), ou seja, respostas 0 ou. Já a Regressão Lnear é muto utlzada em dversas áreas da pesqusa, sendo um tpo de técnca que pode produzr valores de resposta estmada fora do ntervalo [0, ]. É consderado um modelo clássco de regressão. É uma técnca utlzada para estudar a relação entre uma varável dependente e váras varáves ndependentes. O objetvo pode ser eplcatvo, ou seja, demonstrar uma relação matemátca que pode ndcar, mas não provar, uma relação causa e efeto, ou predtvo, quer dzer, obter uma relação que permta, perante futuras observações das varáves, prever o correspondente valor de y. p Supona que está se querendo construr um modelo que relacone a varável resposta y com p fatores, 2,.... Esse modelo sempre nclurá uma parcela de erro. Tem-se então: p y = β + β + β β p p + ε 0 para =, 2,..., n onde n é o número de observações; p o número de varáves. Usando notação matrcal: y = Xβ + ε onde y é a varável resposta; X matrz do modelo; β é o vetor de parâmetros a serem estmados;ε vetor de erros aleatóros. Y Y Y 2 = Yn X = 2 2 n p 2 p np β 0 β β = β p ε ε 2 ε = ε n 224
8 4. Implementação Computaconal e Obtenção de Resultados Conforme descrto na Seção 2, os métodos propostos neste trabalo foram aplcados após a coleta e o tratamento dos dados dos 08 processos analsados, que foram ajuzados no ano de 2006, junto ao Fórum Trabalsta de SJ. Todos os dados obtdos de cada um dos processos trabalstas servram para compor a matrz de entrada. O trenamento da RNA mplementado neste trabalo é do tpo supervsonado, ou seja, para cada vetor de entrada de dados já se conece a saída (HAYKIN, 200). Dessa forma, a fm de eecutar o trenamento e testes da RNA fo mplementado um programa utlzando o Software Vsual Basc 6.0. ara a realzação do trenamento da RNA fo utlzado o algortmo supervsonado backpropagaton e a função de atvação, em todos os neurônos, fo a sgmodal, como já menconado, que fornece saídas entre (0, ) para entradas no ntervalo (-, ). Devdo a essas condções da função de atvação, fo necessáro enquadrar as saídas, ou seja, os tempos de duração de cada audênca, que varam de a 93 mnutos, foram dvddos por 93 enquadrando-os ao ntervalo de abrangênca da função. Do conjunto de 08 processos cadastrados, 75% foram utlzados para o trenamento da rede e os 25% restantes foram utlzados no teste. Foram utlzados, em todos os testes, quatro conjuntos de pesos ncas. Foram realzados três tpos de testes. No prmero a maora das entradas fo codfcada, conforme menconado na Seção 2. No segundo teste, além das entradas serem codfcadas, também fo realzada a Análse de Componentes rncpas. No tercero as varáves ordnas, ou seja, os atrbutos saláro, tempo de servço e número de audêncas, não foram codfcados e a matrz de dados fo submetda ao processo de Análse de Componentes rncpas a fm de avalar a mportânca relatva das varáves que a compõem. Em todos os testes realzados com RNAs, prmero varou-se o número de neurônos da camada oculta de até 5, mantendo-se fo o número de 50 terações para cada uma das topologas, a fm de verfcar qual menor MSE no grupo de teste. A melor arqutetura obtda voltou a ser trenada, agora varando-se o número de terações, sempre buscando o menor erro no grupo de teste. Fo escolda uma nomenclatura para cada topologa a fm de representar na seqüênca as seguntes característcas: quantdade de entradas, número de neurônos na camada escondda e número de terações. or eemplo, a rede E32NI40 é uma rede com 32 entradas, neurôno na camada escondda e fo trenada com 40 terações. Dentre os testes realzados o que apresentou melor resultado, ou seja, aquele que apresentou menor erro fo o Teste 2 onde os dados foram codfcados conforme descrto na Seção 2, em seguda a matrz de entrada fo submetda à Análse de Componentes rncpas. A Tabela 4.. a segur mostra a varação do número de neurônos da RNA deste teste. Tabela 4. Resultados das Smulações com Varação do Número de Neurônos. SIMU- LAÇÃO TOO- LOGIA MSE Tr MSE Tes SIMU- LAÇÃO TOO- LOGIA MSE Tr MSE Tes E30NI50 0, , E30N9I50 0, , E30N2I50 0, ,028 0 E30N0I50 0, , E30N3I50 0, ,0354 E30NI50 0, , E30N4I50 0, , E30N2I50 0, , E30N5I50 0, , E30N3I50 0,0005 0,025 6 E30N6I50 0, , E30N4I50 0, , E30N7I50 0,0005 0, E30N5I50 0,0004 0, E30N8I50 0, ,
9 Verfca-se a partr da Tabela 4. que a melor topologa fo a E30N0I50, ou seja, a RNA com 30 neurônos na camada de entrada, 0 neurônos na camada escondda e fo trenada com 50 terações. O MSE fo gual a 0,00046 para o grupo de trenamento e 0,00562 para o grupo de teste. A RNA voltou a ser trenada, só que desta vez, fazendo-se varar o número de terações, buscando dmnur anda mas o erro no conjunto de teste. Os resultados relevantes são apresentados na Tabela 4.2 a segur. Tabela 4.2 Resultados das Smulações com Varação do Número de Iterações. SIMU- LAÇÃO TOO- LOGIA MSE Tr MSE Tes SIMU- LAÇÃO TOO- LOGIA MSE Tr MSE Tes E30N0I0 0, , E30N0I90 0, , E30N0I20 0,0067 0, E30N0I00 0, , E30N0I30 0, ,00544 E30N0I200 0,0004 0, E30N0I40 0,0006 0, E30N0I300 0, , E30N0I50 0, , E30N0I400 0, , E30N0I60 0, , E30N0I500 0, , E30N0I70 0, , E30N0I000 0,0000 0, E30N0I80 0, ,00577 O melor resultado, conforme se pode verfcar na Tabela 4.2 é obtdo na tercera smulação, cuja topologa é E30N0I30 onde se tem 30 terações e MSE gual a 0,00544 no grupo de teste. Na aplcação da técnca de Regressão Lnear utlzou-se o mesmo conjunto de dados das RNAs. As tabelas de dados foram construídas no Software Ecel, e para a valdação dos resultados do método de Regressão Lnear Múltpla fo utlzado o STATIGRAHICS lus 5.. Assm como nas RNAs, esta ferramenta fo aplcada nos três tpos de testes com o objetvo de comparar os resultados obtdos. No prmero teste, as entradas foram codfcadas sem a AC. No segundo teste as entradas foram codfcadas e fo realzado AC, e no tercero os dados não foram codfcados e fo aplcado a AC. O melor resultado obtdo neste método fo também o Teste 2 onde os dados foram codfcados conforme descrto na Seção 2, em seguda a matrz de entrada fo submetda à AC. A equação de Regressão Lnear Múltpla que descreve a relação entre a varável resposta (tempo de audênca) e as varáves ndependentes nesse teste é descrta a segur: Tempo de audênca = 0, ,029440*Col_ + 0,5429*Col_2-0,026503*Col_3+ 0,34604*Col_4-0, *Col_5-0,70564*Col_6-0,08638*Col_7+ 0,438*Col_8-0,06588*Col_9-0, *Col_0-0, *Col_ + 0,7835*Col_2 + 0,894*Col_3-0,0986*Col_4-0,065423*Col_5-0,64584*Col_6-0,8635*Col_7+ 0,2364*Col_8 + 0, *Col_9-0,32607*Col_20-0,63999*Col_2-0,32798*Col_22 + 0,73492*Col_23 + 0,6546*Col_24+ 0,3387*Col_25-0, *Col_26 + 0,87548*Col_27 +0,2733*Col_28-0, *Col_29-7,2504E4*Col_30 Ao aplcar a equação acma nos 08 processos obtém-se um erro quadrátco médo gual a 0,
10 5. Conclusões O Fórum Trabalsta de SJ vem aumentando de manera consderável o número de processos trabalstas. Dante desse aumento, faz-se necessára a utlzação de ferramentas matemátcas que permtam uma prevsão de duração do tempo de audêncas trabalstas. O presente trabalo teve como objetvo comparar as técncas de RNAs e Regressão Lnear Múltpla, para encontrar a melor prevsão de duração do tempo das audêncas trabalstas. Utlzando os dados obtdos de processos do Fórum Trabalsta de SJ, que são as entradas para ambas as técncas, as mesmas foram trenadas buscando obter de forma automátca uma prevsão de duração das audêncas. As RNAs foram trenadas através do algortmo back-propagaton, por meo da elaboração de um programa utlzando o Software Vsual Basc 6.0, fazendo-se varar a codfcação dos atrbutos de entrada, o número de neurônos na camada escondda, o conjunto de pesos ncas e o número de terações, fornecendo como resposta (saída da RNA), a duração do tempo das audêncas de cada um dos processos trabalstas. A Regressão Lnear Múltpla fo realzada através do Software STATIGRAHICS lus 5.. Nos testes com esta ferramenta os conjuntos de dados utlzados foram os mesmos das RNAs, a fm de obter parâmetros de comparação entre as duas ferramentas matemátcas. Na comparação das duas técncas, embora ambas tenam apresentado resultados satsfatóros, as RNAs apresentaram um desempeno superor quando comparado ao método estatístco. O menor erro para a RNA tem o valor de 0,00544 e o da Regressão Lnear Múltpla gual a 0,025, ou seja, apesar de ambos serem muto pequenos, o erro encontrado na RNA é pratcamente a metade do valor do erro encontrado com a técnca de Regressão Lnear Múltpla. Assm, a melor manera de prever a duração do tempo de audêncas trabalstas, é utlzar-se da RNA com pesos gerados no Teste 2, utlzando-se todas as componentes prncpas. Assm, dado um novo processo trabalsta para o qual se deseja fazer o agendamento ntelgente, pode-se utlzando os pesos do referdo Teste 2, obter-se o número de mnutos necessáros para o mesmo obtendo-se, assm, um maor dnamsmo do sstema judcáro. Vale salentar que de tempos em tempos, o trenamento da RNA, com a Análse das Componentes rncpas, deve ser refeto, atualzando-se com sso as nformações da rede com dados recentes. Agradecmentos: Os autores do trabalo agradecem ao Fórum Trabalsta de São José dos nas, araná, em especal ao juz do trabalo Dr. Bráulo Gabrel Gusmão, pelo fornecmento dos dados para a realzação deste trabalo. Referêncas Adamowcz, E. C. Reconecmento de adrões na Análse Econômco Fnancera de Empresas. Curtba, Dssertação de Mestrado - rograma de ós-graduação em Métodos Numércos em Engenara, Unversdade Federal do araná. Ambróso,. E. Redes Neuras Artfcas no Apoo ao Dagnóstco Dferencal de Lesões Interstcas ulmonares. Rberão reto, Dssertação de Mestrado - Unversdade de São aulo. Baesens, B.; Setono, R.; Mues, C. & Vantenen, J. (2003), Usng Neural Network Rule Etracton and Decson Tables for Credt-Rsk Evaluton. Management Scence Informs, vol. 49, n 3, p Baptstela, M.; Stener, M. T. A.; Caves Neto, A. (2006), O Uso de Redes Neuras e Regressão Lnear Múltpla na Engenara de Avalações: Determnação dos Valores Venas de Imóves Urbanos, Atas do XXXVIII SBO. 2244
11 Bond Neto, L.; Sera, A. C. C. F.; Danzger, B. R.; Slva, J. G. S.(2007), Classfcação de Solos Usando-se Redes Neuras Artfcas, Atas do XXXIX SBO. Haykn, S., Redes Neuras: rncípos e rátca, Bookman, 200. Lma, J. D., Análse Econômco Fnancera de Empresa Sob a Ótca da Estatístca Multvarada. Curtba, Dssertação de Mestrado - rograma de ós-graduação em Métodos Numércos em Engenara, Unversdade Federal do araná. Lu, H.; Setono, R. & Lu, H., (996). Effectve Data Mnng Usng Neural Networks. IEE Transactons on Knowledge an Data Engneerng, vol. 8, n 6, p avanell, G., Análse do Tempo de Duração de rocessos Trabalstas Utlzando Redes Neuras Artfcas Como Apoo à Tomada de Decsões. Curtba, Dssertação de Mestrado - rograma de ós-graduação em Métodos Numércos em Engenara, Unversdade Federal do araná. Sousa, E. A.; Teera, L. C. V.; Mello, M. R.. A.; Torres, E. A. F. S.; Mota Neto, J. M. Aplcação de Redes Neuras para Avalação do Teor de Carne Mecancamente Separada em Salsca de Frango. Cênca e Tecnologa de Almentos, vol.23 no.3 Campnas Sept./Dec Stener, M. T. A. Uma Metodologa ara o Reconecmento de adrões Multvarados com Resposta Dcotômca. Floranópols, 995. Tese de Doutorado rograma de ós Graduação em Engenara de rodução, Unversdade Federal de Santa Catarna. TRT - Trbunal Regonal do Trabalo. Regmento Interno. Dsponível em: <ttp:// Acesso em 07 outubro TST - Trbunal Superor do Trabalo. Atrbuções. Dsponível em: <ttp:// Acesso em 6 feverero
PESQUISA OPERACIONAL APLICADA A JUSTIÇA DO TRABALHO
ESQUISA OERACIONAL ALICADA A JUSTIÇA DO TRABALHO Alessandra Memar avanell Unversdade Federal do araná UFR rograma de ós-graduação em Métodos Numércos em Engenara C19081 Curtba,R; CE 81531-990 alessandracmc@bol.com.br
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO REDES NEURAIS ARTIFICIAIS COMO APOIO À TOMADA DE DECISÕES
ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO REDES NEURAIS ARTIFICIAIS COMO APOIO À TOMADA DE DECISÕES GENIVAL PAVANELLI ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisUTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS
UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS ALESSANDRA MEMARI PAVANELLI UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO
Leia maisO Uso do Software Matlab Aplicado à Previsão de Índices da Bolsa de Valores: Um Estudo de Caso no Curso de Engenharia de Produção
O Uso do Software Matlab Aplcado à Prevsão de Índces da Bolsa de Valores: Um Estudo de Caso no Curso de Engenhara de Produção VICENTE, S. A. S. Unversdade Presbterana Mackenze Rua da Consolação, 930 prédo
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisIMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA
IMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA José R. Campos 1, Anna D. P. Lotufo 1, Carlos R. Mnuss 1, Mara L. M. Lopes 1 1 UNESP, Ilha Soltera, Brasl, jrcampos8@gmal.com,
Leia maisO Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining
O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação
Leia mais3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas
PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisMetodologia IHFA - Índice de Hedge Funds ANBIMA
Metodologa IHFA - Índce de Hedge Funds ANBIMA Versão Abrl 2011 Metodologa IHFA Índce de Hedge Funds ANBIMA 1. O Que é o IHFA Índce de Hedge Funds ANBIMA? O IHFA é um índce representatvo da ndústra de hedge
Leia maisCÁLCULO DO ALUNO EQUIVALENTE PARA FINS DE ANÁLISE DE CUSTOS DE MANUTENÇÃO DAS IFES
MIISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO SUPERIOR DEPARTAMETO DE DESEVOLVIMETO DA EDUCAÇÃO SUPERIOR TECOLOGIA DA IFORMAÇÃO CÁLCULO DO ALUO EQUIVALETE PARA FIS DE AÁLISE DE CUSTOS DE MAUTEÇÃO DAS IFES
Leia maisPLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS
PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia maisRAE-eletrônica ISSN: 1676-5648 rae@fgv.br. Escola de Administração de Empresas de São Paulo. Brasil
RAE-eletrônca ISSN: 676-5648 rae@fgv.br Escola de Admnstração de Empresas de São Paulo Brasl Gumarães, Ináco Andrusk; Chaves Neto, Anselmo RECONHECIMENTO DE PADRÕES: METODOLOGIAS ESTATÍSTICAS EM CRÉDITO
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisIX CONGRESSO BRASILEIRO DE ENGENHARIA E CIÊNCIAS TÉRMICAS. 9th BRAZILIAN CONGRESS OF THERMAL ENGINEERING AND SCIENCES
IX CONGRESSO BRASILEIRO DE ENGENHARIA E CIÊNCIAS TÉRMICAS 9th BRAZILIAN CONGRESS OF THERMAL ENGINEERING AND SCIENCES Paper CIT02-0026 METODOLOGIA PARA CORRELAÇÃO DE DADOS CINÉTICOS ENTRE AS TÉCNICAS DE
Leia maisRESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS
Defnções RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Problemas de Valor Incal PVI) Métodos de passo smples Método de Euler Métodos de sére de Talor Métodos de Runge-Kutta Equações de ordem superor Métodos
Leia maisLOCALIZAÇÃO ESPACIAL DA MÃO DO USUÁRIO UTILIZANDO WII REMOTE. Ricardo Silva Tavares 1 ; Roberto Scalco 2
LOCALIZAÇÃO ESPACIAL DA MÃO DO USUÁRIO UTILIZANDO WII REMOTE Rcardo Slva Tavares 1 ; Roberto Scalco 1 Aluno de Incação Centífca da Escola de Engenhara Mauá (EEM/CEUN-IMT); Professor da Escola de Engenhara
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia maisRedes Neuronais (Introdução, perceptrões, e MLP)
Redes neuronas (Perceptrões e MLP) Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N?
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisUMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC)
UMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC) ANDRÉA T. R. BARBOSA, GLORIA M. CURILEM SALDÍAS, FERNANDO M. DE AZEVEDO Hosptal São Vcente
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisO migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial
O mgrante de retorno na Regão Norte do Brasl: Uma aplcação de Regressão Logístca Multnomal 1. Introdução Olavo da Gama Santos 1 Marnalva Cardoso Macel 2 Obede Rodrgues Cardoso 3 Por mgrante de retorno,
Leia maisMODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE
MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE R. L. S. CANEVESI 1, C. L. DIEL 2, K. A. SANTOS 1, C. E. BORBA 1, F. PALÚ 1, E. A. DA SILVA 1 1 Unversdade Estadual
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisPROVA DE MATEMÁTICA DO VESTIBULAR 2013 DA UNICAMP-FASE 1. RESOLUÇÃO: PROFA. MARIA ANTÔNIA C. GOUVEIA
PROVA DE MATEMÁTICA DO VESTIBULAR 03 DA UNICAMP-FASE. PROFA. MARIA ANTÔNIA C. GOUVEIA QUESTÃO 37 A fgura abaxo exbe, em porcentagem, a prevsão da oferta de energa no Brasl em 030, segundo o Plano Naconal
Leia maisCONGRESSO DE INICIAÇÃO CIENTÍFICA E PÓS-GRADUAÇÃO - I CICPG SUL BRASIL Florianópolis 2010
Floranópols 200 ANÁLISE COMPARATIVA DA INFLUÊNCIA DA NEBULOSIDADE E UMIDADE RELATIVA SOBRE A IRRADIAÇÃO SOLAR EM SUPERFÍCIE Eduardo Wede Luz * ; Nelson Jorge Schuch ; Fernando Ramos Martns 2 ; Marco Cecon
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisAnálise do Retorno da Educação na Região Norte em 2007: Um Estudo à Luz da Regressão Quantílica.
Análse do Retorno da Edcação na Regão Norte em 2007: Um Estdo à Lz da Regressão Qantílca. 1 Introdcão Almr Rogéro A. de Soza 1 Jâno Macel da Slva 2 Marnalva Cardoso Macel 3 O debate sobre o relaconamento
Leia maisALGORITMO E PROGRAMAÇÃO
ALGORITMO E PROGRAMAÇÃO 1 ALGORITMO É a descrção de um conjunto de ações que, obedecdas, resultam numa sucessão fnta de passos, atngndo um objetvo. 1.1 AÇÃO É um acontecmento que a partr de um estado ncal,
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisNORMAS DE SELEÇÃO AO DOUTORADO
1. INSCRIÇÕES PARA SELEÇÃO 1.1. Para a Área de Irrgação e Drenagem Poderão nscrever-se canddatos formados em Engenhara Agrícola, Agronoma, Meteorologa e demas Engenharas, ou em outras áreas afns a crtéro
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisProf. Benjamin Cesar. Onde a(n, i) é o fator de valor atual de uma série de pagamentos. M: montante da renda na data do último depósito.
Matemátca Fnancera Rendas Certas Prof. Benjamn Cesar Sére de Pagamentos Unforme e Peródca. Rendas Certas Anudades. É uma sequênca de n pagamentos de mesmo valor P, espaçados de um mesmo ntervalo de tempo
Leia maisMetodologia para Eficientizar as Auditorias de SST em serviços contratados Estudo de caso em uma empresa do setor elétrico.
Metodologa para Efcentzar as Audtoras de SST em servços contratados Estudo de caso em uma empresa do setor elétrco. Autores MARIA CLAUDIA SOUSA DA COSTA METHODIO VAREJÃO DE GODOY CHESF COMPANHIA HIDRO
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisVisando dar continuidade ao trabalho de simulação, encaminho o MODELO DE ALOCAÇÃO E DIMENSIONAMENTO DO PESSOAL DOCENTE DE TERCEIRO GRAU
Ofíco Brasíla, 24 de anero de 2005. Senhora Presdente ANDIFES, Vsando dar contnudade ao trabalho de smulação, encamnho o MODELO DE ALOCAÇÃO E DIMENSIONAMENTO DO PESSOAL DOCENTE DE TERCEIRO GRAU revsado
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisPREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH
PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH CAPORAL, Bbana 1 ; CAVALHEIRO, Everton ; CORRÊA, José Carlos 3 ; CUNHA, Carlos 4 Palavras-chave: Econometra; Séres temporas; Co-ntegração;
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia maisPREVISÃO DE PARTIDAS DE FUTEBOL USANDO MODELOS DINÂMICOS
PREVISÃO DE PRTIDS DE FUTEBOL USNDO MODELOS DINÂMICOS Oswaldo Gomes de Souza Junor Insttuto de Matemátca Unversdade Federal do Ro de Janero junor@dme.ufrj.br Dan Gamerman Insttuto de Matemátca Unversdade
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisCAPÍTULO I 1 INTRODUÇÃO
CAPÍTULO I INTRODUÇÃO No mundo globalzado e etremamente compettvo em que as empresas dsputam espaço, clentes, reconhecmento e acma de tudo, condções de permanecer compettvas e lucratvas no mercado, é fundamental
Leia maisComo aposentadorias e pensões afetam a educação e o trabalho de jovens do domicílio 1
Como aposentadoras e pensões afetam a educação e o trabalo de jovens do domcílo 1 Rodolfo Hoffmann 2 Resumo A questão central é saber como o valor da parcela do rendmento domclar formada por aposentadoras
Leia maisFUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES
FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES Edmlson Rodrgues Pnto Leandro Alves Perera Faculdade de Matemátca Faculdade de Matemátca Unversdade Federal de Uberlânda
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisAGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2.
AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. andrey soares Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC 88040-900 andrey@nf.ufsc.br
Leia maisFísica. Setor B. Índice-controle de Estudo. Prof.: Aula 23 (pág. 86) AD TM TC. Aula 24 (pág. 87) AD TM TC. Aula 25 (pág.
Físca Setor Prof.: Índce-controle de studo ula 23 (pág. 86) D TM TC ula 24 (pág. 87) D TM TC ula 25 (pág. 88) D TM TC ula 26 (pág. 89) D TM TC ula 27 (pág. 91) D TM TC ula 28 (pág. 91) D TM TC evsanglo
Leia maisCOMPARATIVO ENTRE MÉTODOS DE CÁLCULO DE PERDAS EM TRANSFORMADORES ALIMENTANDO CARGAS NÃO-LINEARES
COMARAVO ENRE MÉODOS DE CÁLCULO DE ERDAS EM RANSFORMADORES ALMENANDO CARGAS NÃO-LNEARES GUMARÃES, Magno de Bastos EEEC/ UFG/ EQ magnobg@otmal.com. NRODUÇÃO LSA, Luz Roberto EEEC/ UFG lsta@eee.ufg.br NERYS,
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia maisAula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014
Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca
Leia maisHansard OnLine. Guia Unit Fund Centre
Hansard OnLne Gua Unt Fund Centre Índce Págna Introdução ao Unt Fund Centre (UFC) 3 Usando fltros do fundo 4-5 Trabalhando com os resultados do fltro 6 Trabalhando com os resultados do fltro Preços 7 Trabalhando
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia mais1 Princípios da entropia e da energia
1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção
Leia maisPLANEJAMENTO DE GRÁFICOS DE CONTROLE DE REGRESSÃO VIA SIMULAÇÃO
PLANEJAMENTO DE GRÁFICOS DE CONTROLE DE REGRESSÃO VIA SIMULAÇÃO Ana Carolna Campana Nascmento 1, José Ivo Rbero Júnor 1, Mosés Nascmento 1 1. Professor da Unversdade Federal de Vçosa, Avenda Peter Henr
Leia maisEstudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens
Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisGoal Programming como Ferramenta de Gestão
Resumo Goal Programmng como Ferramenta de Gestão Dmtr Pnhero SANTANNA Fláva Zóbol DALMÁCIO Lucene Laurett RANGEL Valcemro NOSSA O objetvo deste artgo é demonstrar como o gestor pode aplcar a técnca do
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisCaderno de Exercícios Resolvidos
Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B
Leia maisDistribuição de Massa Molar
Químca de Polímeros Prof a. Dr a. Carla Dalmoln carla.dalmoln@udesc.br Dstrbução de Massa Molar Materas Polmércos Polímero = 1 macromolécula com undades químcas repetdas ou Materal composto por númeras
Leia maisI. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que
DESEMPREGO DE JOVENS NO BRASIL I. Introdução O desemprego é vsto por mutos como um grave problema socal que vem afetando tanto economas desenvolvdas como em desenvolvmento. Podemos dzer que os índces de
Leia maisElaboração: Novembro/2005
Elaboração: Novembro/2005 Últma atualzação: 18/07/2011 Apresentação E ste Caderno de Fórmulas tem por objetvo nformar aos usuáros a metodologa e os crtéros de precsão dos cálculos referentes às Cédulas
Leia maisSOFTWARE PARA CÁLCULO DO ÍNDICE DE SEVERIDADE DE SECA DE PALMER
SOFTWARE PARA CÁLCULO DO ÍNDICE DE SEVERIDADE DE SECA DE PALMER Rodrgo Cézar Lmera 1, Pedro Vera de Azevedo 2, Wagner de Aragão Bezerra 3, Josefa Morgana Vturno de Almeda 3 RESUMO: A modelagem consttu-se
Leia maisAGÊNCIA NACIONAL DE ENERGIA ELÉTRICA ANEEL RESOLUÇÃO Nº 488, DE 29 DE AGOSTO DE 2002
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA ANEEL RESOLUÇÃO Nº 488, DE 29 DE AGOSTO DE 2002 Regulamenta o estabelecdo na Resolução CNPE n 7, de 21 de agosto de 2002, aprovada pela Presdênca da Repúblca em 22
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP SISTEMA
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais