Navegando por Autor "Viana, Rosane Soares Moreira"
Agora exibindo 1 - 2 de 2
- Resultados por Página
- Opções de Ordenação
Item Cálculo diferencial e integral I(CEAD, 2012) Viana, Rosane Soares Moreira; Carvalho, Laerte Dias de; Lopes, Jaques SilveiraEsta obra intitulada CÁLCULO DIFERENCIAL E INTEGRAL I foi construída para ser a referência básica da disciplina de Cálculo Diferencial e Integral I, do Curso de Licenciatura em Matemática – Modalidade a Distância oferecido pela Universidade Federal de Viçosa. Entretanto, por conter, em detalhes, os principais tópicos da Teoria de Cálculo de funções de uma variável independente, além de algumas importantes aplicações, este texto pode ser utilizado nas disciplinas de Cálculo oferecidas para os demais Cursos de Graduação.Item O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar(Universidade Federal de Viçosa, 2019-02-21) Viana, Rosane Soares Moreira; Santos, Gérson Rodrigues dos; http://lattes.cnpq.br/5692282198888503Dados espaço-temporais são caracterizados pela descrição da variabilidade no tempo e no espaço. Atualmente, os estudos desses tipos de dados têm proporcionado grandes avanços em áreas como ciências ambientais, geofísicas, biologia, epidemiologia e outras. Os procedimentos comuns de estatística, frequentemente, não são suficientes para descrever os processos espaço-temporais, pois não conseguem captar a variabilidade nas dimensões espaço e tempo conjuntamente. Para estes processos existem três tipos de abordagem: análise puramente espacial, que considera cada tempo separadamente, ou seja, desconsidera a dependência temporal e analisa os dados do processo utilizando técnicas usuais de estatística espacial para cada tempo; análise puramente temporal, onde cada localização desconsidera-se a dependência espacial e analisa os dados do processo utilizando técnicas usuais de séries temporais; e análise espacial e temporal, que é capaz de analisar conjuntamente tanto as dependências espaciais quanto as temporais existentes no conjunto de dados. Ainda não existe um consenso sobre quais são as técnicas mais adequadas de modelagem que atendem às necessidades de aplicações que envolvam simultaneamente tempo e espaço. O desenvolvimento destas técnicas e a construção de representações computacionais apropriadas é um dos grandes desafios da geoinformação. Desta forma, este trabalho tem como objetivo fazer uma exposição teórica de algumas metodologias disponíveis na geoestatística espaço-temporal e/ou aprendizagem de máquina, bem como utilizar um conjunto de dados reais para fazer predição via estrutura de funções de covariâncias espaço-temporais e via modelos de regressão baseados em aprendizagem de máquina, em especial, os algoritmos de random Forest e support vector machine.