ANÁLISE DE INCERTEZAS E FUSÃO DE DADOS BASEADA EM ARITMÉTICA FUZZY PARA MEDIÇÃO DA VELOCIDADE DO VENTO UTILIZANDO TRANSDUTORES ULTRASÔNICOS
|
|
- Maria das Neves Ana Beatriz Coelho Canto
- 5 Há anos
- Visualizações:
Transcrição
1 ANÁLISE DE INCETEZAS E FUSÃO DE DADOS BASEADA EM AITMÉTICA FUZZY PAA MEDIÇÃO DA VELOCIDADE DO VENTO UTILIZANDO TANSDUTOES ULTASÔNICOS JUAN M. M. VILLANUEVA,2, ICADO TANSCHEIT E SEBASTIAN Y.C. CATUNDA 2 Departameto de Egehara de Elétrca, Potfca Uversdade Católca do o de Jaero, o de Jaero, J 2 Departameto de Egehara de Eletrcdade, Uversdade Federal do Marahão, Av. Dos Portugueses, s/, Campus do Bacaga São Luís MA, Brasl E-mals: juamv@ele.puc-ro.br, rcardo@ele.puc-ro.br, catuda@dee.ufma.br Abstract I ths work, a wd speed measuremet system based o data fuso of the tme-of-flght (ToF) formato s preseted. Ths formato s obtaed through threshold detecto (TH) ad phase dfferece (PD) techques. Fuzzy membershp fuctos are derved from ToF measuremet values ad represet measured values ad ther ucertates. Two data fuso methods are preseted based o the compatblty relatoshp betwee elemets to be combed ad usg weghts defed by the OWA (Order Weghted Average) operator. Ucertaty aalyss s carred out by quatfyg the fluece of each put parameter o the global fuso result. ToF data fuso values are determed cosderg several measured values usg the TH ad PD techques. Keywords Ultrasoc trasducer, tme of flght (ToF), data fuso, fuzzy arthmetc, ucertaty aalyss. esumo Neste trabalho, apreseta-se um sstema de medção da velocdade do veto baseado em fusão de dados das formações dos tempos de vôo (ToF) obtdas pelas téccas de detecção de lmar (TH) e da dfereça de fase (PD). A partr das medções dos ToF, são dervadas fuções de pertêca fuzzy que represetam as medções e suas certezas. Dos métodos de fusão de dados são apresetados baseados a relação de compatbldade etre os elemetos a serem fuddos e utlzado pesos defdos pelo operador OWA (Order Weghted Average). ealza-se uma aálse da certeza quatfcado a fluêca dvdual de cada parâmetro de etrada sobre o resultado global de fusão. Os valores de fusão do ToF cosderado váras medções depedetes são obtdas pelas téccas de TH e PD. Palavras-chave Trasdutores ultra-sôcos, tempo de vôo (ToF), fusão de dados, artmétca fuzzy, aálse de certezas Itrodução Trasdutores ultrasôcos ecotram mportates aplcações dustras e cetífcas para medção da velocdade do veto. Assm, uma estratéga comumete utlzada para a medção da velocdade do veto cosste em medr o tempo de vôo (ToF Tme-of-Flght), que é defdo como o tempo ecessáro para que a oda ultrasôca vaje desde o trasdutor trasmssor para o receptor. Para este propósto, dversas téccas ultrasôcas foram desevolvdas, utlzado odas cotíuas, odas pulsadas, métodos de correlação, detecção de lmar (TH Thershold Detecto), dfereça de fase (PD Phase Dfferece), etre outras (Hauptma, 2). Etretato, a medção da velocdade do veto ão é realzada com exatdão satsfatóra devdo às certezas assocadas a medção do ToF, tas como erros devdos às aproxmações teórcas desevolvdas, erros dos strumetos de medção, erros exteros, como ruído aleatóro e reflexões, e erros troduzdos pelo operador (Kamal, 963). De acordo com a atureza das certezas, dos tpos de estratégas são utlzados para sua avalação. Se as medções de um sstema de medção são represetadas através de dstrbuções de probabldade cohecdas, a avalação das certezas é realzada por meo da teora de probabldades e processos estatístcos. Se as medções apresetam formações mprecsas e ão é possível obter formações estatístcas, estratégas baseadas a teora de cojutos fuzzy podem ser utlzadas para a represetação e avalação das certezas (Lma, 2) e (ezk, 24). Na prátca, os parâmetros de sstemas de strumetação apresetam varabldades e erros, e a modelagem exata dos sesores em sempre é dspoível. Neste ceáro, o resultado da aálse de certezas que são especfcadas por valores exatos (crsp) em sempre pode ser cosderada como uma solução geral para represetar o espectro completo de certezas possíves. A represetação dos parâmetros meddos e suas certezas através de úmeros fuzzy, cujas formas são dervadas das própras medções, provê uma estratéga prátca para a abordagem alteratva para tal tpo de problema. A defuzzfcação de um úmero fuzzy permte estmar o valor de medção (valor crsp), assm como também sua certeza assocada. Com a faldade de reduzr as certezas assocadas aos processos de medção, sem alterar o valor absoluto do resultado, téccas de fusão de dados são utlzadas a área de strumetação e medção, acrescetado cofaça aos resultados meddos. O processo de fusão de dados comba formações com uma cosderação aproprada das característcas de suas certezas, de uma maera cosstete.
2 De forma a realzar a medção da velocdade do veto com baxa certeza, a estmação do ToF é baseada a técca de fusão de dados que comba as formações depedetes dos ToF obtdas pelos métodos de detecção de lmar e da dfereça de fase. A partr destas formações dos ToF, são dervadas as formas dos úmeros fuzzy que represetam as medções e suas certezas assocadas. ealza-se a aálse das certezas por meo do método de trasformação geeralzado, que determa o grau de fluêca das certezas depedetes das medções o resultado global de fusão. As téccas de TH e PD são resumdamete apresetadas, assm como a represetação das certezas por úmeros fuzzy. Um modelo de fusão de dados baseado as relações de compatbldade e operadores OWA é utlzado para a combação das formações obtdas a partr das téccas desevolvdas. 2 Defções Prelmares Uma cofguração comum para medção da velocdade do veto utlzado trasdutores ultrasôcos cosste em alhá-los com um âgulo especfcado à dreção do veto, como lustrado a Fgura. O trasdutor T A emte um trem de pulsos que é captado pelo trasdutor T B ; a velocdade de propagação da oda soora através de um fludo é a soma vetoral das velocdades de propagação atural (velocdade do som, C) e do fludo a ser meddo (velocdade do veto, ϑ). Para o propósto de medção da velocdade do veto, apresetam-se suctamete as defções prelmares das téccas de detecção de lmar e da dfereça de fase, assm como a represetação das medções e suas certezas através de úmeros fuzzy e a aálse de certezas através do método de trasformação geeralzado. 2. Técca de detecção de lmar (TH) A técca de detecção de lmar cosste em trasmtr um trem de odas seodas e medr o tempo ecessáro para sua detecção (ToF) o trasdutor receptor, através da detecção de lmar, como lustrado a Fgura 2. O valor meddo do ToF ( t M ) ão correspode AB - - Tx x t AB M t AB Lmar t E AB dretamete ao tempo de recepção devdo ao retardo mposto pela dâmca dos trasdutores. O tempo meddo pode ser expresso como a soma do tempo de trasmssão (t AB ) com o tempo de detecção ( t E ). AB Uma aferção pode ser realzada de forma a determar o tempo de detecção, com velocdade do veto zero. Assm, a velocdade do veto pode ser determada por: L ϑ = C M E cos θ tab tab () em que: ϑ é a velocdade do veto, L é a dstâca etre os trasdutores, θ é o âgulo etre a propagação do veto e a dreção da lha dos trasdutores, C é a velocdade do som o ar parado, o qual vara prcpalmete com a temperatura. A depedêca de C com a temperatura T K (em Kelv) é dada por: C = 2.74 TK (2) 2.2 Técca da dfereça de fase (PD) x t(s) x -4 Fgura 2. Medção do ToF pela técca de detecção de lmar. Na técca da dfereça de fase, mede-se a dfereça de fase etre as odas ultrasôcas trasmtdas e recebdas, como lustrado a Fgura 3. Pode-se observar que é possível realzar a medção de város - Tx x x -4 φ AB t(s) x -4 Fgura. Estrutura para a medção da velocdade do veto. Fgura 3. Medção do ToF pela técca da dfereça de fase
3 valores de dfereça de fase em um tervalo determado; estas medções podem ser utlzadas em um procedmeto de fusão de dados para determar um valor do ToF com uma melhor cofabldade e baxa certeza. A fase statâea o trasmssor e receptor é φ = 2πft AB e a velocdade do veto é: 2πfL ϑ = C cosθ φ 2.3 Números Fuzzy e epresetação de Icertezas (3) Um úmero fuzzy é um cojuto fuzzy defdo em um uverso de dscurso sobre os úmeros reas, X = {(x, µ(x)) / x U} U (4) As formas mas comus de úmeros fuzzy são a tragular, a trapezodal e a Gaussaa. Por razões de smplcdade de formulação e efcêca computacoal, úmeros fuzzy tragulares são frequetemete utlzados, referdos como úmeros fuzzy do tpo L-, com fução de pertêca dada por: x x µ T ( x) = max, δ (5) em que δ = 2πσ ; σ é o desvo padrão defdo para uma dstrbução Gaussaa (σ =,5 x ) e x é o valor meo. De forma prátca, o úmero fuzzy tragular é expresso em sua forma resumda por: T = x δ, x, x + δ (6) A operação α-cut pode ser aplcada para os úmeros fuzzy, em que o α-cut para um cojuto fuzzy X é o cojuto X (α), defdo por: X (α) = {x µ X (x) α}, α (7) A otação α-cut comumete utlzada para a forma de úmeros fuzzy L- é dada por: em que X α L e de cada tervalo ( α) X X L X X α X α. = [, ] (8) são os lmtes feror e superor 2.4 Método de trasformação geeralzado O método de trasformação geeralzado descreve um procedmeto para a aálse da propagação das certezas, permtdo determar o grau de fluêca das certezas dvduas o resultado global obtdo através do procedmeto de fusão de dados (Hass, 22). Defe-se um modelo de parametrzação fuzzy costtuído por um cojuto de parâmetros de etrada com valores fuzzy defdos por p, com fuções de pertêca µ p (x ), =,...,. O parâmetro de saída do valor fuzzy é defdo por q, com fução de pertêca µ q (z), obtdo como resultado do mapeameto etrada-saída da fução F: q = F(p,..., p ) (9) Para a smulação do modelo de parametrzação fuzzy usado o método de trasformação, cada parâmetro de etrada p é decomposto em íves α- cut em um cojuto de (m+) tervalos, dado por: ( ) {,,..., m = } P X X X =,, ( j ) () X a b a b () em que: =,...,, j =,..., m, a j e b são os lmtes feror e superor de cada tervalo X. Para o propósto de decomposção em α-cuts, o exo µ é subdvddo em m segmetos, gualmete espaçados por µ = /m, e (m+) íves de pertêca µ j = j* µ, j =,..., m. O método de trasformação geeralzado adcoa elemetos o tervalo X, =,...,, j =,..., (m - 2), como lustrado a Fgura 4, e os tervalos são trasformados em vetores X ˆ j : com: ˆ X = (( γ,,..., γ( ) ),...,( γ,,,..., γ( ) )) m+ j m+ j, (2) ( j + ) ( j+ ) cl, + cl, l, ( m+ j) l, cl, cl, γ = (,..., ) (3) 4243 ( m+ j) elemetos a ; l = j =,,..., m c = ; l = 2,3,.. m j j =,,..., m 2 2 ( j ) b ; l = m j + j =,,..., m (4) Para o modelo de parametrzação fuzzy dado em (9), a estmação da saída é avalada para cada colua do vetor, utlzado-se artmétca covecoal para úmeros crsp. Assm, a saída q pode ser expressa em sua forma decomposta e trasformada por vetores ˆ ( j ) ˆ ( j ) ˆ j Z, j =,..., m; o k-ésmo elemeto z do vetor Z é dado por: k k ˆ k ˆ k ˆ ˆ, 2,..., z = F x x x (5) Fgura 4. Decomposção da -ésma certeza do parâmetro p pelo método de trasformação geeralzado (m = 5)
4 2.5 Aálse das certezas para o modelo fuzzy Para o modelo de parametrzação fuzzy defdo em (9), a saída do sstema q apreseta uma certeza global como resultado das fluêcas dos parâmetros de etrada p. Coseqüetemete, podem-se determar as cotrbuções das certezas dvduas dos parâmetros de etrada sobre a certeza global da saída (Hass, 22). Para este propósto, defem-se os coefcetes η, =,...,, j =,..., (m - ), dados por: com: 2 em que m + j b a η = ( m+ j) ( m+ j) k = l = s2 s ( zˆ zˆ ) + ( ) s ( k, l) = k + l m + j s ( k, l) = k + m + j l m + j k z ˆ j é o k-ésmo elemeto do vetor ˆ ( j ) Z. (6) (7) j Os coefcetes η determam as cotrbuções das certezas do parâmetro p a saída q, o ível de pertêca µ j. A medda da fluêca total que quatfca o efeto do parâmetro p sobre a saída q é dado por: β = µ η ( a + b ) (8) m j m Falmete, a medda da fluêca relatva, ρ, para valores ormalzados, é dada por: m µ j η a + b β j = m β q µ j q aq + bq q= q= ρ = = 3 Procedmeto de Fusão de Dados (9) Neste trabalho, são desevolvdas duas estratégas de fusão de dados baseadas a teora de cojutos fuzzy. A prmera emprega uma relação de compatbldade etre os elemetos que partcpam o processo de fusão. A seguda estratéga atrbu pesos assocados a cada valor estmado utlzado para a fusão. 3. Fusão utlzado elações de Compatbldade Para um sstema de medção em partcular, são realzadas medções defdas por x,..., x. O procedmeto de fusão de dados comba estas formações através de uma fução de fusão defda por F, determado-se o valor, x, defdo como a melhor estmação obtda pelo procedmeto de fusão e dada por: x = F(x,..., x ) (2) A combação de formações através de F depede dos elemetos a ser fuddos, sto é, deve exstr uma compatbldade etre elas para se aplcar o procedmeto de fusão. Por tato, defe-se uma relação de compatbldade, a qual reduz o grau de pertêca assocado a pares que são dscrepates e favorece o grau de pertêca etre elemetos compatíves (Dubos, 998) e (Yager, 996). Para duas medções x e x 2, a relação de compatbldade dada por (x, x 2 ) depede da dstâca etre elas, tedo um comportameto decrescete quado a dstâca x x 2 aumeta. Coseqüetemete, defe-se um cojuto fuzzy M, tal que M(x) = M( x), M() = e: (x, x 2 ) = M(x x 2 ) (2) Assm, o mapeameto dos úmeros fuzzy X e X 2 através de é dado por: e {X } = X = X M (22) {X 2 } = X 2 = X 2 M (23) em que {.} defe o mapeameto de X e X 2 através de, é a soma fuzzy. Geeralzado a relação de compatbldade, para medções, tem-se: (x,..., x ) = m j (x, x j ) (24) em que é a míma compatbldade etre todos os pares (x, x j ). O mapeameto do úmero fuzzy X através de é dado por: {X } = X [ X j ] (25) j em que {X } represeta o mapeameto de X através de, relacoado a compatbldade com as medções X j, e é o operador de tersecção. 3.2 Medda de dstâca etre úmeros fuzzy Para o cálculo da relação de compatbldade, dada em (24), utlza-se uma medda de dstâca geeralzada para úmeros fuzzy, em que o resultado da dstâca etre dos úmeros fuzzy é outro úmero fuzzy (Voxma, 998). Para dos úmeros fuzzy X e X 2, com represetação α-cut da forma [ X, X ] e L2 X 2 L [ X, ], respectvamete, a dstâca etre X e X 2 é defda por M ( α) L M = [ M, M ] e dada por: ( α) L L L2 2 X + X X + X max { X L2 X,}; 2 2 = X X X X max { X L X 2,}; 2 2 L2 + 2 L + (26)
5 e { } ( α) max L2, 2 L M = X X X X (27) 3.3 Fusão utlzado Operadores OWA O coceto de operadores OWA (Ordered Weghted Average) basea-se a agregação ou fusão de elemetos em que o resultado da operação está cotdo o tervalo correspodete ao valor mímo e máxmo dos elemetos. Os operadores OWA permtem a mplemetação de dferetes fuções de fusão, atrbudo, através de pesos, êfase aos elemetos a ser fuddos (Yager, 996). Assm, o operador OWA de dmesão tem assocado um vetor de pesos W, defdo por: W = [ w... w ] ' (28) w [, ], w = e F ( x,..., x ) = x jwj (29) = em que x j é o j th maor elemeto de x,..., x. Na fução de fusão F, a escolha do vetor de pesos W permte a agregação poderada das fuções de pertêca dos úmeros fuzzy. Os pesos do operador OWA são determados como a solução de um problema de programação matemátca (O Haga, 99), defdo por: sujeto a: Mmzar wj l wj (3) wjh = ε, com h j = (3) wj =, w j (32) em que ε [, ] defe o grau favorável de assocação etre os úmeros fuzzy. A cada elemeto x j, represetado por um úmero fuzzy X j e mapeado através da relação de compatbldade {X j } defdo em (25), é assocado um peso de poderação w j, dado por: {X j } W = {X j }.w j (33) em que {X j } W represeta o mapeameto de {X j } através do peso de poderação w j. 4 esultados com o Procedmeto de Fusão Com a faldade de avalar o procedmeto de medção baseado em fusão de dados fuzzy, cosderase a medção da velocdade de veto ( Fgura ). Para este propósto, são realzadas as medções dos ToF pelos métodos de TH e PD. O sstema de medção fo smulado o Smulk (Matlab ), cosderado-se as segutes especfcações: freqüêca dos trasdutores f = 4 khz, temperatura de operação T K = 25ºC, âgulo etre trasdutores θ = π/3 e dstâca etre os trasdutores L = λ, com λ = C/f = 8,66 mm. Tabela. Medções do ToF pelas téccas de TH e PD. Técca Número Fuzzy: X (µs) TH, x 29,68; 239,73; 269,77 PD, x 2 24,67; 245,43; 276,9 PD 2, x 3 25,57; 246,46; 277,34 De maera a exemplfcar o procedmeto de medção proposto, realza-se a medção de um valor do ToF pela técca TH e duas medções do ToF pela técca de PD. A partr destas três medções são dervadas as represetações dos úmeros fuzzy tragulares, como apresetado a Tabela. Em seguda são aplcados os procedmetos de fusão de dados utlzado relações de compatbldade e operadores OWA. 4. Fusão utlzado elações de Compatbldade A partr das medções de ToF: x, x 2 e x 3, determase a relação de compatbldade utlzado (24), dado por: (x, x 2, x 3 ) = m{(x,x 2 ),(x,x 3 ),(x 2,x 3 )} (34) (x, x 2, x 3 ) = -,8; ;,8 µs (35) A segur, cada medção x represetada pelo úmero fuzzy X é mapeada através de, como defdo em (25): {X } = X (X 2 ) (X 3 ) (36) {X 2 } = X 2 (X ) (X 3 ) (37) {X 3 } = X 3 (X ) (X 2 ) (38) Defdo-se a fução de fusão F como a méda artmétca das três medções, tem-se: F { X } + { X } + { X } 2 3 = (39) Na Fgura 5, lustram-se o resultado da fusão de dados, F, e as etradas represetadas pelos úmeros fuzzy X = TH, X 2 = PD e X 3 = PD 2. Embora a fução de fusão F seja defda como a méda artmétca das etradas, ela leva em cosderação as relações de compatbldade etre as medções que partcpam o processo de fusão. Para obter o resultado da estmação (valor crsp) do ToF a partr do úmero fuzzy F, é utlzado o método de defuzzfcação do cetro da área (COA), que forece ToF F = 243,44 µs. µ(x) TH (s) x -4 Fgura 5. Fusão de dados utlzado a relação de compatbldade. 3 PD PD 2 F
6 µ(x) (s) x Fusão utlzado Operadores OWA O vetor de pesos W do operador OWA é determado a partr da solução do problema de programação matemátca dada em (3). Por tato, para ε =,25, temos que: w =,62, w 2 =,2676, w 3 =,662. Para corporar o operador OWA ao procedmeto de fusão que utlza relações de compatbldade, os valores das medções x são ordeados de forma descedete (x 3 >x 2 >x ), em que x j é o j th maor elemeto de x, x 2, x 3. Assm o mapeameto de X j através de é efatzada utlzado os pesos de poderação w j, dado por: {X } W = [X 3 (X ) (X 2 )]w (4) {X 2 } W = [X 2 (X ) (X 3 )]w 2 (4) {X 3 } W = [X (X 2 ) (X 3 )]w 3 (42) Defdo-se a fução de fusão F W como a soma poderada das três medções, tem-se: F = { X } + { X } + { X } (43) W W 2 W 3 W Na Fgura 6, lustra-se o resultado de fusão utlzado o operador OWA; para este caso, o valor defuzzfcado é ToF FOWA = 244,36 µs. 4.3 Aálse da fluêca das certezas TH Para a aálse da propagação das certezas, o valor da fluêca relatva ρ fo determado pelo método de trasformação geeralzado (Eq.9). Assm, para cada elemeto X que partcpa do processo de fusão de dados, fo determada a fluêca das certezas sobre os resultados de fusão F e F OWA, respectvamete, como apresetado a Tabela 2. 5 Coclusões Neste trabalho, apresetou-se um procedmeto de medção de velocdade de veto, a qual as PD PD 2 F OWA Fgura 6. Fusão de dados com o operador OWA. Tabela 2. Ifluêca relatva das certezas ρ. Método de Fusão Ifluêca elatva ρ (%) certezas das gradezas meddas são represetadas utlzado-se a teora dos cojutos fuzzy, vablzado a smulação e aálse de propagação de certezas. Como resultado, é possível quatfcar o grau de fluêca de cada parâmetro de etrada sobre o resultado fal de fusão, torado-se uma ferrameta de apoo à decsão para determação das especfcações e modfcações do sstema de medção. Através da aplcação dos procedmetos de fusão de dados, é possível obter um resultado fal de ToF, compatível com as gradezas meddas dvdualmete, etretato, com uma baxa certeza e cofável. Este procedmeto de medção pode ser aplcado a sstemas de medção telgetes a preseça de certezas, forecedo resultados com maor exatdão e cofabldade. Agradecmetos Os autores agradecem à CAPES ao CNPq / PADCT e à FAPEMA pelo apoo e cetvo recebdo. eferêcas Bblográfcas Hauptma, P., Hoppe, N., Puettmer, A. (2). Ultrasoc sesors for process dustry, IEEE Ultrasoc Sysmposum, Vol., pp Kamal, J.C. e Busger, J.A. (963). A cotuous wave soc aemometer-thermometer, Joural of Appled Meteorology, pp Lma, S.L.P. e Ebecke, N.F.F., (2). A comparso of models for ucertaty aalyss by the fte elemet method, Fte Elemets Aalyss ad Desg, 34: ezk, L. e Dabke, K.P. (24). Measuremet models: applcato of tellget methods, Measuremet, 35: Hass, M. (22). The trasformato method for the smulato ad aalyss wth ucerta parameters, Fuzzy Sets ad Syst, 3: Dubos, D., Prade, H., Yager,.., (998). Computato of tellget fuso operatos based o costraed fuzzy arthmetc, Fuzzy Systems Proceedgs, : Yager,.., Kelma, A., (996). Fuso of fuzzy formato wth cosderatos for compatblty, partal aggregato, ad reforcemet. Iteratoal Joural of Approxmate easog, pp Voxma, W. (998). Some remarks o dstaces betwee fuzzy umbers, Fuzzy Sets ad Systems, : O Haga, M. (99). Usg maxmum etropyordered weghted averagg to costruct a fuzzy euro, Cof. o Sgals, Systems, pp ρ (TH) ρ 2(PD) ρ 3(PD2) Compatbldade 32,8 33,8 33,4 Operador OWA 6, 27,3,7
6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS
7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisConceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama
Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisPROBLEMA DE INCERTEZA EM SISTEMAS DINÂMICOS UTILIZANDO DEFUZZIFICAÇÃO PELO CENTROIDE
POSMEC 205 Smpóso do Programa de Pós-Graduação em Egehara Mecâca Faculdade de Egehara Mecâca Uversdade Federal de Uberlâda 8 e 9 de Novembro de 205, Uberlâda - MG PROBLEM DE INCERTEZ EM SISTEMS DINÂMICOS
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisRevisão de Estatística X = X n
Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisInstituto Politécnico de Bragança Escola Superior de Tecnologia e de Gestão
Isttuto oltécco de Bragaça Escola Superor de ecologa e de Gestão 2º Ao de Egehara Electrotécca Istrumetação Electróca e Meddas Exame (ª Chamada) 2 de Juho de 200 SUGESÃO DE RESOLUÇÃO ) retede-se vsualzar,
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Leia mais3 Procedimento Experimental
3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisInferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia maisModelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia mais3 Análises Probabilísticas de Estabilidade
3 Aálses Probablístcas de Establdade 3.1 Itrodução Para facltar o etedmeto das metodologas de aálse de cofabldade serão apresetados este capítulo algus cocetos báscos de probabldade e estatístca. 3. Cocetos
Leia maisParte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
Leia maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia maisProf. Janete Pereira Amador 1
Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.
Leia maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisCapítulo V - Interpolação Polinomial
Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano
ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama
Leia maisMÓDULO 8 REVISÃO REVISÃO MÓDULO 1
MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisa) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.
Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisAULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância.
Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas
Leia maisDESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS
DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral
Leia maisComputação das Medidas de Tendência Central e Dispersão Intervalares em Java
V ERMAC-R o Ecotro Regoal de Matemátca Aplcada e Computacoal 9- de outubro de 00 Uersdade Potguar Natal/RN Computação das Meddas de Tedêca Cetral e Dspersão Iteralares em Jaa Laís M. Nees, Elaqum L. S.
Leia mais4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha
4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia maisEstatística. 2 - Estatística Descritiva
Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisII. Propriedades Termodinâmicas de Soluções
II. Propredades Termodâmcas de Soluções 1 I. Propredades Termodâmcas de Fludos OBJETIVOS Eteder a dfereça etre propredade molar parcal e propredade de uma espéce pura Saber utlzar a equação de Gbbs-Duhem
Leia maisComplexidade Computacional da Determinação da Correspondência entre Imagens
Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br
Leia maisApêndice 1-Tratamento de dados
Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação
Leia maisProbabilidades e Estatística
Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisHIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia
Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e
Leia mais3 Fundamentação Teórica
3 Fudametação Teórca A segur são apresetados os fudametos teórcos os quas é embasado o desevolvmeto do trabalho. 3.. Espectros de Resposta De acordo com Sampao [3], é descrta a resposta máxma de um osclador
Leia maisNas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das
CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%
Leia maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
Leia mais4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos
4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisESTIMATIVA DA INCERTEZA DE MEDIÇÃO DE MÉTODOS ANALÍTICOS
1/15 1. CAMPO DE APLICAÇÃO 1.1. Este procedmeto se aplca aos laboratóros de cotrole de qualdade.. OBJETIVO.1. Defr a capacdade de medção para cada método aalítco.. DOCUMENTOS COMPLEMENTARES.1. Valdação
Leia maisProblema geral de interpolação
Problema geral de terpolação Ecotrar p() que verfque as codções: f j ( ) y,,,,,, j,,, m ( j) ( ) dervada de ordem j ós valores odas Eemplo: ecotrar p() que verfque:, f () 4 3, f( 3) 3, f'(3) 4 3 p() 3
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
Leia mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisA PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA
Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo
Leia maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos
Leia maisIvan G. Peyré Tartaruga. 1 Metodologia espacial
RELATÓRIO DE PESQUISA 5 Procedmetos o software ArcGIS 9. para elaborar os mapas da Regão Metropoltaa de Porto Alegre RMPA com as elpses de dstrbução drecoal etre 99 e 000 Iva G. Peré Tartaruga Metodologa
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero
Leia mais50 Logo, Número de erros de impressão
Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de
Leia maisCálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015
Cálculo Numérco Ajuste de Curvas Método dos Mímos Quadrados Profa. Vaessa Rolk º semestre 05 Ajuste de curvas Para apromar uma fução f por um outra fução de uma famíla prevamete escolhda (caso cotíuo)
Leia maisUniversidade Federal de Alfenas - Unifal-MG Departamento de Ciências Exatas
Uversdade Federal de Alfeas - Ufal-MG Departameto de Cêcas Exatas Apostla Laboratóro de Físca I Prof. Dr. Célo Wsewsk Alfeas 05. oções geras sobre meddas de gradezas e avalação de certezas.. Medção (measuremet).....
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte
Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação
Leia mais15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações
Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa
Leia maisCapítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES
Cemátca da Posção de Robôs Mapuladores Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES A cemátca de um robô mapulador é o estudo da posção e da velocdade do seu efetuador e dos seus lgametos. Quado
Leia maisRegressão e Correlação
Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas
Leia maisSumário. Mecânica. Sistemas de partículas
Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -
Leia maisDISTRIBUIÇÃO HIPERGEOMÉTRICA
7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora
Leia maisESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia maisAnálise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
Leia maisTécnicas Não Paramétricas
Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze Em mutos problemas prátcos As abordages de estmação
Leia maisModelos de Regressão Linear Simples e Múltipla. Fabio Antonio Avilla (Matemática) Profª Dra. Carine Savalli Redígolo (Orientadora)
Modelos de Regressão Lear Smples e Múltpla Fabo Atoo Avlla (Matemátca) Profª Dra. Care Savall Redígolo (Oretadora) Resumo Dversas áreas do cohecmeto cetífco procuram valdar suas hpóteses por meo de pesqusas
Leia mais( k) Tema 02 Risco e Retorno 1. Conceitos Básicos
FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual
Leia maisModelos de regressão linear: abordagem clássica
Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisPROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2018 PROTOCOLO
PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 08 PROTOCOLO CT-Floresta - LPC - FOI/004 09/0/07 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO INTRODUÇÃO... PÚBLICO ALVO... 3
Leia maisA Medição e o Erro de Medição
A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia mais8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:
NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos
Leia mais