Estatística Aplicada e Biometria
URI permanente para esta coleçãohttps://locus.ufv.br/handle/123456789/195
Navegar
2 resultados
Resultados da Pesquisa
Item Discriminação de populações com diferentes graus de similaridade por redes neurais artificiais(Universidade Federal de Viçosa, 2009-12-15) Pereira, Tiago Martins; Regazzi, Adair José; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4783586A7; Ribeiro Junior, José Ivo; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723282Y6; Cruz, Cosme Damião; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788274A6; http://lattes.cnpq.br/1234901953219216; Peternelli, Luiz Alexandre; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723301Z7; Carneiro, Pedro Crescêncio Souza; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728227T6A correta classificação de indivíduos em grupos pré-estabelecidos tem se tornado de grande importância no melhoramento genético. As técnicas de estatística multivariada usualmente utilizadas nesse tipo de problema são as funções discriminantes de Fisher e as funções discriminantes de Anderson, que são usadas para alocar um indivíduo inicialmente desconhecido em uma das g populações ou grupos pré-definidos. Nas últimas décadas vêm surgindo um novo paradigma de computação, as redes neurais artificiais, que podem ser utilizadas para resolver diversos problemas da Estatística, como agrupamento de indivíduos similares, previsão de séries temporais e em especial, os problemas de classificação. O objetivo dessa pesquisa foi realizar um estudo comparativo entre as funções discriminantes de Fisher e de Anderson e as redes neurais artificiais quanto ao número de classificações erradas de indivíduos sabidamente pertencentes a diferentes populações, com distintos níveis de dissimilaridade. Essa dissimilaridade, medida pela distância de Mahalanobis, foi um conceito de fundamental importância na utilização das técnicas de discriminação, pois quantificou o quanto as populações eram divergentes. Quanto maior o valor observado para essa medida, menos similares foram as populações em análise. A obtenção dos dados foi feita através de simulação utilizando o programa computacional Genes (CRUZ, 2006). As redes neurais artificiais apresentaram uma taxa de indivíduos rejeitados por serem considerados ambíguos quanto às suas características discriminatórias. No entanto, mostraram-se uma técnica promissora no que diz respeito a problemas de classificação, uma vez que apresentaram um número de classificações erradas de indivíduos menor que aqueles dados pelas funções discriminantes.Item Metodologias alternativas aos gráficos de controle na caracterização de processos univariados(Universidade Federal de Viçosa, 2008-11-07) Gonçalves, Thiago da Costa; Silva, Carlos Henrique Osório; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4785396A6; Silva, Fabyano Fonseca e; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4766260Z2; Ribeiro Junior, José Ivo; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723282Y6; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4241556H4; Santos, Nerilson Terra; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4782537A2; Carneiro, Antônio Policarpo Souza; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4799449E8; Cecon, Paulo Roberto; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788114T5As empresas têm investido cada vez mais na qualidade, no sentido de buscar maior sobrevivência no mercado, ganhar mais clientes satisfeitos e aumentar a produtividade e a lucratividade. Para buscá-la com mais êxito com auxilio do controle estatístico, faz-se uso dos gráficos de controle que monitoram o processo e sinalizam se há necessidade de corrigi-lo, de maneira que o produto final possa estar dentro dos padrões exigidos pelos consumidores. Na entanto, metodologias alternativas aos gráficos de controle, também podem ser utilizadas para classificar ou discriminar se o processo está ou não sob controle. Neste trabalho foram aplicadas as seguinte: análise discriminante, regressão logística e redes neurais artificiais. Para aplicar cada um dos métodos propostos utilizaram-se dados simulados, onde as medidas de comparação entre eles foram baseadas nas incidências dos alarmes falsos e verdadeiros sobre a classificação desses valores em dentro ou fora de controle estatístico. Foram simulados valores normais e independentemente distribuído sob controle estatístico. Posteriormente, foram impostas variações para que ao final do conjunto de dados saíssem de controle ou que apresentassem autocorrelações. As redes neurais artificiais e regressão logística se mostraram capazes de substituírem os melhores tipos de gráficos de controle, em sinalizarem pontos fora de controle situados ao meio ou ao final do conjunto de dados, sob diferentes distâncias da média de controle e distribuído de forma independente ou não.