Escolar Documentos
Profissional Documentos
Cultura Documentos
Esclarecimentos
O presente relatrio foi originalmente escrito ao nal do estgio supervisionado realizado na Capsule tudes Avances, atravs do programa de estgio da Aix-Marseille
Bruno B. Anunciao
So CristvoSE
ii
So CristvoSE
2016
iii
BANCA EXAMINADORA
So CristvoSE
2016
iv
Agradecimentos
Agradeo aos meus pais, Antonio e Ana Lcia, meus irmos, Felipe e Caio, meus
familiares pelo carinho e que, como meus amigos, me apoiaram integralmente durante
toda minha jornada em Marseille. Agredeo tambm a Rafaela pelo amor e suas palavras
que muito me incentivaram na reformulao deste trabalho.
Je souhaite remercier a le Societ Capsule tudes Avances de m'avoir accept en
En particulier, M. Benjamin
Chouvion qui, comme tuteur industriel, a eu beaucoup de patience avec mes dicults
rencontres avec la langue franaise. En outre, il a mnag aucun eort pour m'aider lors
de l'elaboration du projet, le partage de ses connaissances mathmatiques et les conseils
donns au cours des mois de travail. Je tiens galment remercier M. Damien Leblond
pour les moments de conversation et ses conseils.
Je souhaite remercier le Dpartement de Microlectronique et des Tlcommunications
de l'Universit Polytech Marseille pour m'accepter comme tudiant d'echange. Surtout,
M. Pierre Sabouroux qui tait toujours prt m'aider dans les matires acadmiques et
en ce qui concerne le stage. Aussi, je veux remercier Mme. Litman qui, comme tuteur
universiaire, a lucid mes doutes lorsque ncessaire.
Agradeo tambm Prof . MSc. Rassa Bezerra Rocha por ter aceitado ser minha
orientadora pedaggica neste trabalho.
Finalmente, registro meus agradecimentos Coordenao de Aperfeioamento de Pessoal de Nvel Superior (CAPES) pelo auxlio nanceiro, o qual viabilizou meus estudos
durante um ano no Departamento de Microeletrnica e Telecomunicaes da Universidade
Politech Marseille, atravs do programa Brasil France Ingnieurs Technologie (BRAFITEC).
vi
Resumo
Este relatrio tcnico uma compilao de um trabalho realizado na empresa CAPSULE tudes Avances, onde foi desenvolvida de uma ferramenta da estimativa de dados,
para auxiliar no dimensionamento de bicicletas de alta performance da marca FRAMED
lanada em 2011 pela prpria empresa. Este documento contm as motivaes para criao desta ferramenta de estimativa de dados, a explanao do contexto matemtico
utilizado no desenvolvimento do projeto, alguns conceitos sobre bicicletas e a descrio
detalhada do mtodo linear de regresso utilizado na criao da ferramenta.
O trabalho baseado em clculos matemticos que tm como objetivo projetar bicicletas atravs de mtodos estatsticos e vend-las online, projetando as melhores bicicletas
para cada cliente, dependendo das suas necessidades, preferncias e caractersticas fsicas.
Ciclistas devem responder a um formulrio online, no qual eles so perguntados algumas medidas do corpo e suas preferncias como ciclistas. Estes dados passam por uma
anlise estatstica e o software sugere uma bicicleta de alta performance personalizada.
Um mnimo de perguntas obrigatrias foi denido e, em sequncia, todo o resto dos dados
pode ser calculado por um sistema linear, construdo atravs de regresso linear.
Aps serem feitas as anlises estatsticas e calculados os dados do dimensionamento
das bicicletas, tais dados so interpretados por um cdigo em PHP e os seus designs so
visualizados online em uma imagem de formato SVG.
Palavras-chave:
vii
Abstract
in 2011. This document has the motivations for the creation of that data estimation tool,
mathematical background, used on the development, some theory about bicycles and the
detailed description of the linear regression method used on the creation of this tool.
This project is based on a calculation tool that aims to design bicycles with statistical
methods and sell them on-line, designing the best bike for each customer, depending on
his/her needs, preferences and physical characteristics.
Riders should answer an on-line form, in which they are asked to take measurements
of their body and say their cycling preferences.
treatment and the software suggests a custom high performance bicycle. A minimum of
obligatory questions were dened and, thereafter, all the rest of data can be calculated
through a linear system, built by linear regressions.
After the statistical treatment and calculating all design dimension, the data are interpreted by a PHP code and the design can be visualized in the browser as a SVG image.
Keywords:
Sumrio
Agradecimentos
Resumo
vi
Abstract
vii
Glossrio
Lista de Figuras
xii
Lista de Tabelas
xiii
1 Introduo
1.1
Contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Sobre a Capsule-EA
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Plano de Trabalho
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Reviso da Literatura
2.1
2.2
Estimadores No Enviesados . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1
. . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.2.1
Coeciente de Correlao . . . . . . . . . . . . . . . . . . . . . . . .
11
2.2.2
Coeciente de Determinao:
. . . . . . . . . . . . . . . . . . .
13
2.2.3
14
2.2.4
. . . . . . . . . . . . . . .
15
2.2.5
15
viii
R2
2.2.6
2.3
2.4
. . . .
16
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.3.1
Road . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.3.2
Cross-country (XC) . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.3.3
All Mountain
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
20
Anatomia de Bicicleta
3 Descrio do Algoritmo
22
3.1
3.2
. . . . . . . . . . . . . . . . . . .
23
. . . . . . . .
25
Etapas do Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . .
26
4 Aplicaes e Resultados
29
4.1
32
4.2
Dimenses da Bicicleta . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
37
Referncias Bibliogrcas
40
A Concepo Online
41
43
SUMRIO
Glossrio
Esperana
MAE
MAPA
MSE
MANGE
erro estimado
b()
vis do estimador
()
valores observados de
valores estimados de
coeciente de correlao
R2
coeciente de determinao
RMSE
SS
sum of squares
SSE
SSR
SST
SSXX
SSY Y
SSXY
SVG
xi
SUMRIO
w(n)
x(n)
dados observados
xi
mdia de
XC
Cross-country
yi
mdia de
yi
valores estimados de Y
WGN
xi
yi
xii
LISTA DE FIGURAS
Lista de Figuras
1.1
. . . . . . . . . . . . . . . . . . . . . . . . .
1.2
2.1
2.2
2.3
plot ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.4
18
2.5
19
2.6
. . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
3.1
Fluxograma do sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
4.1
33
A.1
. . . . . . . . . . . . . . . . . . . . .
41
A.2
42
B.1
43
xiii
LISTA DE TABELAS
Lista de Tabelas
2.1
Valores convencionais de r
. . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1
. . . . . . . . . . . . . . . . . .
30
4.2
31
4.3
32
4.4
4.5
34
4.6
13
. . . . . . . . . . . . . . . . . . . . . . .
35
. . . . . . . . . . . . . . . . . . . . . . .
36
CAPTULO 1.
INTRODUO
Captulo 1
Introduo
1.1
Contexto
(Figura
considerando mais de 70 parmetros para desenvolver geometrias de quadros de bicicletas e testar alguns comportamentos fsicos como conforto, manuseio, transmisso de
fora, acelerao, aerodinmica e peso (CHOUVION, 2013).
Para fazer quadros sob medida, o primeiro passo foi mensurar as dimenses do corpo
de diversos ciclistas, para modelar matematicamente o corpo humano e os quadros de
bicicletas. Basicamente, so utilizados mtodos estatsticos complexos para pr-estimar
caractersticas dos ciclistas e das bicicletas (BARRETTO; CHOUVION, 2013). Os mtodos estatsticos ajudam a projetar bicicletas de alta performance personalizadas, fazendo
com que os ciclistas sintam maior conforto, tornando o ciclismo no s prazeroso durante
CAPTULO 1.
INTRODUO
1.2
Sobre a Capsule-EA
Capsule tudes Avances uma jovem e inovadora empresa criada em Janeiro de 2010
pela Sr . Clmence Carpentier e pelo Sr. Julien Bouchez. A empresa oferece servios em
diferentes reas da engenharia, voltados para inovao.
Capsule-EA rene um conjunto de habilidades como projetos, eletrnica, projetos mecnicos, matemticas, anlise de dados e conhecimentos esportivos. A companhia d suporte
a seus clientes durante o desenvolvimento de seus projetos: desde de a denio das etapas
do projeto at o lanamento do produto no mercado.
A empresa tornou-se expert na rea de artigos esportivos e, particularmente, em design
de biciletas. De fato, Capsule colabora com os lderes da indstria de quadros e pedais.
Desde 2011, eles desenvolvem uma ferramenta de clculo, permitindo o dimensionamento e projeto preciso de bicicletas para satisfazer os objetivos tais como peso, aerodinmica, rigidez, conforto e preo. A inovao que a Capsule espera atingir na realizao
do projeto a adaptao bem adequada dos parmetros, a m de responder exatamente
s expectativas dos seus clientes. A Capsule combina suas experincias com uma cultura
de otimizao para promover valor aos seus produtos, garantindo conabilidade devido s
aplicaes de testes cientcos usados no quotidiano da empresa no ambiente industrial.
Aps alguns anos projetando quadros e prottipos para os fabricantes de bicicletas
de ponta, o time Capsule decidiu compartilhar seus conhecimentos e experincias com o
CAPTULO 1.
INTRODUO
Esse
1.3
Plano de Trabalho
algoritmo teve que otimizar os parmetros de projeto para sintonizar os resultados dos
clculos que foram feitos anteriormente. A maior diculdade do problema era a existncia
de um grande nmero de parmetros de entrada e a otimizo do aspecto multicritrio;
para isso, foi essencial o uso de mtodos estatsticos para estimar tais parmetros, a partir
de um conjunto de dados simples, que pudesse ser fcil de responder em um formulrio
online. O objetivo era criar uma caixa preta que, a partir de uma base de dados e variveis
de valores conhecidos, fosse capaz de fornecer sadas conforme a Figura 1.2.
Base de
Dados
Variveis
Conhecidas
Previso
Modelo de
regresso linear
para cada varivel
Essa caixa preta uma ferramenta matemtica que pode ser utilizada para medidas ou
valores de qualquer natureza de variveis, estocados em uma base de dados. As medidas
simples so denidas como variveis conhecidas. A sada da funo fornece o modelo de
regresso, ou estimativa do modelo, para cada uma das variveis no conhecidas.
Para este projeto, foi necessrio modelar as medidas do corpo humano importantes
CAPTULO 1.
INTRODUO
regresso linear; a regresso foi feita em duas etapas: incialmente foi construdo o modelo
da morfologia do corpo humano; depois o modelo das dimenses de bicicletas utilizando
o modelo da morfologia do corpo como parmetros conhecidos.
A regresso linear foi utilizada porque era relativamente simples codic-la dentro do
tempo disponvel. Outros mtodos possveis so sugeridos ao nal desse relatrio.
CAPTULO 2.
REVISO DA LITERATURA
Captulo 2
Reviso da Literatura
A modelagem uma forma de representao do mundo real, frequentemente feita
em termos matemticos, do que pode ser traduzido em esquemas de forma a facilitar a
explicao de um comportamento ou um evento. O nvel de complexidade dos modelos
depende do nvel de preciso e necessidade do estudo feito.
A modelagem matemtica
lida com o processo de criao de um modelo que deve ser ento aplicado na soluo de
problemas matemticos (DOOSTI; ASTIANI, 2010). Este processo pode ser representado
no uxograma ilustrado na Figura 2.1.
problema, para estimar dados que no foram observados durante o experimento e/ou no
puderam ser conhecidos. As observaes experimentais, quando inseriras em um contexto
CAPTULO 2.
REVISO DA LITERATURA
cientco, devem, como objetivo fundamental, explicar a relao entre diferentes variveis
que formam parte de um problema. O ato de observar e estocar dados experimentais no
compe um processo cientco. Para ser considerado um processo cientco, necessrio estabelecer relaes, propor explicaes, criar e testar teorias (SCHWAAB; PINTO,
2007).
Para desenvolver um modelo de regresso, seus coecientes deve ser denidos, por
exemplo:
an C,
tais como
n N,
(2.1)
2.1
Estimadores No Enviesados
Estimadores de parmetros desconhecidos tm o objetivo de produzirem valores prximos aos valores verdadeiros, com o menor erro possvel. Matematicamente, um estimador
no enviesado (imparcial, justo, no viciado, no tendencioso ou unbiased ) se
= ,
E()
tal que
a<<b
(2.2)
em que:
E()
a esperana do valor de
(a, b)
;
;
.
CAPTULO 2.
REVISO DA LITERATURA
n = 0, 1, ..., N 1
x(n) = A + w(n)
w(n)
x(n)
< A < .
N 1
1 X
A =
x(n)
N n=0
(2.3)
= E[ 1
E(A)
N
=
1
N
1
N
N
1
X
x(n)]
n=0
N
1
X
E(x(n))
n=0
N
1
X
n=0
= A
Sendo
= g(x),
em que
no enviesado.
=
E()
Z
g(x)p(x; )dx =
A =
1
2N
PN 1
n=0
x(n)
(2.4)
CAPTULO 2.
REVISO DA LITERATURA
Ento,
= 1A
E(A)
2
em que
=A
se
A=0
6= A
se
A 6= 0
um estimador enviesado.
{1 , 2 , ..., n }.
1X
=
i
n i=1
(2.5)
= b(),
= E()
,
ento
X
= 1
E()
i
n i=1
A Figura 2.2 mostra que se o estimador enviesado,
dadeiro valor como denido anteriormente por
Vis do estimador
(2.6)
no
b().
= b().
= E()
CAPTULO 2.
REVISO DA LITERATURA
^
p()
^
p()
n incrementos
^
^
p()
n incrementos
^
E()
^
E()
Existem algumas observaes que devem ser feitas durante o processo de estimao
de parmetros, para que seja possvel haver resultados mais conveis em um estudo de
modelo de regresso:
(a) Modelo de referncia: o incio para o pesquisador, onde ele deve fazer as anlises
das observaes experimentais. Os dados devem ajustar-se ao modelo e explicaes
devem ser feitas a partir dele;
(c) Como o modelo deve ser to prximo quanto possvel dos dados experimentais, a
qualidade da estimativa deve ser mensurada, ou seja, o quo prximos so os dados
estimados dos dados observados. Alguns modelos podem ser testados, mas o melhor
deve no somente prever dados prximos aos dados medidos, como tambm o mais
prximo possvel;
(d) Erros durante as medies (incertezas) devem ser respeitados e muito importante
saber que estes erros inuenciam durante o processo de estimativa de parmetros. Tais
CAPTULO 2.
10
REVISO DA LITERATURA
erros daro o grau de incerteza do modelo, como tambm das sadas (estimativas) do
sistema.
Estimando os parmetros
erro =
encontrar o erro mais prximo possvel de zero. Na prxima seo ser descrito o modelo
de regresso linear, o modelo usado no projeto deste relatrio.
2.2
Em outras palavras,
assumido que exista uma funo matemtica que justique grande parte da disperso de
uma varivel em funo de outra. Os dados experimentais utuam em torno da curva que
representa a funo, devido existncia de uma variao adicional aleatria, chamada
variao residual.
Obviamente, tudo mais simples se a curva de regresso linear for conhecida.
problema ca ento reduzido estimao de parmetros. Este caso ocorre quando existem
razes tericas que permitem saber, antecipadamente, a qual modelo o comportamento
das variveis se adapta. Um exemplo pode ser a relao
CAPTULO 2.
11
REVISO DA LITERATURA
Regresso linear uma tcnica estatstica que correlaciona a variao de uma (ou
mais) varivel(eis) independente(s) com uma varivel dependente. Por exemplo, a relao
entre o nmero de carros em uma cidade ao poder econmico da sociedade daquela cidade
e o nmero de adultos da mesma cidade.
Antes de ajustar o modelo linear aos dados observados, importante determinar
quando existe, ou no, uma relao entre a variao dos dados no caso analisado. Ainda
utilizando o exemplo citado anteriormente, quo fortemente o nmero de carros est relacionado ao poder econmico, ou ao nmero de adultos? Mas se o pesquisador decidir
estudar outras variveis, como nmero de pes produzidos por dia, como eles estariam
relacionados ao nmero de carros? Para isto, alguns coecientes so usados para medir a
fora e a direo da relao entre as variveis (o grau com que uma varivel tende a variar
quando a outra varia) e a signicncia (ndice da conabilidade de um resultado).
Um modelo de regresso linear pode ser descrito como na Equao (2.1), porm com
todos os expoentes iguais a 1", como na Equao (2.7); sendo um modelo de multipla
regresso linear em que
xn
an
so os pesos
y.
(2.7)
r.
[1, +1].
Uma maneira de
observar a correlao entre as variveis fazendo a anlise visual da disposio dos pontos
no grco, para detectar a relao entre dois conjuntos de dados. Este procedimento
chamado de espalhamento, tambm conhecido como scatter plot, representado na Figura
2.3.
H diferentes tipos de coecientes de correlao, por exemplo, o coeciente de correlao Spearman, ou o coeciente de correlao de Pearson. O primeiro uma medida no
paramtrica de uma dependncia estatstica entre duas variveis. O segundo uma medida de dependncia linear. Eles diferem entre si pelo fato de o coeciente de Spearman
no precisar assumir que as variveis so linearmente relacionadas, enquanto que para
CAPTULO 2.
REVISO DA LITERATURA
12
plot )
SSXX =
(xi x)2
(2.8)
SSY Y =
(yi y)2
(2.9)
SSXY =
Em que
e
y so
xi
yi
X
(xi x)(yi y)
(2.10)
suas mdias.
CAPTULO 2.
REVISO DA LITERATURA
13
SSXY
r=p
(SSXX )(SSY Y )
(2.11)
correlao moderada
correlao forte
0 R2 1.
Analogamente a
quando
R2 = 1,
r,
quando
R2 = 0,
Estimativa de
y = x. +
(2.12)
y = x.
(2.13)
= y y
(2.14)
y:
Estimativa de erro:
1X
y=
yi
n i=1
(2.15)
CAPTULO 2.
14
REVISO DA LITERATURA
SST =
n
X
(yi y)2
(2.16)
i=1
SSR =
n
X
(
yi y)2
(2.17)
(yi yi )2
(2.18)
i=1
SSE =
n
X
i=1
em que
o nmero de observaes.
Dene-se, ento, o
R2
como:
R2 =
SSR
SST
(2.19)
N
N
1 X
1 X
M AE =
|t t | =
|et |
N t=1
N t=1
Em que
(2.20)
CAPTULO 2.
15
REVISO DA LITERATURA
so quadrados antes de calculadas as mdias, a RMSE d um peso relativamente elevado a grandes erros.
particularmente indesejados.
v
u
N
u1 X
t
|t t |2
RM SE =
N t=1
(2.21)
Uma vez que a diviso por N e a raiz quadrada normaliza o erro quadrado total,
segue-se que o erro mdio quadrado (MSE: mean squared error ) e a RMSE vo aumentar
(juntamente com o erro quadrado total) como a varincia associada com a distribuio de
frequncia dos aumentos das magnitudes dos erros (WILLMOTT; MATSUURA, 2005).
O MAE e a RMSE podem ser utilizados juntos para diagnosticar a variao dos erros
em um conjuntos de previses. A RMSE ser sempre maior ou igual ao MAE; a maior
diferena entre estes parmetros que quanto maior for a diferena entre eles, maior ser
a varincia nos erros individuais da amostra. Se RMSE for igual ao MAE, ento todos os
erros possuem a mesma magnitude.
Ambos, MAE e RMSE, podem variar de
[0, [.
N
1 X t t
M AP A =
|
|
N t=1
t
(2.22)
Medidas baseadas em erros percentuais tm a desvantagem de serem innitas ou indenidas se existirem valores nulos na srie, como frequente em dados intermitentes. Alm
CAPTULO 2.
REVISO DA LITERATURA
16
disso, erros percentuais podem haver uma distribuio extrema em vieses, quando valores
reais so prximos a zero. Com demanda de dados intermitente, impossvel utilizar o
MAPA devido s ocorrncias de de zeros peridicos (HYNDMAN, 2006).
N
1 X |t t |
100%
M AN GE =
N t=1
t
2.3
(2.23)
Anatomia de Bicicleta
A bicicleta original era nada mais que duas rodas de madeira conectadas a um pedal
de madeira. Atravs do tempo, engenheiros e ciclistas, com destacadas necessidades, foram capazes de criar bicicletas mais sosticadas, com mecanismos de direo, sistemas
de trao, freios e pneus inveis. Estas inovaes permitiram que as bicicletas se tornassem veculos rpidos, que podem se mover em lugares onde frequentemente carros no
conseguem e ainda exigem pouco esforo do ciclista.
Apesar de as bicicletas serem, essencialmente, mquinas simples, muitas pesquisas e
desenvolvimento esto presentes nas suas estruturas de design e seus acessrios, os quais
melhorias contriburam para o aumento de performance, conforto e segurana aos ciclistas
(LINHARES, 2006). Para alcanar um grande nmero de usurios, os produtores vendem
bicicletas voltadas a diferentes estilos e preferncias dos usurios. Existem alguns tipos
de bicicletas no mercado, dentre os quais foram escolhidos trs estilos principais para o
Projeto FRAMED
CAPTULO 2.
17
REVISO DA LITERATURA
2.3.1 Road
Originalmente indicadas para corridas, so bicicletas desenhadas para pedalar em uma
superfcie pavimentada, aonde os pneus no perdem o contato com o solo; elas tambm
so muito populares em pedaladas casuais e exerccios em terrenos suaves. Elas so leves
no peso tipicamente menos de 11 kg , geralmente circulam em pneus de alta presso
estreitos e possuem guido drop.
so, essencialmente, bicicletas tipo track racing, feitas para serem utilizadas no asfalto,
adicionando freios dianteiros. Mais prtica a single-speed que utiliza pelo menos uma
roda livre, embora sem engrenagens multi-velocidades e possui frios em ambas as rodas
dianteira e traseira.
modo ou de outro: elas possuem dois freios e roda traseira reversvel, com uma roda livre
em um lado e uma roda dentada xa na outra (PLAS; BAIRD, 2010).
Alm
disso, a maioria das mountain bikes possuem suspenso tanto na roda dianteira, como
na traseira. (PLAS; BAIRD, 2010). All mountain so mais robustas que cross-country
e possuem componentes mais resistentes que as bicicletas do modelo XC, enquanto que
promovem o peso total adequado para subir e descer em tipos de terrenos variveis. a
CAPTULO 2.
18
REVISO DA LITERATURA
Ento, o
ser OK no quesito durabilidade, ou quanto menos confortvel para manter o preo baixo? (PLAS; BAIRD, 2010, p. 75)
Todas estas so perguntas que todos os fabricantes deve fazer a si prprios para saber
CAPTULO 2.
REVISO DA LITERATURA
19
merece uma ateno especial. Ele pode ser subdividido como mostra a Figura 2.5.
(b) Recuo do selim esttico: a distncia horizontal da ponta dianteira da sela at o centro
do eixo dos pedais, quando o ciclista est sobre a bicicleta. O ajuste errado da posio
do selim, pode gerar problemas fsicos: o selim muito baixo pode causar problemas
nos joelhos e coxas. Inexo dos joelhos aumentam e os quadrceps cam sujeitos a
uma carga maior. Se o selim posicionado muito alto, ele pode pode causar problemas
na musculatura das ndegas e na musculatura posterior da coxa (jarrete);
(d) Pedal ao selim: a distncia do centro do eixo dos pedais ao centro horizontal do perl
do selim;
CAPTULO 2.
REVISO DA LITERATURA
20
(e) Pedal ao recuo do selim esttico: distncia entre o pedal e o recuo do selim, quando
o ciclista est sobre a bicicleta;
(f ) Manopla livre: distncia vertical entre a ponta dianteira do selim e o centro da manopla grip quando o ciclista no est sobre a bicicleta;
(g) Manopla esttica: distncia vertical entre a ponta dianteira do selim e o centro da
manopla grip quando o ciclista est sobre a bicicleta.
B so apresentadas
2.4
relacionavam com esta unidade. Alguns sculos depois, ainda no Egito, um novo modelo
foi proposto; o comprimento do dedo do mdio foi utilizado. Neste caso, a altura do corpo
era igual a 19 unidades. Algum tempo depois, na Grcia Antiga, Polyclitus, um escultor
ativo entre os anos 460 a.C. e 410 a.C., introduziu como modelo da largura do palmo,
com base dos dedos.
Na Grcia Antiga, as dimenses do corpo humano foram utilizadas como referncia
em grandes construes. Leonardo da Vinci, durante a Renascena (viveu entre 1452 e
1519 d. C.), fez o desenho da gura humana. Ele utilizou as linhas horizontais tangentes
ao topo da cabea e a sola do p e linhas verticais nas pontas dos dedos que formaram o
Homem Vitruviano, baseados nos papeis do arquiteto romano Vitrvius, por volta do ano
15 d.C., que escreveu um tratado sobre seus estudos das propores do corpo humano. Ao
matemtico belga, Quelet, so dados os crditos de criar e disseminar o termo antropometria, aps sua publicao intitulada deAntropometri, de 1870. Do nal do sculo XIX
ao incio do sculo XX, estes estudos tornaram-se utilizados no domnio cientco, quando
eram usados esqueletos de fsseis e pesquisas mdicas, para tentar encontrar diferenas
CAPTULO 2.
21
REVISO DA LITERATURA
fsicas entre indivduos e grupos tnicos, para utilizar esta informao em arquitetura,
urbanismo, design industrial, comunicao visual e projetos de engenharia, objetivando o
melhor ajuste dos produtos do mercado aos seus respectivos usurios em geral (PEQUINI,
2005).
Muitos estudos diferentes sobre distribuio de massa e propores relativas foram
feitos. Apesar das diferenas individuais, existem caractersticas que so comuns a todos os
seres humanos considerados normais: os membros inferiores so mais longos e mais pesados
que os membros superiores, brao maior que o antebrao e outras relaes.
Modelos
2.6.
H = total height
foot width
feet length
CAPTULO 3.
22
DESCRIO DO ALGORITMO
Captulo 3
Descrio do Algoritmo
Uma funo de regresso linear genrica foi implementada utilizando Matlab
que
pode estimar um sistema de equaes a partir de uma base de dados, esperando que
haja a mxima reduo de erros. O objetivo da funo desenvolvida obter o modelo de
regresso de vrias variveis. Esse modelo cria um sistema funes/equaes de previses
utilizando uma base de dados importada para o cdigo. A ordem das funes de regresso
dentro do modelo de regresso importante, pois ela inuencia as variveis disponveis
a cada iterao da funo de regresso. O sistema criado tambm estima intervalos de
erros e detecta discrepncias (outliers ) para cada funo de regresso.
As caractersticas gerais desta funo pode ser descritas como segue:
b) Para uma dada base de dados, alguns dos dados so impostos como variveis conhecidas
e para as outras variveis, o programa busca o melhor modelo de regresso linear
possvel;
CAPTULO 3.
23
DESCRIO DO ALGORITMO
i, a, b,
e a varivel
3.1
Para encontrar a melhor sequncia de equaes, o programa investiga tanto a possibilidade em que
a primeira varivel e
a,
a').
b'),
como
sendo
2
funes de regresso seguintes e estoca os seus coecientes de determinao R .
a = F (i)
b = F (i, a)
denida como funo que cria uma simples, ou vrias, funes de regresso com
denida
como a funo que cria uma funo de regresso linear simples entre suas entradas
(x1 ,
x2 , . . . , xn )
e sua sada
tal como:
y = G(x1 , x2 , . . . , xn ) = 1 x1 + 2 x2 + + n xn + cst
em que os
so os coecientes da regresso e
cst
um termo constante,
pode
CAPTULO 3.
24
DESCRIO DO ALGORITMO
a = F (i) = G(i)
b = F (i, a)
2
R
= 0, 7
b = G(i)
2
R
= 0, 7,
b = G(a)
2
R
= 0, 6,
b = G(i, a)
Os valores de
2
R
R2
= 0, 65.
2
determinao (R ), o que possibilita calcular qual sequncia de variveis possui
maior interesse ao sistema de regresso.
b = F (i) = G(i)
a = F (i, b)
2
R
= 0, 7
decomposto em:
a = G(i)
2
R
= 0, 7,
a = G(b)
2
R
= 0, 6,
a = G(i, b)
2
R
= 0, 85.
2
Em cada teste, o mximo R de cada combinao estocado (o
prximo for de
1).
possibilidades em que
b = F (i, a),
b'),
R2
R2 ,
no vetor
R2
(0, 7; 0, 7). Ao ter sido feita a mesma anlise para a Sequncia (`b,
para as possibilidades em que
a = G(i, b),
a = F (i, b),
R2
b = G(i),
da sequncia (`a,
a'),
b'):
encontrou-se que
da sequncia (`b,
O software
CAPTULO 3.
25
DESCRIO DO ALGORITMO
importante lembrar que, assim como a correlao no implica em causalidade, tampouco, um alto ndice
R2
3.2
Uma vez que a melhor sequncia foi encontrada, os dados sero reinterpolados, testando apenas como entradas, as variveis que esto disponveis, utilizando o mtodo de
avaliao estatstica Mdia Absoluta Normalizada de Erros Grosseiros (MANGE, apresentado no subitem 2.2.6. Este coeciente quantica o desvio mdio absoluto dos resduos
e indica a discrepncia absoluta mdia entre os pares estimados e observados.
Utilizando o mesmo exemplo anterior, em que foi encontrado que a melhor sequncia
`b,a', o algoritmo ir ento calcular por vez:
b = F (i) = G(i)
a = F (i, b)
MANGE
= 0, 2
a = G(i)
MANGE
= 0, 2,
a = G(b)
MANGE
= 0, 4,
a = G(i, b)
MANGE
= 0, 1.
(ele um estimador de
2
2
melhor ordem que os coecientes R . Os coecientes de MANGE e R foram utilizados
em diferentes situaes porque, como dito na subseo 2.2.2,
R2
mede a proporo da
variao da varivel de resposta que explicada pelo modelo. Ele busca por uma regresso
em que os dados se ajustam ao modelo. E, como dito na subseo 2.2.6, MANGE fornece
CAPTULO 3.
26
DESCRIO DO ALGORITMO
uma base til para comparao entre simulaes de modelo atravs de diferentes conjuntos
de simulaes de modelos ou eventos.
A partir dos clculos de MANGE, so ento escolhidas as melhores funes de regresso, as quais fazem estimativas de `a' e `b', em termos de
b = G(i)
a = G(i, b).
Este sistema de equaes, dada a sequncia previamente escolhida, so mais exatos que
qualquer outra possibilidade de sequncia e equaes.
A sada, o sistema de equaes, automaticamente estocada pelo programa feito
em Matlab
4) Buscar a melhor sequncia de equaes que ser posteriormente utilizada na regresso linear:
a) D rtulos para as variveis reais, que possam ser facilmente visualizadas por
letras: de a a z, ento de , A a Z;
CAPTULO 3.
27
DESCRIO DO ALGORITMO
Em um
primeiro grupo s existe uma entrada (todas as variveis conhecidas) e uma desconhecida. Prximo passo: a sada do lao anterior, serve como entrada juntamente
com as variveis conhecidas, at o lao em que haja apenas uma varivel de sada
com todas as outras como possveis entradas;
d) Como muitas combinaes so repetidas, os grupos do item anterior so
optimizados para reduzir a combinaes nicas. O nmero de testes obedecem lei
N 2
N 1
N (1 + C1N 1 + C2N 1 + ... + Ci1
+ Ci1
+ 1);
R2 .
R2
CAPTULO 3.
DESCRIO DO ALGORITMO
28
CAPTULO 4.
29
APLICAES E RESULTADOS
Captulo 4
Aplicaes e Resultados
Para testar a funo Previso, foi arbitrado o Sistema de equaes 4.1, em que considerada a varivel a como conhecida. Os valores das variveis
b, c, d, e foram calculados
b = 2a +
c = a - 3
4.1.
1.5
(4.1)
d = b + c
e = c + 13
O teste consistiu em utilizar a base de dados da Tabela
Previso consegue gerar o sistema conhecido (Sistema 4.1). Para haver mais consistncia
de anlise, foi inserido aos parmetros das equaes um valor aleatrio, o qual pode variar
o respectivo parmetro em um intervalo de 2%, como mostrado no Sistema
(4.2). Para
(4.2)
, foi criada em Matlab em que declarada com duas entradas (x, rangeV al):
CAPTULO 4.
30
APLICAES E RESULTADOS
val1
3.462
-1.969
1.548
11.264
val2
7.495
0.039
7.581
12.877
val3
11.42
1.965
13.324
15.019
val4
15.458
4.084
19.472
16.921
val5
19.209
5.832
25.213
18.636
val6
11
23.594
7.887
31.038
20.697
val7
13
27.292
9.823
37.359
22.549
val8
15
31.018
12.117
42.741
25.431
val9
17
35.037
13.981
49.222
27.200
val10
19
39.663
15.951
56.259
28.952
val11
21
43.156
18.267
60.993
31.193
val12
23
47.245
20.232
67.041
32.738
val13
25
51.144
22.404
73.230
35.776
val14
27
56.034
23.552
79.234
36.343
val15
29
58.726
26.145
85.121
39.019
val16
31
63.612
27.388
91.217
40.325
val17
33
67.617
29.926
96.307
43.513
val18
35
72.691
32.554
105.392
45.369
val19
37
74.671
34.375
109.884
47.207
val20
39
80.475
36.455
118.074
49.888
Buscando pela regresso linear de uma dada base de dados (Tabela 4.1), trs arquivos
retornam na sada do programa.
Frmulas:
= 2.0109*a + 1.234
= 1.5047*b + -3.8598
(4.3)
= 0.50057*b + -3.6985
= -0.1753*a + 0.030054*b + 1.118*c + 13.2443
CAPTULO 4.
31
APLICAES E RESULTADOS
4.1 e
4.3, vem:
b = 2a + 1.5
c = 1a + - 3
(4.4)
d = 3a -1.5
e =a + 10
= 2.0109*a + 1.234
= 3.026*a -2.002
(4.5)
= 1.006*a + -3.08
=1.10011*a + 9.816
(4.4) e
Erros:
id
Erro Absoluto
Erro Relativo(%)
2.04
1.22
2.96
1.37
1.49
3.41
1.08
0.818
O arquivo com outliers apresenta, para cada varivel, quais so as duas amostras que
mais inuencia na ocorrncia de erros. Os outliers detectados so apresentados na Tabela
4.3.
CAPTULO 4.
32
APLICAES E RESULTADOS
Id Erro Max
Id Erro Max-1
val19
val13
val17
val14
val14
val14
val12
val15
Aps o teste, o software desenvolvido pde ser aplicado nos casos de estudo Morpho
(modelando as dimenses do corpo humano) e Fitting (modelado as dimenses de bicicletas, como ser descrito a seguir.
4.1
O critrio usado para criar a base de dados das dimenses do corpo humano foi o
tradicional mtodo antropomtrico de medidas.
As
4.6.
CAPTULO 4.
33
APLICAES E RESULTADOS
(a)
(f)
(b)
(d)
(c)
(g)
(h)
(e)
(i)
Figura 4.1: Dimenses do corpo humano utilizadas no estudo: (a) altura do usurio, (b)
comprimento total do corpo, (c) altura entre pernas, (d) comprimento do brao ao tronco,
(e) comprimento antebrao parede, (f ) largura dos ombros, (g) comprimento dos ps,
(h) altura dos joelhos, (i) exibilidade.
dos ombros)
(4.6)
O modelo intuitivo, porm, no garante qualidade dos resultados, uma vez que no
CAPTULO 4.
34
APLICAES E RESULTADOS
elmente. Decidiu-se, portanto, modelar os principais parmetros do corpo humano necessrio para projetar bicicletas os 12 parmetros mencionados.
, o
primeiro passo foi decidir quais as variveis de entrada seriam impostas como conhecidas.
Como o usurio deve responder a um formulrio online, foi preciso escolher as variveis
mais fceis para que o usurio possa preencher o formulrio com seus dados, sem ter
dvidas dos valores.
necessria so: o gnero do ciclista, sua idade, sua altura e sua massa.
Essas quatro variveis so consideradas como possveis entradas para todos as funes
de regresso.
dos dois modelos, levando em considerao as variveis morfolgicas, uma vez que no foi
criado outro modelo intuitivo para as variveis das dimenses de bicicletas.
Tabela 4.4: Estimativa de erro das dimenses morfolgicas: comparao entre funes
intuitivas e as obtidas pelo algoritmo otimizado.
-
Varivel
Intuitivo
Otimizado
Intuitivo
Otimizado
comprimento do corpo
73
69
0.9
0.76
48
51
1.8
1.8
comprimento do brao
92
65
3.1
2.1
140
110
2.5
2.0
106
60
3.8
3.1
comprimento do antebrao
55
38
2.9
2.0
comprimento dos ps
60
50
3.8
2.5
CAPTULO 4.
4.2
35
APLICAES E RESULTADOS
Dimenses da Bicicleta
cross-country
e all mountain. Foram criadas ento, trs bases de dados diferentes, uma
para cada estilo de bicicleta. Estas bases de dados foram importadas para a funo Previso, utilizando os valores morfolgicos dos ciclistas e valores das dimenses de bicicletas
de cada estilo de bicicleta, na respectiva base de dados.
Como j existe um sistema de equaes, gerado a partir da regresso das variveis
morfolgicas, estas so impostas como variveis conhecidas na regresso das variveis
referentes s dimenses da bicicleta. Foi feita uma regresso para cada modalidade de bicicleta, gerando assim trs sistemas de equaes distintos, utilizando a mesma metodologia
apresentada nos captulos anteriores. Ainda na subseo
2.5.
As Tabelas 4.5 e 4.6, mostram os erros absolutos e relativos para os trs estilos de
bicicletas de interesse, considerando as 07 variveis geomtricas do quadro de bicicleta.
Tabela 4.5: Erros absolutos das estimativas das dimenses de bicicletas: resultados dos
estilos XC, All Mountain e Road.
-
Varivel
XC
All Mountain
Road
guido
0.00307
62
25
0.00474
1.19
0.0014
0.00264
24.6
0.0014
0.00192
5.68e-14
0.0541
pedal ao selim
0.0136
0.00691
0.000505
manopla livre
0.000655
12.4
1.35
manopla esttica
0.00181
0.00876
1.35
Uma das vantagens deste mtodo que o modelo torna-se mais exato toda vez que um
novo usurio registra suas medidas morfolgicas, pois o sistema aumenta o tamanho da
base de dados de entrada e ento, as regresses tornam-se mais precisas, principalmente
em torno do tipo fsico mais frequentemente existente no banco de dados, em termos de
medidas do corpo.
CAPTULO 4.
36
APLICAES E RESULTADOS
Tabela 4.6: Erro relativos das estimativas das dimenses de bicicletas: resultados dos
estilos XC, All Mountain e Road.
-
Varivel
XC
All Mountain
Road
guido
0.00252
0.816
0.236
0.012
0.0574
0.000676
0.00306
1.05
0.000676
0.00276
1.52e-14
0.00397
pedal ao selim
0.00624
0.00441
0.000372
manopla livre
-0.0112
0.0313
-0.578
manopla esttica
-0.0425
-0.00949
-0.578
CAPTULO 5.
37
Captulo 5
Concluses e Trabalhos Futuros
Regresses so utilizadas para estimar relaes desconhecidas entre variveis, quando
desejado calcular suas variaes em relao s outras. Durante esse processo, o estimador
sempre apresenta erros. um grande desao encontrar um bom modelo, em que os vis
sejam os menores possveis e que seja possvel detectar valores discrepantes (outliers ).
A suposio de que as relaes entre variveis so lineares acontecem, pois esta a
relao no trivial mais simples que se pode imaginar, ento mais fcil trabalhar com
ela.
Projeto FRAMED
Consumo de Tempo.
mente com o aumento do nmero de variveis (devido ao teste de todas as combinaes possveis). O algoritmo pode ser otimizado em outra linguagem, para aumentar
a velocidade de processamento.
CAPTULO 5.
38
linear diz que o nmero de amostras deve ser maior que o nmero de entradas
mais um
(i + 1).
(i)
Ento o tamanho do banco de dados, denido pelo nmero de amostras, deve ser to
grande quanto possvel, para respeitar essa lei. Alm disso, quanto mais amostras
for possvel ter, melhor a preciso dos dados de sada.
Regresso Linear.
consideraes j feitas a respeito das facilidades de se trabalhar com modelos lineares, este tipo de regresso foi tambm escolhida pelo tamanho da base de dados de
propriedade da Capsule - EA. Assim que o banco de dados com caractersticas dos
ciclistas crescer consideravelmente, deve-se tentar outros modelos, a m de limitar
erros de estimativa. Sugestes de modelos:
16),
< 16)
homens. Anal, o valo mdio da base de dados ser interpretado como valor
timo. Por exemplo, se 70% dos ciclistas registrados no Projeto FRAMED
so homens, em torno dos 40 anos, ento o modelo torna-se mais preciso para
outros homens que tenham em torno dos 40 anos que venham a ser registrados.
Ao separar a base de dados em subgrupos, o sistema pode encontrar valores
timos diferentes, para cada subgrupo;
e 3
or-
dem), uma funo polinomial de ordem maior pode ser utilizada. Por exemplo,
y = G(x1 , x2 )
(5.1)
Classicao de dados.
CAPTULO 5.
39
bases de dados separadas, para evitar interpretaes equivocadas, quando comparando, por exemplo, a altura de holandeses, com as de japoneses.
Medida exibilidade.
f lexibilidade = 0,
ao ciclista que alcana o cho, assim, esta varivel nunca alcana valores negativos.
Isto no permite um modelamento coerente dessa varivel.
a medida desta varivel seja tomada de forma que o ciclista possa atingir valores
menores que zero.
Referncias Bibliogrcas
Foresight, 2006.
KEY, S. M. Fundamentals of Statistical Signal Processing: Estimation Theory. [S.l.]:
Princete Hall, 2009.
LINHARES, R. Conforto da bicicleta de estrada em competies de longa distncia: uma
and Its Components. 2. ed. [S.l.]: Cycle Publishing/Van Der Plas Publications, 2010.
(Cycling Resources Series).
SCHWAAB, M.; PINTO, J. C. Anlise de dados experimentais I Fundamentos de
estatstica e estimao de parmetros. E-papers, 2007.
SPECIALIZED. Owner's Manual. 9th. ed. [S.l.], 2007.
WILLMOTT, C. J.; MATSUURA, K. Advantages of the mean absolute error (MEA)
over the root mean square error (RMSE) in assessing average model performance.
40
APNDICE A.
41
CONCEPO ONLINE
Apndice A
Concepo Online
Aps o modelamento das bicicletas, foi escrito um cdigo que permite desenhar as
bicicletas com suas dimenses.
qual o usurio deve responder com respostas obrigatrias, o programa exibe uma imagem
preliminar com as dimenses do produto, adequadas quele usurio. H ainda a possibilidade de algum valor ser alterado, caso o cdigo estime errado algum dado, ou o usurio
queira uma dimenso especca para sua bicicleta.
A partir dos dados gerados, o sistema os interpreta e escreve um arquivo em formato
A.1.
calcular os parmetros das bicicletas e seus modelamentos, o cdigo foi traduzido para a
APNDICE A.
linguagem
42
CONCEPO ONLINE
A.2.
575.4926465 cm reach
628.29631 cm stack
APNDICE B.
Apndice B
Denies das Medidas de Bicicletas
43