Emprego dos métodos Utilité Additive e Utilité Additive CRiteria na avaliação de imóveis: um estudo de caso

Tamanho: px
Começar a partir da página:

Download "Emprego dos métodos Utilité Additive e Utilité Additive CRiteria na avaliação de imóveis: um estudo de caso"

Transcrição

1 Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso Resumo Luís Alberto Duca Ragel Luz Flávo Autra Motero Gomes Este artgo apreseta uma aplcação do método Utlté Addtve UTA e de sua varate Utlté Addtve CRtera UTA-CR à determação das fuções de utldade para se abordar o problema da avalação de móves resdecas. Ambos os métodos pertecem à Escola Amercaa de Apoo Multcrtéro à Decsão e vsam determar fuções de utldades dos crtéros presetes a aálse, baseado-se em formações a pror dos decsores. Pelo emprego dos modelos matemátcos referetes a cada uma das metodologas, verfcam-se as vatages do método UTA-CR. Observa-se ada que o método UTA-CR faz uso das preferêcas dos decsores em relação ao couto de crtéros, obtedo fuções de utldades o mas próxmo possível das preferêcas dos decsores. Palavras-chave: Método UTA. Método UTA-CR. Método TODIM. Apoo multcrtéro à decsão. Fução de utldade multatrbuto. Mercado mobláro resdecal. Itrodução O método UTA (Utlté Addtve) (JACQUET-LAGRÈZE; SISKOS, 982) e sua varate UTA-CR (Utlté Addtve CRtera) (RANGEL, 2002) foram empregados esta pesqusa com a faldade de avalar um subcouto selecoado de móves resdecas que estão dspoíves para serem alugados o mucípo de Volta Redodo, localzado ao sul do Estado do Ro de Jaero. O emprego desses dos métodos a pesqusa obetvou prcpalmete a obteção de fuções de utldades dos crtéros utlzados a aálse dos móves resdecas. As mobláras, empregado em uma aálse de móves com preços de alugués á defdos, sto é, á em cartera, com móves com preços de alugués a serem estmados, determam os valores de referêca dos alugués dos móves sem preços defdos. Este valor de referêca pode ser obtdo pela ordeação de todos os móves, com preços á defdos e a defr, utlzado as fuções de utldades dos crtéros determadas pelo método UTA. O método UTA, para ser empregado, ecessta de uma formação a pror dos decsores: a ordeação das alteratvas ou de um subcouto destas presetes o processo. Utlza-se esta ordeação forecda pelos decsores como restrção de um problema de programação lear (PPL). Este PPL tem por obetvo mmzar o somatóro dos erros assocados à ordeação de cada alteratva, sto é, o valor da utldade global de cada alteratva proposta pelos decsores. O método UTA-CR, uma varate do método UTA, vsa obter as fuções de utldades o mas próxmo possível das preferêcas dos decsores. Para obter essas ovas fuções de utldades dos crtéros, solcta-se aos decsores que expressem as suas preferêcas em relação ao couto de crtéros e ão em relação às alteratvas, como ocorre quado se usa o método UTA orgal. Emprega-se etão um método de ordeação do Apoo Multcrtéro à Decsão da problemátca Pδ, de ordeação das alteratvas. Esta formação é utlzada a mplemetação do método UTA-CR, do mesmo modo que fo feto o método UTA orgal. Para obter fuções de utldades o mas próxmo possível das preferêcas dos decsores, desevolveu-se um ovo modelo matemátco que apreseta uma ova fução obetvo e ovas restrções. No estudo apresetado este artgo, ao vés de se solctar a um especalsta uma ordeação subetva dos móves presetes o processo para servr como dado de etrada a mplemetação do método UTA e da sua varate UTA-CR, empregou-se a ordeação dos móves obtda com o emprego do método TODIM (GOMES et al., 2004; GOMES; Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

2 Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso 223 LIMA, 992a; GOMES; LIMA, 992b; GOMES, 2007), dvulgada o artgo de Ragel et al., A avalação de móves é um assuto amplo e este estudo de caso realzado só fo possível com a colaboração de algumas mobláras que operam em Volta Redoda, além da partcpação de um especalsta que emte parecer para Perícas Judcas. Exstem ormas da Assocação Braslera de Normas Téccas abordado a área de avalações de móves (ABNT, 2004). Este estudo de caso fo realzado tomado-se como base as formações forecdas pelos decsores que, este caso, são as mobláras e o especalsta. Os métodos de cálculo de aluguel de móves ormalmete utlzados são (GUIMARÃES NETO, 992; PESSOA, 992): Correção Moetára, que cosste a aplcação de ídces moetáros ofcas ao aluguel cal do cotrato. O resultado assm obtdo deve ser ecarado apeas como um elemeto afrmatvo a avalação, uma vez que o seu cálculo ão evolve qualquer cosderação quato a característcas específcas do móvel e cosderações de mercado, bem como ão corrge alguma evetual falha que haa ocorrdo a fxação do aluguel cal. Método Comparatvo, que cosste a obteção do aluguel por meo da aálse estatístca de uma amostra de valores locatvos de íves assemelháves e localzados a mesma regão geoecoômca, obtdos por pesqusa e devdamete homogeezados. A precsão do resultado é fução dreta da qualdade e da cofabldade da amostra selecoada, cabedo ao avalador a aálse préva dessa cofabldade para decdr sobre a coveêca da utlzação do método. Método da Retabldade, que cosste a obteção do aluguel por meo da aplcação de uma taxa de retabldade ao captal represetado pelo valor do móvel. Este estudo de caso buscou determar um método alteratvo para estabelecer uma ordeação dos móves resdecas para serem alugados em termos de preço de aluguel, baseado esta avalação em ses crtéros selecoados pelos decsores que aqu são as mobláras e um especalsta da área. Além da ordeação das alteratvas de decsão, os métodos empregados este estudo de caso, métodos UTA e UTA-CR, determam as fuções de utldades dos crtéros presetes a aálse. As fuções de utldades empregadas estes dos métodos de Apoo Multcrtéro à Decsão são fuções que descrevem as preferêcas do decsor ou de um grupo de decsores, em relação aos crtéros de decsão presetes a aálse. Desta forma, as curvas destas fuções de utldade podem ser utlzadas como referêca pelos decsores para avalar, por exemplo, algum outro móvel que ão estava prevamete a aálse, cosderado os mesmos crtéros do problema de decsão. Realzaram-se as mplemetações dos dos métodos com a faldade de verfcar as dfereças etre as fuções de utldades obtdas com o método UTA orgal e com a sua varate UTA-CR. Apresetam-se e dscutem-se os resultados das duas mplemetações a seção três deste artgo. 2 Apresetação dos métodos Utlté Addtve e Utlté Addtve CRtera 2. Método Utlté Addtve O método UTA (JACQUET-LAGRÈZE; SISKOS, 982) possu as mesmas bases axomátcas subacetes à Teora da Utldade Multatrbuto (MAUT) e é empregado para determar as fuções de utldades dos crtéros (KEENEY; RAIFFA, 993; BELTON; STEWART, 2002). Este método emprega a programação lear para determar os valores das varáves e, assm, serem obtdas as fuções de utldades. A fução obetvo deste modelo busca mmzar o somatóro dos erros assocados ao valor global das alteratvas, de modo a respetar as preferêcas propostas a pror. Assm, o problema de regressão ordal que é tratado pelo método UTA é o segute: Tedo uma estrutura de preferêca de pré-ordem R, (, ~) com sgfcado preferêca estrta e ~ a dfereça em um couto de alteratvas ou ações, o auste da fução de utldade adtva baseado em crtéros múltplos é obtdo de tal modo que a estrutura de preferêca resultate sea tão cosstete quato possível com a estrutura cal (JACQUET-LAGRÈZE; SISKOS, 982), proposta a pror pelos decsores. Os dados para mplemetar este método são a ordeação a pror dos decsores e a matrz de avalação, sto é, o desempeho das alteratvas em relação aos crtéros. Em um problema de Apoo Multcrtéro à Decsão, o couto de alteratvas váves é avalado por um couto de crtéros defdos pelos avaladores, com a faldade de aalsar as característcas das alteratvas. No modelo adtvo, quado se emprega somete um crtéro, a preferêca etre as alteratvas, detre o couto de alteratvas A, pode ser explctada como segue (Equações e 2); a b g(a) > g(b), para =,...,, () a~b g(a) = g(b), para =,...,, (2) que sgfca que este crtéro defe o couto A uma relação de ordem (, ~) das alteratvas. Cosdere-se o couto de alteratvas A, que é avalado por um couto de crtéros g = (g, g 2, g 3,..., g ) sedo o úmero de crtéros e g o desempeho o crtéro. Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

3 224 Ragel e Gomes Deoma-se a agregação de todos os crtéros em um úco crtéro de fução de utldade multatrbuto e é represetada como U(g) = U (g, g 2, g 3,... g ). Chama-se de P a relação de preferêca estrta e de I a relação de dfereça (ROY; BOUYSSOU, 993; VINCKE, 989) etre duas alteratvas, respectvamete. Se g(a) = [g (a), g 2 (a), g 3 (a),..., g (a)] é a avalação multcrtéro de uma alteratva a, etão se observam as segutes propredades da fução de utldade multatrbuto U, em relação ao couto de alteratvas A: U[g(a)] > U[g(b)] apb (3) U[g(a)] = U[g(b)] aib (4) e a relação R = P I defe uma pré-ordem das alteratvas. A fução de utldade é adtva quado tem a forma abaxo (Equação 5): = U[g] = u (g ) (5) em que cada u (g ) é a utldade margal do desempeho g o crtéro. Uma hpótese fudametal que é precso respetar quado se aplca uma fução de utldade adtva é a codção de depedêca mútua dos crtéros em fução das preferêcas (KEENEY; RAIFFA, 993; ZOPOUNIDIS; DIMITRAS, 998). Cosdere g e g o lmte feror e superor de cada crtéro presete um problema decsóro. Assumdo um ão decréscmo das preferêcas em cada crtéro, etão as utldades margas u são fuções moótoas crescetes ou decrescetes. Portato, podem-se ormalzar as fuções de utldade detro do tervalo [0,], obtedo-se: u (g ) = = (6) e u (g ) = 0 para todo =, 2,...,. (7) Empregam-se as Equações (6) e (7) a ormalzação das fuções de utldade. Faz-se uso da Equação (6) a ormalzação dos valores máxmos de cada crtéro, lmtado que este somatóro dos valores máxmos de cada crtéro sea gual a uma udade. Já a Equação (7) por sua vez atrbu o valor zero ao valor cal de cada crtéro. Desta forma, as fuções de utldade que serão determadas para cada crtéro apresetam um valor cal gual a zero e o valor máxmo a ser determado por meo de programação lear. O método UTA emprega a programação lear para determar os valores das varáves de decsão e, desta forma, as fuções de utldade de cada crtéro. Para fazer a mplemetação do método UTA, é ecessára à matrz uma avalação multcrtéro, sto é, a avalação das alteratvas em relação aos crtéros. Para a pré-ordem R defda em A ou A, em que A é um subcouto das alteratvas represetatvas presetes em A, o agete decsor expressa sua preferêca ou sua dfereça global para cada par (a,b) A'. Para cada alteratva de A, a fução de utldade calculada U'[g(a)] dfere da verdadera U[g(a)] em um erro σ(a): = U'[g(a)] = u [g (a)] +σ(a), para todo a A' (8) Cosderado-se as relações de preferêca (3) e de dfereça (4), além da fução de utldade (8), tem-se: U'[g(a)] U'[g(b)] δ se o decsor dca apb U'[g(a)] U'[g(b)] = 0 se o decsor dca aib (9) (0) sedo δ > 0 um úmero real pequeo empregado a fm de separar sgfcatvamete duas classes da pré-ordem R. Os autores do método UTA sugerem, a sua cocepção orgal do método, que o valor de δ deve pertecer ao tervalo [/0Q, /Q], sedo Q o úmero de classes de dfereça. Assumdo a exstêca de trastvdade, o agete decsor só precsará fazer (m ) comparações etre alteratvas, a quas m correspode ao úmero de alteratvas de A. Substtudo (8) em (9) e (0), tem-se: {u [g (a)] u [g (b)]} +σ(a) σ(b) δ apb () = {u [g (a)] u [g (b)]} +σ(a) σ (b) = 0 aib (2) = Cosderam-se as fuções u como sedo leares por tervalos. Para defr tas tervalos, o agete de decsão escolhe a potos do tervalo [g, g ] em que a fução u está defda. Determa-se cada poto g pela segute fórmula (Equação 3): g g (g g ) = + α (3) e varado de até a. Esses potos vão defr (a ) tervalos equdstates de [g, g ] (Equação 4). g (a) g + = + + g g u [g (a)] u (g ) [u (g u (g )] (4) Satsfaz-se a hpótese da mootocdade das preferêcas das utldades margas u (g ) requerda por este método pelo segute couto de restrções: + u (g ) u (g ) s, =, 2, 3,..., (α - ), =, 2, 3,...,. (5) Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

4 Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso 225 em que S 0 é o lmte de dfereça defdo para cada crtéro. Estmam-se as varáves de decsão que represetam as utldades margas u (g ) e os erros σ(a) por meo do programa lear [PPL] (6) cosderado as segutes restrções: restrções devdo às preferêcas () e às dfereças (2) etre as alteratvas a A'; restrções devdo aos lmtes superores (6) e ferores (7) de cada crtéro; restrções que garatam a hpótese da mootocdade das utldades margas (5); e restrções devdo à ão egatvdade das varáves de decsão do modelo, apresetadas as equações (7) e (8). A fução obetvo do prmero programa lear [PPL] (6) correspode à mmzação do somatóro dos erros σ(a) assocados às utldades de cada alteratva a A', para respetar a ordeação a pror forecda pelos decsores. Sueto a: m [PPL] M F = σ(a) (6) = {u [g (a)] u [g (b)]} +σ(a) σ(b) δ apb () = {u [g (a)] u [g (b)]} +σ(a) σ (b) = 0 aib (2) = + u (g ) u (g ) s, =, 2, 3,..., (α - ), =, 2, 3,...,. u (g ) = = (5) (6) e u (g ) = 0 para todo (7) u (g ) 0, para todo e (7) σ(a) 0, para todo a A' (8) A solução ótma do prmero programa lear [PPL] (6) será aquela (ou aquelas) que obteha o melhor valor para a fução obetva. Sea F o valor ótmo obtdo por meo do prmero programa lear. O método UTA ão para a obteção de uma solução ótma do PPL (6), outras soluções são pesqusadas, cludo-se, F F + k(f ) (9) como uma ova restrção, em que k é um valor real pequeo. Os vértces deste ovo poledro correspodem às fuções de utldade, em que um ou mas crtéros atgem um peso extremo (ou máxmo ou mímo). Assm, a exploração do ovo poledro é feta resolvedo dos ovos problemas de programação lear: [PPL2] M u (g ), para =, 2, 3,..., (20) [PPL3] Max u (g ), para =, 2, 3,..., (2) para cada crtéro. Esta etapa é chamada de aálse pós-otmzação. Apresetam-se a segur estes dos ovos problemas de programação lear: [PPL2] M u (g ), para =, 2, 3,..., (20) Sueto a: F F + k(f ) (9) {u [g (a)] u [g (b)]} +σ(a) σ(b) δ apb () = {u [g (a)] u [g (b)]} +σ(a) σ (b) = 0 aib (2) = + u (g ) u (g ) s, =, 2, 3,..., (α - ), =, 2, 3,..., u (g ) = = (5) (6) u (g ) = 0 para todo (7) u (g ) 0, para todo e (7) σ(a) 0, para todo a A' (8) [PPL3] Max u (g ), para =, 2, 3,..., (2) Sueto a: F F + k(f ) (9) {u [g (a)] u [g (b)]} +σ(a) σ(b) δ apb () = {u [g (a)] u [g (b)]} +σ(a) σ (b) = 0 aib (2) = + u (g ) u (g ) s, =, 2, 3,..., (α - ), =, 2, 3,..., u (g ) = = (5) (6) u (g ) = 0 para todo (7) Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

5 226 Ragel e Gomes u (g ) 0, para todo e (7) σ(a) 0, para todo a A' (8) O [PPL2] (20) pesqusa os valores mímos que as varáves que represetam os valores máxmos de cada crtéro podem assumr respetado além das restrções do [PPL] (6), a restrção (9) e a restrção referete à folga da solução do [PPL] (6). Já o [PPL3] (2) pesqusa os valores máxmos que as varáves que represetam os valores máxmos de cada crtéro podem assumr respetado as mesmas restrções do [PPL2] (20). As varáves de decsão deste modelo são as fuções de utldades margas u (g ) dos crtéros e o erro assocado à ordeação das alteratvas σ(a). Falmete, pelo método UTA calcula-se as médas das varáves que represetam as fuções de utldades margas u (g ) obtdas pela aálse de pós-otmzação [PPL2] e [PPL3]. Assm, por exemplo, em uma aálse com ses crtéros, doze mplemetações são ecessáras, ses empregado o [PPL2] e ses empregado o [PPL3]. Com estas médas, pode-se avalar a U(g(a)) de todas as alteratvas a A, seam ou ão estas alteratvas do couto de referêca A. 2.2 O Método Utlté Addtve CRtera O método UTA-CR (RANGEL, 2002) busca obter fuções de utldades dos crtéros que represetem melhor as preferêcas dos decsores. Assm, partdo deste prcípo, faz-se o emprego das preferêcas dos decsores ão em relação ao couto das alteratvas, mas sm em relação ao couto de crtéros presetes a aálse decsóra. Deste modo, a ordeação a ser empregada como dado de etrada esta varate UTA-CR será a ordeação das alteratvas obtda com o auxílo de um outro método de agregação do Apoo Multcrtéro à Decsão. Em um problema de Apoo Multcrtéro à Decsão, um couto de alteratvas, que se apresetam como soluções deste problema, são avaladas por um couto de crtéros defdos por decsores. Normalmete, o úmero de alteratvas é muto varável, um problema de decsão pode apresetar poucas alteratvas váves ou úmeras e, desta forma, fca dfícl para os decsores expressarem suas preferêcas em relação ao couto, ou mesmo, a um subcouto dessas alteratvas (GOMES, 2007; GOMES; GOMES; ALMEIDA, 2006). Já com relação ao couto de crtéros de ulgametos das alteratvas, busca-se sempre evtar um úmero de crtéros superor a ove, partdo-se do estudo poero de Mller (956). A obedêca a esse prcípo tora mas fácl para os decsores a expressão das suas preferêcas em relação ao couto de crtéros do que em relação ao couto de alteratvas. A varate UTA-CR, portato, vsa obter as fuções de utldades dos crtéros tedo como referêca às preferêcas dos decsores em relação ao couto de crtéros, e ão em relação ao couto de alteratvas, como faz o método UTA. Desta forma, o método UTA-CR faz o uso de uma ova fução obetvo com ovos termos e ovas restrções, além das utlzadas o [PPL] (6). As fuções de utldade dos crtéros presetes a aálse obtdas por meo de método buscam expressar as preferêcas a pror forecdas pelos decsores. A Equação (22) apreseta a ova fução obetvo do método UTA-CR. Como se vê, a varate UTA-CR dfere do método UTA em város aspectos. O prcpal é que as fuções de utldade obtdas estão o mas próxmo possível das preferêcas dos decsores. Um outro cosste a ão ecessdade de se fazer a aálse pós-otmzação quado se usa o método UTA-CR, uma vez que, em uma úca mplemetação, obtêm-se os valores das varáves de decsão. MIN MAX a A' = = M F = σ (a) + ξ (u ) + ξ(u ) (22) A fução obetvo do problema de programação lear da varate UTA-CR (22) apreseta dos ovos termos, além do termo que represeta o somatóro dos erros assocados à utldade global das alteratvas: um represetado o somatóro do afastameto superor do peso sugerdo pelos decsores e outro represetado o somatóro do afastameto feror do peso sugerdo pelos decsores, em que ξ é um valor real muto pequeo. O modelo busca determar os valores mímos das varáves de decsão u e MIN u, que estão assocados MAX aos pesos dos crtéros. Vsado restrgr ada mas o couto de soluções váves, em relação ao método UTA, o método UTA-CR troduz duas ovas restrções para as varáves que represetam o valor máxmo de cada crtéro, uma buscado restrgr este valor para mas (23) e outra para meos (24). Nas restrções (23) e (24), w represeta o peso atrbuído ao crtéro pelos decsores. MIN u (g ) (u ) w + MAX u (g ) (u ) w (23) (24) Portato, o resultado desta varate do método UTA forece fuções de utldade mas próxmas das preferêcas dos decsores, pos os valores obtdos estão bem próxmos dos pesos forecdos aos crtéros pelos decsores. O problema de programação lear apresetado abaxo [PPL4] (25) represeta o modelo matemátco do método UTA-CR, fazedo referêca às preferêcas dos decsores em relação ao couto de crtéros. Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

6 Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso 227 Sueto a: [PPL4] M F = σ (a) + a A' MIN MAX = = + ξ (u ) + ξ(u ) (25) {u [g (a)] u [g (b)]} +σ(a) σ(b) δ apb () = {u [g (a)] u [g (b)]} +σ(a) σ (b) = 0 aib (2) = + u (g ) u (g ) s, =, 2, 3,..., (α - ), =, 2, 3,...,. u (g ) = = (5) (6) u (g ) = 0 para todo (7) u (g ) 0, para todo e (7) σ(a) 0, para todo a A' (8) MIN u (g ) (u ) w + MAX u (g ) (u ) w (23) (24) Dversas aplcações do método UTA-CR têm sdo dvulgadas por artgos (Araya et al., 2002; Ragel, 2006; Ragel et al., 2006; Ragel et al., 2003). 3. Defção dos crtéros A partr dos potos de vsta explctados as etrevstas com profssoas do ramo mobláro, detfcaram-se os crtéros mas relevates para esta aálse, descrtos a segur: ) C localzação: É o mas mportate crtéro de avalação dos móves para aluguel. É um crtéro qualtatvo que busca defr se o móvel está ou ão em uma localzação bem valorzada. Para avalar o desempeho das alteratvas em relação a este crtéro, defu-se a escala apresetada a Tabela. Desta forma, um móvel com boa localzação, esta avalação, recebe uma potuação gual a 4. 2) C 2 área de costrução: Crtéro quattatvo que retrata o tamaho da costrução do móvel. Neste estudo, a udade de medda utlzada fo o metro quadrado (m 2 ). 3) C 3 qualdade da costrução: Crtéro qualtatvo que determa o padrão de acabameto do móvel. Foram defdos três íves de acabameto e suas respectvas potuações, que são apresetados a Tabela 2. Cosderado uma resdêca que teha sdo costruída com um alto padrão de acabameto, este móvel recebe a potuação gual a 3, valor máxmo para este crtéro de avalação. 4) C 4 estado de coservação: Crtéro qualtatvo utlzado para avalar o estado geral do móvel. Este crtéro cosdera se houve ou ão reforma do móvel e, também, suas codções de morada. A Tabela 3, a segur, apreseta a potuação assocada ao estado de coservação do móvel. Por exemplo, um apartameto em codções de morada, ecesstado de pequeos reparos, ou sea, com médo estado de coservação, recebe uma potuação gual a 2. Este crtéro ão está dretamete relacoado ao crtéro C 3, pos o estado de coservação depede do padrão de acabameto do móvel. Um móvel pode ter um alto padrão de acabameto, com materal 3 Estudo de caso Os dos métodos, UTA e UTA-CR, foram empregados para avalar um couto de dez móves que estão dspoíves para serem alugados o mucípo de Volta Redoda, o sul do Estado do Ro de Jaero. Para realzar esta avalação fez-se uma pesqusa uto às mobláras e especalstas do ramo, com a faldade de detfcar os crtéros que deveram ser cosderados esta aálse e qual a mportâca de cada um desses crtéros. Não houve uamdade as formações coletadas das mobláras e do especalsta. Trabalhou-se com um valor aproxmado da méda dos valores obtdos essa coleta de dados. No total foram etrevstadas oze pessoas de ses dferetes mobláras, além do especalsta. Tabela. Valoração do crtéro C localzação. Localzação Potuação Assocada Perfera Perfera/méda localzação 2 Méda localzação 3 Boa localzação 4 Excelete localzação 5 Tabela 2. Valoração do crtéro C 3 qualdade da costrução. Qualdade da costrução Potuação assocada Baxo padrão de acabameto Médo padrão de acabameto 2 Alto padrão de acabameto 3 Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

7 228 Ragel e Gomes de grade qualdade, mas estar precsado de reformas, devdo à sua dade. 5) C 5 úmero de vagas a garagem: Crtéro quattatvo e muto valorzado por pessoas que ecesstam alugar um móvel e possuem um ou mas veículos. 6) C 6 úmero de cômodos: Crtéro quattatvo que cosdera para a valoração a quatdade dos segutes cômodos exstetes o móvel: salas, quartos, copa/cozha e baheros. Destaca-se aqu a dfereça etre este crtéro e o crtéro C 2, que retrata a área de costrução. É teressate avalar o móvel também pelo úmero de cômodos, pos podem estar em questão dos móves com o mesmo tamaho total, mas um deles pode ter poucos cômodos grades, e o outro, com maor úmero de cômodos meores. Os pesos atrbuídos aos ses crtéros, de acordo com as preferêcas dos decsores, são apresetados a Tabela 4. Estes valores dos pesos são apresetados a tercera colua da Tabela 4 (Peso Atrbuído) e represetam a méda aproxmada dos valores forecdos pelos decsores, que este estudo de caso são as mobláras e o especalsta. Todos os crtéros acma defdos são crtéros de maxmzação, ou sea, quato maor for a potuação obtda a avalação das alteratvas em relação a cada crtéro, melhor será o seu desempeho. 3.2 Defção das alteratvas Detre os móves dspoíves para serem alugados, os dez móves selecoados e os seus desempehos em relação aos crtéros presetes a aálse são apresetados a Tabela 5 abaxo. A ordeação das alteratvas solctada como dado de etrada, além da matrz de decsão apresetadas a Tabela 5, a mplemetação dos métodos UTA e UTA-CR, fo obtda com o emprego do método TODIM, e publcada por Ragel et al. (2006).Tal ordeação fo a segute: A 5, A, A 4, A 8, A 3, A 2, A 6, A 0, A 9 e A Implemetação Os métodos UTA e UTA-CR foram mplemetados pelo software LINDO (LINDO, 2007) e os resultados são apresetados por ses gráfcos, um para cada crtéro, os quas é possível verfcar as dfereças dos resultados forecdos pelos dos métodos, apresetados a Fgura. Os pesos dos crtéros cosderados as mplemetações dos dos métodos são os pesos ormalzados dos crtéros apresetados a últma colua da Tabela 4. Os parâmetros defdos pelos decsores para realzar a mplemetação foram os segutes: δ gual a 0,0 e s gual a zero. Desta forma o parâmetro δ está detro do lmte sugerdo por Jacquet-Lagrèze e Sskos (982). Já o parâmetro s assumdo um valor ulo, sgfca que as fuções de utldades podem ser represetadas por uma reta, se os resultados do modelo assm o permtrem. Por termédo das mplemetações dos dos métodos obtêm-se as fuções de utldades dos crtéros pelo método UTA, represetado por uma lha potlhada, e pelo método UTA-CR, este represetado por uma lha cotíua. Os ses gráfcos a segur, apresetados a Fgura, detfcados para cada crtéro por meo de seus títulos, mostram as fuções de utldades determadas pelos dos métodos para cada crtéro presete a aálse. 3.4 Aálse de sesbldade Depos de obtdos os resultados com a mplemetação dos dos métodos, fo realzada a aálse de sesbldade varado os valores dos parâmetros que são empregados o método UTA-CR para verfcar a sua cosstêca. O valor de δ empregado a prmera mplemetação fo de 0,0. Na prmera aálse esse valor fo alterado para 0,00 e a mplemetação do [PPL4] (22) obteve como solução, o valor Tabela 3. Valoração do crtéro C 4 estado de coservação. Estado de coservação Potuação assocada Rum Médo 2 Bom 3 Ótmo 4 Tabela 4. Atrbução de pesos para os crtéros. Crtéro Descrção Peso atrbuído Peso ormalzado C Localzação 5 0,294 C 2 Área costruída 3 0,76 C 3 Qualdade da costrução 2 0,7 C 4 Estado de coservação 4 0,235 C 5 Número de vagas a garagem 0,058 C 6 Número de cômodos 2 0,7 Tabela 5. Desempeho e ordeação das alteratvas. C C 2 C 3 C 4 C 5 C 6 A A A A A A A A A A Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

8 Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso 229 0,400 Crtéro C 0,200 Crtéro C 2 Utldade 0,300 0,200 0,00 Utldade 0,50 0,00 0,050 UG UG2 UG3 UG4 UG5 Poto U2G2 U2G22 U2G23 U2G24 U2G25 Poto 0,400 Crtéro C 3 0,300 Crtéro C 4 Utldade 0,300 0,200 0,00 Utldade 0,200 0,00 U3G3 U3G32 U3G33 U3G34 U3G35 Poto U4G4 U4G42 U4G43 U4G44 U4G45 Poto 0,50 Crtéro C 5 0,300 Crtéro C 6 Utldade 0,00 0,050 Utldade 0,200 0,00 U5G5 U5G52 U5G53 U5G54 U5G55 Poto U6G6 U6G62 U6G63 U6G64 U6G65 Poto Fgura. Fuções de Utldades dos Crtéros C ( =, 2,..., 6). ulo. Isto quer dzer que o somatóro dos erros adcoados às utldades globas das alteratvas para represetar as preferêcas dos decsores fo ulo, dcado que o modelo coseguu represetar as preferêcas sugerdas pelos decsores. Numa seguda aálse o valor de δ fo alterado para e o resultado obtdo fo o mesmo da mplemetação ateror, mostrado a cosstêca do método UTA-CR. 4 Coclusão Verfca-se pelo exemplo mplemetado que os dos métodos apresetam valores bem dferetes para as fuções de utldades dos ses crtéros empregados esta aálse. Os valores dos pesos dos crtéros determados pela varate UTA-CR estão bem mas próxmos dos pesos forecdos pelos decsores do que os determados pelo método UTA. Verfcou-se também que a solução do [PPL] (6) do método UTA apresetou um valor ulo. Isto que dzer que o modelo matemátco coseguu obter a mesma ordeação proposta pelos decsores, mas este resultado pode ão represetar perfetamete as preferêcas dos decsores, uma vez que a solução deste PPL é degeerada. Já o método UTA-CR mpõe restrções aos pesos dos crtéros, restrgdo a regão de busca das soluções ótmas. Um outro fato mportate é que a fução obetvo do método UTA-CR [PPL4] (25) busca obter valores para os pesos dos crtéros com o meor afastameto possível dos valores dos pesos forecdos pelos decsores, para mas ou para meos. O método UTA-CR, por trabalhar com as preferêcas dos decsores em relação ao couto de crtéros para, a partr daí, determar uma ordeação das alteratvas, obtém melhores formas das fuções de utldades. Vale ressaltar que estes resultados são obtdos por meo de uma úca mplemetação do modelo matemátco que represeta este método, o que comprova a sua relevâca detre os poucos métodos do Apoo Multcrtéro à Decsão empregada a determação das fuções de utldades. Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

9 230 Ragel e Gomes Referêcas bblográfcas ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS ABNT. NBR Norma braslera para avalação de móves urbaos. Ro de Jaero, ARAYA, M. C. G. et al. Buldg the addtve utlty fuctos for CAD-UFRJ. Aals of Operatoal Research, v. 6,. -4, p , BELTON, V.; STEWART, T. J. Multple CRtera decso aalyss: a tegrated approach. Massachusetts: Kluwer Academc Publshers, GOMES, L. F. A. M. Teora da decsão. São Paulo: Poera Thomso Learg, GOMES, L. F. A. M.; ARAYA, M. C. G.; CARIGNANO, C. Tomada de decsão em ceáros complexos. São Paulo: Poera Thomso Learg, GOMES, L. F. A. M.; LIMA, M. M. P. P. From modelg dvdual prefe reces to multcrtera rakg of dscrete alteratves: a look at prospect theory ad the addtve dfferece model. Foudatos of Computg ad Decso Sceces, v. 7,. 3, p. 7-84, 992a. GOMES, L. F. A. M.; LIMA, M. M. P. P. TODIM: bascs ad applcato to multcrtera rakg of proects wth evrometal mpacts. Foudatos of Computg ad Decso Sceces, v. 6,. 4, p. 3-27, 992b. GOMES, L. F. A. M.; GOMES, C. F. S.; ALMEIDA, A. T. Tomada de decsão gerecal: efoque multcrtéro. 2 ed. São Paulo: Atlas, Gumarães Neto, C. A. Crtéros de avalação e NB I: Itrodução a egehara de avalações e perícas udcas. São Paulo: Ed. Isttuto de Egehara Legal, 992. p JACQUET-LAGREZE, E.; SISKOS, J. Assessg a set of addtve utlty fuctos for multcrtera decso-makg the UTA method. Europea Joural of Operatoal Research, v. 0,. 2, p. 5-64, 982. KEENEY, R. L.; RAIFFA, H. Decsos wth multple obectves: prefereces ad value tradeoffs. Cambrdge: Cambrdge Uversty Press, 993. LINEAR INTERACTIVE AND DISCRETE OPTIMIZER LINDO. Ilos: Systems Ic. de Chcago, [200-]. Dspoível em: < Acesso em: Março de MILLER, G. A. The magcal umber seve, plus or mus two: some lmts o our capacty for processg formato. The Psychologcal Revew, v. 63,. 2, p. 8-97, 956. Pessôa, M. Laudos téccos, cocetos báscos e defções. I: Itrodução a egehara de avalações e perícas udcas. São Paulo: Ed. Isttuto de Egehara Legal, 992. p RANGEL, L. A. D. et al. A varat of the UTA method. I: INTERNATIONAL SYMPOSIUM ON MATHEMATICAL PROGRAMMING, 9, 2006, Ro de Jaero. Aas Ro de Jaero: UFRJ, p. 9. RANGEL, L. A. D. et al. Avalação da terorzação dos cursos da UFF com o uso cougado dos métodos UTA e MACBETH. Ivestgação Operacoal, v. 23,., p , RANGEL, L. A. D.; SILVA, S. S.; SILVERIO, L. B. Ordeação de móves resdecas empregado o método TODIM. I: SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL, 38, 2006, Goás. Aas... Goâa: SOBRAPO, RANGEL, L. A. D. Determações de fuções de utldade através das preferêcas dos decsores sobre o couto de crtéros empregado o Método UTA f. Tese (Doutorado em Egehara de Produção) Uversdade Federal do Ro de Jaero, Ro de Jaero. RANGEL, L. A. D. Determação de fuções de utldade dos crtéros empregados a avalação de móves resdecas. I: CONGRESO IBERO-LATINO AMERICANO DE INVESTIGACIÓN OPERATIVA, 3, 2006, Motevdeo, Urugua. Aas... Motevdéu: ALIO, ROY, B.; BOUYSSOU, D. Ade multcrtère à la décso: mèthodes et Cas. Pars: Ed. Ecoomca, 993. VINCKE, Ph. L ade multcrtère à la décso. Bruxelas: Ed. de l Uversté de Bruxelles; Ed. Ellpses, 989. ZOPOUNIDIS, C.; DIMITRAS, A. I. Multcrtera decso ad methods for the predcto of busess falure. Dordrecht: Kluwer Academc Publshers, 998. Employg the Utlté Addtve e Utlté Addtve CRtera methods real estate evaluato: a case study Abstract Ths artcle presets a applcato of the UTA method ad ts varat UTA-CR to the determato of the utlty fuctos for tacklg the problem of evaluatg resdetal real estate. Both methods belog to the Amerca School of Multcrtera Decso Adg. By usg these methods, t s possble to determe the utlty fucto of the CRtera preset the evaluato aalyss makg use of prevous formato from the decso makers. The advatages of UTA-CR method over UTA are detfed through the employmet of the mathematcal models embedded each method. It ca be observed that UTA-CR method makes use of decso-makers prefereces wth respect to the CRtera that lead to utlty fuctos whch are as close as possble to ther prefereces. Keywords: UTA method. UTA-CR method. TODIM method. Multcrtera decso adg. Multattrbute utlty fucto. Resdetal real estate market. Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

10 Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso 23 Sobre os autores Luís Alberto Duca Ragel Escola de Egehara Idustral Metalúrgca de Volta Redoda UFF Av. dos Trabalhadores 420, Vla Sata Cecíla, CEP , Volta Redoda, RJ e-mal: duca@metal.eemvr.uff.br Luz Flávo Autra Motero Gomes Ibmec/RJ Av. Presdete Wlso, 8, Cetro, CEP , Ro de Jaero, RJ e-mal: autra@bmecr.br Agradecmetos. Os autores gostaram de expressar sua gratdão aos revsores da versão orgal deste artgo. Graças aos seus cometáros e sugestões aquela versão pode ser substacalmete melhorada. Os autores agradecem ada ao CNPq a vablzação do Proeto de Pesqusa N / Recebdo: 4/3/2007 Aceto: 0/4/2009 Gest. Prod., São Carlos, v. 6,. 2, p , abr.-u. 2009

MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA

MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA XIII SIMPEP - Bauru, SP, Brasl, 6 a 8 de Novembro de 2006 MÉTODOS DO AUXÍLIO MULTICRITÉRIO À DECISÃO QUE EMPREGAM A UTILIDADE ADITIVA Luís Alberto Duca Rael (UFF) duca@metal.eemvr.uff.br Nlso Bradalse

Leia mais

O Apoio Multicritério à Decisão na avaliação de candidatos

O Apoio Multicritério à Decisão na avaliação de candidatos Produção, v. 20,., ja./mar. 200, p. 92-0 do: 0.590/S003-65320000500006 O Apoo Multcrtéro à Decsão a avalação de caddatos Luís Alberto Duca Ragel a,, Luz Flávo Autra Motero Gomes b a, duca@metal.eemvr.uff.br,

Leia mais

Construção e Análise de Gráficos

Construção 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 mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro 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 mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - 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 mais

Econometria: 3 - Regressão Múltipla

Econometria: 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 mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em 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 mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS 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 mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

É 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 mais

AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA

AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA versão mpressa ISSN 00-7438 / versão ole ISSN 678-542 AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA Luís Alberto Duca Ragel UFF-COPPE/PEP/UFRJ

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 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 mais

4 O Método de Análise Hierárquica

4 O Método de Análise Hierárquica 4 O Método de Aálse Herárquca 4.. Itrodução O método de aálse herárquca é um dos métodos multatrbuto mas utlzados e dfuddos o mercado mudal (Gomes, 007). Isso se deve, provavelmete, a duas razões. A prmera

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. 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 mais

Avaliação da qualidade do ajuste

Avaliação 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 mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 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 mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: 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 mais

Modelo de Regressão Simples

Modelo 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 mais

Forma padrão do modelo de Programação Linear

Forma padrão do modelo de Programação Linear POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação

Leia mais

5 Critérios para Análise dos Resultados

5 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 mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE 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 mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. 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 mais

Confiabilidade Estrutural

Confiabilidade 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 mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor 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 mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 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 mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO 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 mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo 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 mais

MEDIDAS DE DISPERSÃO:

MEDIDAS 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 mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão 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 mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao 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 mais

Difusão entre Dois Compartimentos

Difusão 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 mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

Revisão de Estatística X = X n

Revisão 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 mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria 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 mais

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações

15/03/2012. 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 mais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades 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 mais

Total Bom Ruim Masculino

Total Bom Ruim Masculino UNIDADE I - ESTUDO DIRIGIDO Questão - Classfque as varáves em qualtatva (omal ou ordal ou quattatva (cotíua ou dscreta: a. População: aluos de uma Uversdade. Varável: cor dos cabelos (louro, castaho, ruvo,

Leia mais

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si. Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de

Leia mais

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole Teora da Correlação: Probleas relatvos à correlação são aqueles que procura estabelecer quão be ua relação lear ou de outra espéce descreve ou eplca a relação etre duas varáves. Se todos os valores as

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x

Leia mais

8 Programação linear 78

8 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 mais

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0 EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística 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 mais

Distribuições de Probabilidades

Distribuições 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 mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade 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 mais

Complexidade Computacional da Determinação da Correspondência entre Imagens

Complexidade 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 mais

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;

Leia mais

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 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 mais

Objetivos. O Modelo Linear Geral (GLM - General Linear Model) suporta, também, variáveis categóricas dependentes.

Objetivos. O Modelo Linear Geral (GLM - General Linear Model) suporta, também, variáveis categóricas dependentes. Prof. Lorí Val, Dr. http://www. ufrgs.br/~val val/ val@mat.ufrgs.br Obetvos álse de varâca (NOV) É utlzada para mostrar os efetos prcpas de varáves categórcas depedetes (deomadas de fatores) sobre uma

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. 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 mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA

A 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 mais

Capítulo V - Interpolação Polinomial

Capítulo 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 mais

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino Plao de Eso Uversdade Federal do Espírto Sato Campus: São Mateus Curso: Egehara de Produção Departameto Resposável: Departameto de Egeharas e Tecologa Data de Aprovação (Art. º 91): Docete resposável:

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS 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 mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO 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 mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos iterativos. Capítulo O Método de Jacobi Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições 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 mais

Prof. Eugênio Carlos Stieler

Prof. Eugênio Carlos Stieler http://www.uemat.br/eugeo Estudar sem racocar é trabalho 009/ TAXA INTERNA DE RETORNO A taa tera de retoro é a taa que equalza o valor presete de um ou mas pagametos (saídas de caa) com o valor presete

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 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 mais

7 Análise de covariância (ANCOVA)

7 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 mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Econometria: 4 - Regressão Múltipla em Notação Matricial

Econometria: 4 - Regressão Múltipla em Notação Matricial Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo

Leia mais

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos

4 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 mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 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 mais

Material Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio

Material Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio Materal Teórco - Módulo de MATEMÁTICA FINANCEIRA Facametos Prmero Ao do Eso Médo Autor: Prof Fracsco Bruo Holada Autor: Prof Atoo Camha Muz Neto 20 de agosto de 2018 1 Itrodução Neste materal, remos aplcar

Leia mais

Arquitetura da ART Controle 1 Controle 2

Arquitetura da ART Controle 1 Controle 2 Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme

Leia mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD 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 mais

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO 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 mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

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 mais

2.0 - MODELAGEM DA CARGA

2.0 - MODELAGEM DA CARGA GAT-23 2 a 26 de ubro de 2 Campas - São Paulo - Brasl G R U P O I V GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT RESERVA DE POTÊNCIA OPERATIVA - UMA METODOLOGIA DE TRANSIÇÃO A. A.

Leia mais

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma: Professora Jaete Perera Amador 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

ESCOLA 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 mais

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

NOTAS 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 mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 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 mais

9 Medidas Descritivas

9 Medidas Descritivas 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se

Leia mais

Computação das Medidas de Tendência Central e Dispersão Intervalares em Java

Computação 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 mais

Capítulo 8. Método de Rayleigh-Ritz

Capítulo 8. Método de Rayleigh-Ritz Grupo : Gustavo de Souza Routma; Luís Ferado Hachch de Souza; Ale Pascoal Palombo Capítulo 8. Método de Raylegh-Rtz 8.. Itrodução Nos problemas de apromação por dfereças ftas, para apromar a solução para

Leia mais

Oitava Lista de Exercícios

Oitava Lista de Exercícios Uversdade Federal Rural de Perambuco Dscpla: Matemátca Dscreta I Professor: Pablo Azevedo Sampao Semestre: 07 Otava Lsta de Exercícos Lsta sobre defções dutvas (recursvas) e prova por dução Esta lsta fo

Leia mais

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional. Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem

Leia mais

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho

Leia mais

d s F = m dt Trabalho Trabalho

d s F = m dt Trabalho Trabalho UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução

Leia mais

II. Propriedades Termodinâmicas de Soluções

II. 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 mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA 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 mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria 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 mais

Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade

Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade Celso Albo FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhaguee, Av. de Moçambque, km, Tel: +258 240078, Fax: +258 240082, Maputo Cursos de Lcecatura em Eso de Matemátca

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA 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 mais

50 Logo, Número de erros de impressão

50 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 mais

Matemática C Semiextensivo V. 2

Matemática C Semiextensivo V. 2 Matemátca C Semetesvo V. Eercícos 0) Através da observação dreta do gráfco, podemos coclur que: a) País. b) País. c) 00 habtates. d) 00 habtates. e) 00 0 0 habtates. 0) C Através do gráfco, podemos costrur

Leia mais

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA Polômos de Jacob e CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA III--)INTRODUÇÃO Para um melhor etedmeto do método da colocação ortogoal e sua relação com o método dos resíduos poderados (MRP),

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É 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 mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

Leia mais

Como CD = DC CD + DC = 0

Como CD = DC CD + DC = 0 (9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (

Leia mais

Estabilidade no Domínio da Freqüência

Estabilidade no Domínio da Freqüência Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;

Leia mais

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ

Probabilidades 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 mais

1. Revisão Matemática

1. Revisão Matemática 1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado

Leia mais