Tese em PDF - departamento de engenharia florestal ...
Tese em PDF - departamento de engenharia florestal ...
Tese em PDF - departamento de engenharia florestal ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
1<br />
7. Multiplicar a função por , a fim <strong>de</strong> se obter a função probabilística.<br />
k<br />
Pela forma como foi concebida, conforme it<strong>em</strong> 7 anterior, essa função é s<strong>em</strong>pre<br />
probabilística, respeitando as pr<strong>em</strong>issas <strong>de</strong> FDPs.<br />
3.9 FUNÇÕES SPLINE<br />
É importante salientar que as funções Spline não foram originalmente concebidas para<br />
ser<strong>em</strong> probabilísticas, <strong>de</strong>ssa forma, serão apresentados os processos <strong>de</strong> transformação <strong>em</strong><br />
FDP. A função Spline é <strong>de</strong>finida conforme equação 46.<br />
sk(x) = ak(x – xk) 3 + bk(x – xk) 2 + ck(x– xk) + dk, k = 1, 2, ..., n. EQ. 46<br />
Calcula-se a constante L, resultado da integral da Função Spline no seu domínio e<br />
multiplica-se seu inverso pela função ajustada. Com isso obtém-se a FDP a partir da Spline<br />
Cúbica.<br />
A média é obtida integrando-se o produto da FDP por x no seu intervalo. A diferença<br />
entre a integral do produto entre a FDP e x², e a média, representa a variância.<br />
3.10 MODELO MULTIMODAL PROPOSTO<br />
O mo<strong>de</strong>lo multimodal proposto foi ajustado por meio <strong>de</strong> regressão não linear, segundo<br />
o procedimento <strong>de</strong> Marquardt, pelo método <strong>de</strong> mínimos quadrados, com múltiplas iterações,<br />
<strong>de</strong> acordo com Marquardt (1963). Esse método é realizado computacionalmente por meio do<br />
software Table curve 2d.<br />
A maioria dos algoritmos para estimar parâmetros não lineares pelo método <strong>de</strong><br />
mínimos quadrados centraram-se sobre qualquer uma <strong>de</strong> duas aproximações. Por um lado, o<br />
mo<strong>de</strong>lo po<strong>de</strong> ser expandido como uma série <strong>de</strong> Taylor e as correções dos parâmetros<br />
calculadas a cada iteração na suposição <strong>de</strong> linearida<strong>de</strong>s locais. Por outro lado, várias<br />
modificações do método gradiente estão sendo usadas. O método <strong>de</strong> Marquardt utiliza o<br />
método <strong>de</strong> máxima verossimilhança, que executa uma ótima interpolação entre o método da<br />
série <strong>de</strong> Taylor e o método gradiente. A interpolação é baseada <strong>em</strong> máxima verossimilhança,<br />
na qual a série <strong>de</strong> Taylor truncada fornece uma representação a<strong>de</strong>quada <strong>de</strong> um mo<strong>de</strong>lo não-<br />
linear (MARQUARDT, 1963).<br />
Seja E( y)<br />
= f ( x1,<br />
x2<br />
, , xm<br />
; β 1,<br />
β 2 , Lβ<br />
k ) = f ( x,<br />
β )<br />
<strong>em</strong> que x , x2,<br />
, xm<br />
L o mo<strong>de</strong>lo a ser ajustado aos dados,<br />
β β Lβ<br />
1 L são as variáveis in<strong>de</strong>pen<strong>de</strong>ntes, , 2,<br />
k<br />
1 são os k parâmetros e E ( y)<br />
o valor esperado da variável y. Denotando-se os pontos amostrados como<br />
41