Avaliação do ajuste das funções weibull e hiperbólica a dados de povoamentos de eucalipto submetidos a desbaste

O objetivo deste estudo foi avaliar as funções de Weibull e Hiperbólica quanto à capacidade de descrição da estrutura diamétrica de povoamentos de eucalipto submetidos a desbaste. As funções com quatro e três parâmetros foram ajustadas a dados de 48 parcelas permanentes instaladas em um povoamento desbastado de um clone híbrido de eucalipto (Eucalyptus grandis x Eucalyptus urophylla), localizado na região Nordeste do Estado da Bahia. Essas parcelas foram mensuradas em 10 ocasiões, a partir de 27 meses de idade. Foi avaliado, também, o ajuste da função Weibull de dois parâmetros por aproximação linear. A aderência foi avaliada pelo teste de Kolmogorov-Smirnov. Também, foram comparadas as somas de quadrados dos resíduos (SQR), dos diferentes ajustamentos. Todas as funções apresentaram aderência aos dados (P>0,01). A função hiperbólica apresentou menor soma de quadrados de resíduos e menores valores para o teste de aderência. A função Weibull, quando ajustada por aproximação linear, apresentou os maiores valores de soma de quadrado de resíduos e de significância no teste de aderência. Foi comprovada a ineficiência do ajuste da função Weibull por aproximação linear.

Estudo preliminar da influência do perímetro escrotal sobre a libido em touros jovens da raça Nelore

O perímetro escrotal (PE) de 202 touros jovens da raça Nelore, sem experiência sexual prévia, classificados pela Associação Brasileira de Criadores de Zebu como superiores ou elite, foi medido aos 7, 12, 18 e 28 meses de idade, aproximadamente. Após a última medição, eles foram submetidos ao teste de libido e procedeu-se à colheita de sêmen por eletroejaculação, seguida de avaliação andrológica. As medidas do PE aos 7, 12, 18 e 28 meses foram de 18,30; 22,29; 27,54 e 33,26cm, respectivamente. Os coeficientes de correlação simples entre estas medidas variaram de 0,35 a 0,53. O coeficiente de correlação entre PE aos 28 meses e peso corporal na mesma idade foi de 0,43. A correlação entre a nota da libido e o perímetro escrotal medido aos l8 meses foi de 0,15 e entre aquela e o perímetro escrotal aos 28 meses foi de 0,13. Observou-se elevado crescimento do perímetro escrotal entre o 7º e 18º meses de idade. Utilizou-se o método de quadrados mínimos para analisar a libido, incluindo ano de nascimento como efeito fixo e como covariáveis os efeitos lineares da idade e peso no momento da avaliação e medidas de perímetro escrotal aos 7, l2, l8 e 28 meses. Cada covariável foi retida de forma seqüencial obtendo-se vários modelos de análises e as somas de quadrados foram decompostas de forma seqüencial e parcial. O ano de nascimento, a idade e o perímetro escrotal aos 18 meses de idade afetaram significativamente a libido. Os coeficientes de correlação entre a libido e concentração espermática, motilidade, peso e idade do animal no momento da avaliação foram de 0,34, 0,l6, 0,38 e 0,35, respectivamente.

Hipóteses estatísticas com dados desbalanceados nos modelos com três fatores de efeitos fixos hierarquizados

Este trabalho tem por objetivo formalizar os termos das respectivas somas de quadrados e hipóteses mais usuais, que são testadas nos modelos com três fatores de efeitos fixos hierarquizados para dados desbalanceados. Discute-se, também, o problema da interpretação de hipóteses associadas às somas de quadrados, bem como comparam-se os resultados fornecidos por alguns softwares estatísticos.

Determinação de açúcar total em café cru por espectroscopia no infravermelho próximo e regressão por mínimos quadrados parciais

In this work a fast method for the determination of the total sugar levels in samples of raw coffee was developed using the near infrared spectroscopy technique and multivariate regression. The sugar levels were initially obtained using gravimety as the reference method. Later on, the regression models were built from the near infrared spectra of the coffee samples. The original spectra were pre-treated according to the Kubelka-Munk transformation and multiplicative signal correction. The proposed analytical method made possible the direct determination of the total sugar levels in the samples with an error lower by 8% with respect to the conventional methodology.

Matrizes e Quadrados Mágicos

Na sociedade atual, completamente dominada pela constante procura de informação, faz todo o sentido recorrer a formas organizadas de apresentar os dados recolhidos que permitam uma leitura rápida e acessível. As matrizes, pela sua estrutura, possibilitam este tipo de abordagem com vista ao tratamento de uma grande quantidade de informação. (...) Poucas áreas da Matemática sofreram nos últimos 30 anos uma evolução tão significativa como a Teoria de Matrizes. Isto deve-se ao desenvolvimento de computadores cada vez mais potentes do ponto de vista da capacidade computacional, bem como à introdução de métodos matriciais em diferentes áreas de aplicação. Atualmente, a Teoria de Matrizes é utilizada com frequência para modelar muitos fenómenos do mundo real. Mas quando é que surgiu este ramo da Matemática? (...) Embora este ramo da Matemática tenha sido desenvolvido a partir de meados do século XIX, conceitos elementares de matrizes remontam ao período anterior ao nascimento de Cristo, uma vez que os chineses aplicavam métodos matriciais para resolver certos sistemas de equações. Os quadrados mágicos constituem outro exemplo de aplicação rudimentar do conceito de matriz. As lendas sugerem que os quadrados mágicos são originários da China, tendo sido referidos pela primeira vez num manuscrito do tempo do imperador Yu, cerca de 2200 a. C. (...) Em 1514, Albrecht Dürer, conhecido artista da Renascença, pintou um quadro intitulado "Melancolia", onde figura um quadrado mágico, precisamente de ordem 4 (figura 2). De notar que os dois números centrais da última linha do quadrado permitem ler "1514", o ano em que o quadro foi pintado. O leitor pode comprovar que a soma dos números de cada linha, de cada coluna e de cada uma das duas diagonais desse quadrado é sempre igual a 34, a constante mágica. Além disso, 34 é a soma dos números dos cantos (16+13+4+1=34) e do quadrado central 2x2 (10+11+6+7=34). (...)

Quadrados mágicos para todos os gostos

Voltamos ao tema dos quadrados mágicos. (...) Vejamos alguns exemplos curiosos. Começamos pelo Quadrado Mágico do Aniversariante (figura A). Se o leitor fizer as contas, verificará que a soma dos números de cada linha, de cada coluna e de cada uma das duas diagonais do quadrado é sempre 22 (figura B). Este é, portanto, um quadrado mágico ideal para quem tem 22 anos. Contudo, a sua utilização é muito mais flexível do que à primeira vista se possa pensar. Isto porque também é possível utilizar este quadrado mágico para felicitar qualquer amigo com mais de 22 anos. Se quisermos que o quadrado da figura A tenha constante mágica igual a x, com x>22, basta adicionar a cada um dos números das quatro casas brancas o valor x-22. (...) Na figura D, apresenta-se um Quadrado Mágico Reversível. Este quadrado aparece no livro "Self-working Number Magic", de Karl Fulves, publicado em 1983. Para começar, uma observação atenta a cada linha, coluna ou diagonal do quadrado permite concluir que, em cada uma dessas filas, são utilizados os mesmos algarismos: 1, 6, 8 e 9. Um olhar ainda mais atento permite detetar duas ocorrências de cada um desses algarismos por fila. (...)

Quadrados mágicos místicos

Existem muitos exemplos interessantes de quadrados mágicos com histórias curiosas. Desde logo, se recuarmos no tempo e viajarmos até à antiga China. Segundo reza a lenda, por volta de 2200 a.C., o imperador Yu terá avistado uma tartaruga a sair do Rio Amarelo. Essa tartaruga apresentava um intrigante padrão formado por pontos pretos e brancos, que se assemelhava a uma grelha 3x3, preenchida com os primeiros 9 números naturais (1-9), dispostos de uma forma curiosa. (...) Outro aspeto curioso prende-se com o facto de os astrólogos da Renascença usarem quadrados mágicos associados aos diferentes planetas do Sistema Solar. (...) Outro aspeto que pode ser considerado nestes quadrados mágicos planetários é a soma de todos os números que compõem o quadrado, que se designa por soma mística (esta soma obtém-se multiplicando a constante mágica pelo número total de linhas do quadrado, isto porque ao adicionar os números de qualquer linha, obtém-se sempre a constante mágica). Por exemplo, o quadrado de Saturno tem soma mística igual a 15x3=45; o de Júpiter, 34x4=136; o de Marte, 65x5=325; e o do Sol, 111x6=666. Num quadrado planetário de ordem N, utilizam-se todos os números naturais, do 1 ao NxN, uma e uma só vez. Por este motivo, e tendo em conta as propriedades das progressões aritméticas, a soma mística de um quadrado planetário de ordem N pode ser obtida da fórmula NxN(NxN+1)/2, sendo a constante mágica igual a N(NxN+1)/2. (...)

Alguns desafios de Clifford Pickover : dos números vampiros aos quadrados mágicos

Clifford Alan Pickover nasceu a 15 de agosto de 1957. Este americano é um reconhecido divulgador da Ciência e da Matemática, tendo publicado até ao momento mais de quarenta livros em mais de uma dúzia de línguas. (...) O principal interesse de Pickover está em encontrar novas maneiras de expandir a criatividade, estabelecendo conexões entre áreas aparentemente díspares do esforço humano, como a Arte, a Ciência e a Matemática. (...) Em 1994, Pickover introduziu uma nova classe de números, de certa forma peculiar: os números vampiros. (...) Um número vampiro é um número natural, v, com um número par de algarismos (n), que pode ser escrito como um produto de dois números naturais, x e y, cada um com metade do número de algarismos (n/2) e de forma a que os algarismos utilizados sejam os mesmos (eventualmente escritos por ordem diferente). (...) Na fatorização de um número vampiro, apenas um dos fatores pode ser múltiplo de 10 (ou seja, apenas um dos fatores pode ter o 0 como algarismo das unidades). Assim, 1260 é um número vampiro uma vez que 1260 = 21x60, mas 126 000 já não é um número vampiro apesar de 126 000 = 210x600. Isto porque, no segundo caso, ambos os fatores são múltiplos de 10. (...) Pickover também é adepto de quadrados mágicos. (...)

Subtraindo com somas!

Este artigo aborda a possibilidade de tratar a subtração através da operação da adição.

Modelação e identificação de motor DC

O modelo matemático de um sistema real permite o conhecimento do seu comportamento dinâmico e é geralmente utilizado em problemas de engenharia. Por vezes os parâmetros utilizados pelo modelo são desconhecidos ou imprecisos. O envelhecimento e o desgaste do material são fatores a ter em conta pois podem causar alterações no comportamento do sistema real, podendo ser necessário efetuar uma nova estimação dos seus parâmetros. Para resolver este problema é utilizado o software desenvolvido pela empresa MathWorks, nomeadamente, o Matlab e o Simulink, em conjunto com a plataforma Arduíno cujo Hardware é open-source. A partir de dados obtidos do sistema real será aplicado um Ajuste de curvas (Curve Fitting) pelo Método dos Mínimos Quadrados de forma a aproximar o modelo simulado ao modelo do sistema real. O sistema desenvolvido permite a obtenção de novos valores dos parâmetros, de uma forma simples e eficaz, com vista a uma melhor aproximação do sistema real em estudo. A solução encontrada é validada com recurso a diferentes sinais de entrada aplicados ao sistema e os seus resultados comparados com os resultados do novo modelo obtido. O desempenho da solução encontrada é avaliado através do método das somas quadráticas dos erros entre resultados obtidos através de simulação e resultados obtidos experimentalmente do sistema real.

As distribuições do acaso

1) Chamamos um desvio relativo simples o quociente de um desvio, isto é, de uma diferença entre uma variável e sua média ou outro valor ideal, e o seu erro standard. D= v-v/ δ ou D = v-v2/δ Num desvio composto nós reunimos vários desvios de acordo com a equação: D = + Σ (v - 2)²: o o = o1/ o o Todo desvio relativo é caracterizado por dois graus de liberdade (número de variáveis livres) que indicam de quantas observações foi calculado o numerador (grau de liberdade nf1 ou simplesmente n2) e o denominador (grau de liberdade nf2 ou simplesmente n2). 2) Explicamos em detalhe que a chamada distribuição normal ou de OAUSS é apenas um caso especial que nós encontramos quando o erro standard do dividendo do desvio relativo é calculado de um número bem grande de observações ou determinado por uma fórmula teórica. Para provar este ponto foi demonstrado que a distribuição de GAUSS pode ser derivada da distribuição binomial quando o expoente desta torna-se igual a infinito (Fig.1). 3) Assim torna-se evidente que um estudo detalhado da variação do erro standard é necessário. Mostramos rapidamente que, depois de tentativas preliminares de LEXIS e HELMERT, a solução foi achada pelos estatísticos da escola londrina: KARL PEARSON, o autor anônimo conhecido pelo nome de STUDENT e finalmente R. A. FISHER. 4) Devemos hoje distinguir quatro tipos diferentes de dis- tribuições de acaso dos desvios relativos, em dependência de combinação dos graus de liberdade n1 e n2. Distribuição de: fisher 1 < nf1 < infinito 1 < nf2 < infinito ( formula 9-1) Pearson 1 < nf1 < infinito nf 2= infinito ( formula 3-2) Student nf2 = 1 1 < nf2= infinito ( formula 3-3) Gauss nf1 = 1 nf2= infinito ( formula 3-4) As formas das curvas (Fig. 2) e as fórmulas matemáticas dos quatro tipos de distribuição são amplamente discutidas, bem como os valores das suas constantes e de ordenadas especiais. 5) As distribuições de GAUSS e de STUDENT (Figs. 2 e 5) que correspondem a variação de desvios simples são sempre simétricas e atingem o seu máximo para a abcissa D = O, sendo o valor da ordenada correspondente igual ao valor da constante da distribuição, k1 e k2 respectivamente. 6) As distribuições de PEARSON e FISHER (Fig. 2) correspondentes à variação de desvios compostos, são descontínuas para o valor D = O, existindo sempre duas curvas isoladas, uma à direita e outra à esquerda do valor zero da abcissa. As curvas são assimétricas (Figs. 6 a 9), tornando-se mais e mais simétricas para os valores elevados dos graus de liberdade. 7) A natureza dos limites de probabilidade é discutida. Explicámos porque usam-se em geral os limites bilaterais para as distribuições de STUDENT e GAUSS e os limites unilaterais superiores para as distribuições de PEARSON e FISHER (Figs. 3 e 4). Para o cálculo dos limites deve-se então lembrar que o desvio simples, D = (v - v) : o tem o sinal positivo ou negativo, de modo que é em geral necessário determinar os limites bilaterais em ambos os lados da curva (GAUSS e STUDENT). Os desvios relativos compostos da forma D = O1 : o2 não têm sinal determinado, devendo desprezar-se os sinais. Em geral consideramos apenas o caso o1 ser maior do que o2 e os limites se determinam apenas na extremidade da curva que corresponde a valores maiores do que 1. (Limites unilaterais superiores das distribuições de PEARSON e FISHER). Quando a natureza dos dados indica a possibilidade de aparecerem tanto valores de o(maiores como menores do que o2,devemos usar os limites bilaterais, correspondendo os limites unilaterais de 5%, 1% e 0,1% de probabilidade, correspondendo a limites bilaterais de 10%, 2% e 0,2%. 8) As relações matemáticas das fórmulas das quatro distribuições são amplamente discutidas, como também a sua transformação de uma para outra quando fazemos as necessárias alterações nos graus de liberdade. Estas transformações provam matematicamente que todas as quatro distribuições de acaso formam um conjunto. Foi demonstrado matematicamente que a fórmula das distribuições de FISHER representa o caso geral de variação de acaso de um desvio relativo, se nós extendermos a sua definição desde nfl = 1 até infinito e desde nf2 = 1 até infinito. 9) Existe apenas uma distribuição de GAUSS; podemos calcular uma curva para cada combinação imaginável de graus de liberdade para as outras três distribuições. Porém, é matematicamente evidente que nos aproximamos a distribuições limitantes quando os valores dos graus de liberdade se aproximam ao valor infinito. Partindo de fórmulas com área unidade e usando o erro standard como unidade da abcissa, chegamos às seguintes transformações: a) A distribuição de STUDENT (Fig. 5) passa a distribuição de GAUSS quando o grau de liberdade n2 se aproxima ao valor infinito. Como aproximação ao infinito, suficiente na prática, podemos aceitar valores maiores do que n2 = 30. b) A distribuição de PEARSON (Fig. 6) passa para uma de GAUSS com média zero e erro standard unidade quando nl é igual a 1. Quando de outro lado, nl torna-se muito grande, a distribuição de PEARSON podia ser substituída por uma distribuição modificada de GAUSS, com média igual ale unidade da abcissa igual a 1 : V2 n 1 . Para fins práticos, valores de nl maiores do que 30 são em geral uma aproximação suficiente ao infinito. c) Os limites da distribuição de FISHER são um pouco mais difíceis para definir. I) Em primeiro lugar foram estudadas as distribuições com n1 = n2 = n e verificamos (Figs. 7 e 8) que aproximamo-nos a uma distribuição, transformada de GAUSS com média 1 e erro standard l : Vn, quando o valor cresce até o infinito. Como aproximação satisfatória podemos considerar nl = n2 = 100, ou já nl =r n2 - 50 (Fig. 8) II) Quando n1 e n2 diferem (Fig. 9) podemos distinguir dois casos: Se n1 é pequeno e n2 maior do que 100 podemos substituir a distribuição de FISHER pela distribuição correspondente de PEARSON. (Fig. 9, parte superior). Se porém n1é maior do que 50 e n2 maior do que 100, ou vice-versa, atingimos uma distribuição modificada de GAUSS com média 1 e erro standard 1: 2n1 n3 n1 + n2 10) As definições matemáticas e os limites de probabilidade para as diferentes distribuições de acaso são dadas em geral na literatura em formas bem diversas, usando-se diferentes sistemas de abcissas. Com referência às distribuições de FISHER, foi usado por este autor, inicialmente, o logarítmo natural do desvio relativo, como abcissa. SNEDECOR (1937) emprega o quadrado dos desvios relativos e BRIEGER (1937) o desvio relativo próprio. As distribuições de PEARSON são empregadas para o X2 teste de PEARSON e FISHER, usando como abcissa os valores de x² = D². n1 Foi exposto o meu ponto de vista, que estas desigualdades trazem desvantagens na aplicação dos testes, pois atribui-se um peso diferente aos números analisados em cada teste, que são somas de desvios quadrados no X2 teste, somas des desvios quadrados divididos pelo grau de liberdade ou varianças no F-teste de SNEDECOR, desvios simples no t-teste de STUDENT, etc.. Uma tábua dos limites de probabilidade de desvios relativos foi publicada por mim (BRIEGER 1937) e uma tábua mais extensa será publicada em breve, contendo os limites unilaterais e bilaterais, tanto para as distribuições de STUDENT como de FISHER. 11) Num capítulo final são discutidas várias complicações que podem surgir na análise. Entre elas quero apenas citar alguns problemas. a) Quando comparamos o desvio de um valor e sua média, deveríamos corretamente empregar também os erros de ambos estes valores: D = u- u o2 +²5 Mas não podemos aqui imediatamente aplicar os limites de qualquer das distribuições do acaso discutidas acima. Em geral a variação de v, medida por o , segue uma distribuição de STUDENT e a variação da média V segue uma distribuição de GAUSS. O problema a ser solucionado é, como reunir os limites destas distribuições num só teste. A solução prática do caso é de considerar a média como uma constante, e aplicar diretamente os limites de probabilidade das dstribuições de STUDENT com o grau de liberdade do erro o. Mas este é apenas uma solução prática. O problema mesmo é, em parte, solucionado pelo teste de BEHRENDS. b) Um outro problema se apresenta no curso dos métodos chamados "analysis of variance" ou decomposição do erro. Supomos que nós queremos comparar uma média parcial va com a média geral v . Mas podemos calcular o erro desta média parcial, por dois processos, ou partindo do erro individual aa ou do erro "dentro" oD que é, como explicado acima, uma média balançada de todos os m erros individuais. O emprego deste último garante um teste mais satisfatório e severo, pois êle é baseado sempre num grau de liberdade bastante elevado. Teremos que aplicar dois testes em seguida: Em primeiro lugar devemos decidir se o erro ou difere do êrro dentro: D = δa/δ0 n1 = np/n2 m. n p Se este teste for significante, uma substituição de oa pelo oD não será admissível. Mas mesmo quando o resultado for insignificante, ainda não temos certeza sobre a identidade dos dois erros, pois pode ser que a diferença entre eles é pequena e os graus de liberdade não são suficientes para permitir o reconhecimento desta diferença como significante. Podemos então substituirmos oa por oD de modo que n2 = m : np: D = V a - v / δa Np n = 1 n2 = np passa para D = v = - v/ δ Np n = 1 n2 = m.n p as como podemos incluir neste último teste uma apreciação das nossas dúvidas sobre o teste anterior oa: oD ? A melhor solução prática me parece fazer uso da determinação de oD, que é provavelmente mais exata do que oa, mas usar os graus de liberdade do teste simples: np = 1 / n2 = np para deixar margem para as nossas dúvidas sobre a igualdade de oa a oD. Estes dois exemplos devem ser suficientes para demonstrar que apesar dos grandes progressos que nós podíamos registrar na teoria da variação do acaso, ainda existem problemas importantes a serem solucionados.

Otimização Não Linear de Mínimos Quadrados

O problema de otimização de mínimos quadrados e apresentado como uma classe importante de problemas de minimização sem restrições. A importância dessa classe de problemas deriva das bem conhecidas aplicações a estimação de parâmetros no contexto das analises de regressão e de resolução de sistemas de equações não lineares. Apresenta-se uma revisão dos métodos de otimização de mínimos quadrados lineares e de algumas técnicas conhecidas de linearização. Faz-se um estudo dos principais métodos de gradiente usados para problemas não lineares gerais: Métodos de Newton e suas modificações incluindo os métodos Quasi-Newton mais usados (DFP e BFGS). Introduzem-se depois métodos específicos de gradiente para problemas de mínimos quadrados: Gauss-Newton e Levenberg-Larquardt. Apresenta-se uma variedade de exemplos selecionados na literatura para testar os diferentes métodos usando rotinas MATLAB. Faz-se uma an alise comparativa dos algoritmos baseados nesses ensaios computacionais que exibem as vantagens e desvantagens dos diferentes métodos.

Determinação de açúcar total em café cru por espectroscopia no infravermelho próximo e regressão por mínimos quadrados parciais

In this work a fast method for the determination of the total sugar levels in samples of raw coffee was developed using the near infrared spectroscopy technique and multivariate regression. The sugar levels were initially obtained using gravimety as the reference method. Later on, the regression models were built from the near infrared spectra of the coffee samples. The original spectra were pre-treated according to the Kubelka-Munk transformation and multiplicative signal correction. The proposed analytical method made possible the direct determination of the total sugar levels in the samples with an error lower by 8% with respect to the conventional methodology.

Caracterização físico-química de queijo prato por espectroscopia no infravermelho e regressão de mínimos quadrados parciais

In this work an analytical methodology for the determination of relevant physicochemical parameters of prato cheese is reported, using infrared spectroscopy (DRIFT) and partial least squares regression (PLS). Several multivariate models were developed, using different spectral regions and preprocessing routines. In general, good precision and accuracy was observed for all studied parameters (fat, protein, moisture, total solids, ashes and pH) with standard deviations comparable with those provided by the conventional methodologies. The implantation of this multivariate routine involves significant analytical advantages, including reduction of cost and time of analysis, minimization of human errors, and elimination of chemical residues.