預測模型已經被廣泛運用在日常生活中，例如銀行信用評比、消費者行為或是疾病的預測等等。然而不論在建構或使用預測模型的時候，我們都會在訓練資料或是測試資料中遇到遺失值的問題，因而降低預測的表現。面對遺失值有很多種處理方式，刪除、填補、模型建構以及機器學習都是可以使用的方法；除此之外，直接用某個成本去取得遺失值也是一個選擇。 本研究著重的議題是用某成本去取得遺失值，並且利用決策樹(因為其在建構時可以容納遺失值)來當作預測模型，希望可以找到用較低的成本的填值方法達到較高的準確率。我們延續過去Error Sampling中Uncertainty Score的概念與邏輯。提出U-Sampling來判斷不同特徵值的「重要性排序」。相較於過去Error Sampling用「受試者」(row-based)的重要性來排序。U-Sampling是根據「特徵值」(column-based)的重要性來排序。 我們用8組UCI machine Learning Repository的資料進行兩組實驗，分別讓訓練資料以及測試資料含有一定比例的遺失值。再利用U-Sampling、Random Sampling以及過去文獻所提及的Error Sampling作準確率和錯誤減少率的比較。實驗結果顯示在訓練資料有遺失值的情況，U-Sampling在70%以上的檔案表現較佳；而在測試資料有遺失值的情況，U-Sampling則是在87.5%的檔案表現較佳。 另外，我們也研究了對於不同的遺失比例對於上述方法的效果是否有影響，可以用來判斷哪種情況比較適用哪一種選值方法。希望透過U-Sampling，可以先挑選重要的特徵值來填補，用較少的遺失值取得就得到較高的準確率，也因此可以節省處理遺失值的成本。

Câmaras não métricas acopladas a Veículos Aéreos Não Tripulados (VANT) possibilitam coleta de imagens com alta resolução espacial e temporal. Além disso, o custo de operação e manutenção desses equipamentos são reduzidos. A classificação da cobertura da terra por meio dessas imagens são dificultadas devido à alta variabilidade espectral dos alvos e ao grande volume de dados gerados. Esses contratempos são contornados utilizando Análise de Imagens Baseada em Objetos (Object-Based Image Analysis – OBIA) e algoritmos de mineração de dados. Um algoritmo empregado na OBIA são as Árvores de Decisão (AD). Essa técnica possibilita tanto a seleção de atributos mais informativos quanto a classificação das regiões. Novas técnicas de AD foram desenvolvidas e, nessas inovações, foram inseridas funções para selecionar atributos e para melhorar a classificação. Um exemplo é o algoritmo C5.0, que possui uma função de redução de dados e uma de reforço. Nesse contexto, este trabalho tem como objetivo (i) avaliar o método de segmentação por crescimento de regiões em imagens com altíssima resolução espacial, (ii) determinar os atributos preditivos mais importantes na discriminação das classes e (iii) avaliar as classificações das regiões em relação aos parâmetros de seleção dos atributos (winnow) e de reforço (trial), que estão contidos no algoritmo C5.0. A segmentação da imagem foi efetuada no programa Spring, já as regiões geradas na segmentação foram classificadas pelo modelo de AD C5.0, que está disponível no programa R. Como resultado foi identificado que a segmentação crescimento de regiões possibilitou uma alta correspondência com regiões geradas pelo especialista, resultando em valores de Reference Bounded Segments Booster (RBSB) próximos a 0. Os atributos mais importantes na construção dos modelos por AD foram a razão entre a banda do verde com a azul (r_v_a) e o Modelo Digital de Elevação (MDE). Para o parâmetro de reforço (trial), não foi identificada melhora na acurácia da classificação ao aumentar seu valor. Já o parâmetro winnow possibilitou uma redução no número de atributos preditivos, sem perdas estatisticamente significativas na acurácia da classificação. A função de reforço (trial) não melhorou a classificação da cobertura da terra. Também não foram constatadas diferenças estatisticamente significativas quando winnow selecionado como verdadeiro, mas se encontrou o benefício desse último parâmetro reduzindo a dimensionalidade dos dados. Nesse sentido, este trabalho contribuiu para a classificação da cobertura da terra em imagens coletadas por VANT, uma vez que se desenvolveu algoritmos para automatizar os processos da OBIA e para avaliar a classificação das regiões em relação às funções de reforço (winnow) e de seleção do atributo (winnow) do classificador por árvore de decisão C5.0. / Non-metric cameras attached to Unmanned Aerial Vehicles (UAV) enable collection of images with high spatial and temporal resolution. In addition, the cost of operation and maintenance of equipment are reduced. The land cover classification through these images are hampered due to high spectral variability of the targets and the large volume of data generated. These setbacks are contoured using Image Analysis Based on Objects (OBIA) and data mining algorithms. An algorithm used in OBIA are Decision Trees (AD). This technique allows the selection of the most informative attributes as the classification of regions. New AD techniques have been developed and these innovations, were functions inserted to select attributes and to improve classification. One example is a C5.0 algorithm, which has a data reduction function and of boosting. In this context, this paper aims to (i) evaluate the segmentation method for growing regions in images with high spatial resolution, (ii) determine the most important predictive attributes in the discrimination of classes and (iii) evaluate the classifications of regions regarding the attributes selection parameters (winnow) and boosting (trial), which are contained in the C5.0 algorithm. The image segmentation was performed in Spring program, since the regions generated in segmentation were classified by model C5.0 , which is available in the program R. As a result it was identified that the segmentation by region growing provided a high correlation with regions generated by the expert, resulting in Reference Bounded Segments Booster values (RBSB) near 0. The most important features in the construction of models of decision tree are the ratio between the band of green with the blue (r_v_a) and the Digital Elevation Model (DEM). Was not identified improvement in classification accuracy when was increased value of trial parameter. Already winnow parameter enabled a reduction in the number of predictive attributes, with no statistically significant losses in the accuracy of the classification. The boosting function (trial) did not improve the classification of land cover. Also were not found statistically significant differences when winnow selected as true, but was found the benefit of the latter parameter to reducing the dimensionality of the data. Thus, this work contributed to the land cover classification in images collected by UAV, once that were developed algorithms to automate the processes of integration OBIA and decision tree (C5.0).

This thesis investigates how recommendation systems has been used and can be used with the help of different machine learning algorithms. Algorithms used and presented are decision tree, random forest and singular-value decomposition(SVD). Together with Tingstad, we have tried to implement the SVD function on their recommendation engine in order to enhance the recommendation given. A trivial presentation on how the algorithms work. General information about machine learning and how we tried to implement it with Tingstad’s data. Implementations with Netflix’s and Movielens open-source dataset was done, estimated with RMSE and MAE.

Submitted by Claudinei Pracidelli (cpracide@ipen.br) on 2016-02-03T11:55:07Z No. of bitstreams: 0 / Made available in DSpace on 2016-02-03T11:55:07Z (GMT). No. of bitstreams: 0 / Dissertação (Mestrado em Tecnologia Nuclear) / IPEN/D / Instituto de Pesquisas Energeticas e Nucleares - IPEN-CNEN/SP

Câmaras não métricas acopladas a Veículos Aéreos Não Tripulados (VANT) possibilitam coleta de imagens com alta resolução espacial e temporal. Além disso, o custo de operação e manutenção desses equipamentos são reduzidos. A classificação da cobertura da terra por meio dessas imagens são dificultadas devido à alta variabilidade espectral dos alvos e ao grande volume de dados gerados. Esses contratempos são contornados utilizando Análise de Imagens Baseada em Objetos (Object-Based Image Analysis – OBIA) e algoritmos de mineração de dados. Um algoritmo empregado na OBIA são as Árvores de Decisão (AD). Essa técnica possibilita tanto a seleção de atributos mais informativos quanto a classificação das regiões. Novas técnicas de AD foram desenvolvidas e, nessas inovações, foram inseridas funções para selecionar atributos e para melhorar a classificação. Um exemplo é o algoritmo C5.0, que possui uma função de redução de dados e uma de reforço. Nesse contexto, este trabalho tem como objetivo (i) avaliar o método de segmentação por crescimento de regiões em imagens com altíssima resolução espacial, (ii) determinar os atributos preditivos mais importantes na discriminação das classes e (iii) avaliar as classificações das regiões em relação aos parâmetros de seleção dos atributos (winnow) e de reforço (trial), que estão contidos no algoritmo C5.0. A segmentação da imagem foi efetuada no programa Spring, já as regiões geradas na segmentação foram classificadas pelo modelo de AD C5.0, que está disponível no programa R. Como resultado foi identificado que a segmentação crescimento de regiões possibilitou uma alta correspondência com regiões geradas pelo especialista, resultando em valores de Reference Bounded Segments Booster (RBSB) próximos a 0. Os atributos mais importantes na construção dos modelos por AD foram a razão entre a banda do verde com a azul (r_v_a) e o Modelo Digital de Elevação (MDE). Para o parâmetro de reforço (trial), não foi identificada melhora na acurácia da classificação ao aumentar seu valor. Já o parâmetro winnow possibilitou uma redução no número de atributos preditivos, sem perdas estatisticamente significativas na acurácia da classificação. A função de reforço (trial) não melhorou a classificação da cobertura da terra. Também não foram constatadas diferenças estatisticamente significativas quando winnow selecionado como verdadeiro, mas se encontrou o benefício desse último parâmetro reduzindo a dimensionalidade dos dados. Nesse sentido, este trabalho contribuiu para a classificação da cobertura da terra em imagens coletadas por VANT, uma vez que se desenvolveu algoritmos para automatizar os processos da OBIA e para avaliar a classificação das regiões em relação às funções de reforço (winnow) e de seleção do atributo (winnow) do classificador por árvore de decisão C5.0. / Non-metric cameras attached to Unmanned Aerial Vehicles (UAV) enable collection of images with high spatial and temporal resolution. In addition, the cost of operation and maintenance of equipment are reduced. The land cover classification through these images are hampered due to high spectral variability of the targets and the large volume of data generated. These setbacks are contoured using Image Analysis Based on Objects (OBIA) and data mining algorithms. An algorithm used in OBIA are Decision Trees (AD). This technique allows the selection of the most informative attributes as the classification of regions. New AD techniques have been developed and these innovations, were functions inserted to select attributes and to improve classification. One example is a C5.0 algorithm, which has a data reduction function and of boosting. In this context, this paper aims to (i) evaluate the segmentation method for growing regions in images with high spatial resolution, (ii) determine the most important predictive attributes in the discrimination of classes and (iii) evaluate the classifications of regions regarding the attributes selection parameters (winnow) and boosting (trial), which are contained in the C5.0 algorithm. The image segmentation was performed in Spring program, since the regions generated in segmentation were classified by model C5.0 , which is available in the program R. As a result it was identified that the segmentation by region growing provided a high correlation with regions generated by the expert, resulting in Reference Bounded Segments Booster values (RBSB) near 0. The most important features in the construction of models of decision tree are the ratio between the band of green with the blue (r_v_a) and the Digital Elevation Model (DEM). Was not identified improvement in classification accuracy when was increased value of trial parameter. Already winnow parameter enabled a reduction in the number of predictive attributes, with no statistically significant losses in the accuracy of the classification. The boosting function (trial) did not improve the classification of land cover. Also were not found statistically significant differences when winnow selected as true, but was found the benefit of the latter parameter to reducing the dimensionality of the data. Thus, this work contributed to the land cover classification in images collected by UAV, once that were developed algorithms to automate the processes of integration OBIA and decision tree (C5.0).

La deserción universitaria se ha convertido en un problema importante a ser investigado. La tasa de deserción ha llegado a constituir uno de los principales indicadores de eficiencia interna dentro de cualquier institución de educación. Investigar las causas de la deserción con metodologías adecuadas que permitan predecir esta, contribuye a la toma de decisiones dentro de la gestión de la unidad académica. El objetivo del presente proyecto consiste en investigar y proponer una metodología que permita identificar en forma automática a los estudiantes con mayor riesgo de deserción de las carreras de Ingeniería Informática en la Universidad Ricardo Palma. Para la implementación de este proyecto se adoptó la metodología CRISP-DM que estructura el proceso de minería de datos en seis fases, que interactúan entre ellas de forma iterativa. Se evaluaron los modelos de Árboles de decisión y Clustering para analizar el comportamiento de los estudiantes, evaluando factores como el rendimiento del alumno, condición social y aspectos socioeconómicos. La exactitud de los modelos es calculada a partir de la información que brindó la Oficina Central de Informática y Cómputo de la Universidad Ricardo Palma, en la cual se realizó una transformación y simulación de algunas variables para mayor efectividad del modelo. The college desertion has become an important problem to be investigated. The desertion rate has come to be one of the main indicators of internal efficiency in any educational institution. The research of the causes of desertion with appropriate methodologies to predict, contributes to decision making in the academic management The objective of this project is to investigate and propose a methodology to automatically identify students at high risk of dropping out of the Computer Engineering career at the Ricardo Palma University. To implement this project, we used the CRISP-DM methodology to structure the data mining process into six phases, which interact with each other iteratively. It was applied the models of decision trees and clustering to analyze the behavior of the students, evaluating factors such as student performance, social status and socio-economic aspects. The accuracy of the models is calculated from the information provided the Central Office of Information and Computation at the Ricardo Palma University, in which it was applied a transformation and simulation of some variables for greater effectiveness and performance of the model.

Este trabalho propÃe um novo mÃtodo de diagnÃstico de falhas incipientes em equipamentos de potÃncia com isolamento a Ãleo baseado em regras interpretÃveis extraÃdas a partir das concentraÃÃes dos gases presentes e dissolvidos no Ãleo isolante e de relaÃÃes entre essas concentraÃÃes nÃo exploradas por outros mÃtodos. Utilizando uma Ãrvore de decisÃo (Decision Tree - DT) com modificaÃÃes na dimensÃo dos atributos de entrada para a obtenÃÃo de regras, o mÃtodo proposto: (i) permite que o usuÃrio conheÃa as regras que geraram o diagnÃstico, (ii) contorna limitaÃÃes comuns a outros mÃtodos (ex.: existÃncia de regiÃes de ânÃo-diagnÃsticoâ, existÃncia de mais de um diagnÃstico possÃvel) e (iii) apresenta percentual elevado de acerto no diagnÃstico de dados de DGA (Dissolved Gas Analysis) disponÃveis na literatura. O mÃtodo proposto à comparado com outros mÃtodos de DGA descritos em normas: GÃs Chave, Rogers, DÃrnenburg e TriÃngulo de Duval. Na comparaÃÃo dos mÃtodos foram utilizados bancos de dados com informaÃÃes publicadas, entre eles os dados do IEC TC 10 que apresentam informaÃÃes e diagnÃstico de um comità de especialistas. Os Ãndices de acerto observados com o mÃtodo proposto estiveram acima de 94%. Comparativamente, o MÃtodo do TriÃngulo de Duval apresenta Ãndices de acerto entre 83% e 88%. O mÃtodo tambÃm foi avaliado com relaÃÃo à sensibilidade na ocorrÃncia de erros nas medidas de laboratÃrio, apresentando resultados comparativamente superiores (Ãndice de acerto de 83% em comparaÃÃo com 78% do MÃtodo do TriÃngulo de Duval). TambÃm foi desenvolvido neste trabalho um mÃtodo para o diagnÃstico simplificado de equipamentos de potÃncia com isolamento a Ãleo utilizando dados fÃsico-quÃmicos â os Ãndices de acerto obtidos foram inferiores aos alcanÃados com o DGA proposto, porÃm prÃximos aos observados em mÃtodos de DGA citados na literatura, como Rogers IEEE C57.104 â 2008, com a vantagem dos dados nÃo dependerem da disponibilidade de um cromatÃgrafo. / This work proposes a new method for diagnosis of incipient faults in power equipment with insulation oil. It consists on a set of interpretable rules extracted from the concentrations of the dissolved gases in insulating oil, and the relationships between these concentrations. Using a Decision Tree (DT) with changes in the size of the input attributes for obtaining rules, the proposed method: (i) allows the user to know the rules that generated the diagnosis, (ii) bypasses limitations common to other methods (e.g. the existence of "no diagnosis" regions, and the occurrence of more than one possible diagnosis) and (iii) the accuracy in diagnosis of DGA (Dissolved Gas Analysis) data available in the literature. The proposed method is compared with other DGA standard methods: Gas Key, Rogers, Dornenburg and DuvalÂs Triangle. The performed comparison considered databases available in technical literature, including data from the IEC TC 10. The observed accuracy of the proposed method is above 94%. Comparatively, the DuvalÂs Triangle method presents accuracy between 83% and 88% for the considered databases. The method was also evaluated with respect to sensitivity to measurements errors of laboratory â the results are very promising, the proposed method shows a hit rate of 83% in comparison with a hit rate of 78% for the DuvalÂs Triangle method. This work has also been developed a method for simplified diagnostic of power equipments with insulated oil using physico-chemical data - the hit rates obtained were lower than those achieved with the proposed DGA, however close to those observed in DGA methods cited in the literature, as Rogers IEEE C57.104 - 2008, with the advantage of the data not depend on the availability of a gas chromatograph.

Câmaras não métricas acopladas a Veículos Aéreos Não Tripulados (VANT) possibilitam coleta de imagens com alta resolução espacial e temporal. Além disso, o custo de operação e manutenção desses equipamentos são reduzidos. A classificação da cobertura da terra por meio dessas imagens são dificultadas devido à alta variabilidade espectral dos alvos e ao grande volume de dados gerados. Esses contratempos são contornados utilizando Análise de Imagens Baseada em Objetos (Object-Based Image Analysis – OBIA) e algoritmos de mineração de dados. Um algoritmo empregado na OBIA são as Árvores de Decisão (AD). Essa técnica possibilita tanto a seleção de atributos mais informativos quanto a classificação das regiões. Novas técnicas de AD foram desenvolvidas e, nessas inovações, foram inseridas funções para selecionar atributos e para melhorar a classificação. Um exemplo é o algoritmo C5.0, que possui uma função de redução de dados e uma de reforço. Nesse contexto, este trabalho tem como objetivo (i) avaliar o método de segmentação por crescimento de regiões em imagens com altíssima resolução espacial, (ii) determinar os atributos preditivos mais importantes na discriminação das classes e (iii) avaliar as classificações das regiões em relação aos parâmetros de seleção dos atributos (winnow) e de reforço (trial), que estão contidos no algoritmo C5.0. A segmentação da imagem foi efetuada no programa Spring, já as regiões geradas na segmentação foram classificadas pelo modelo de AD C5.0, que está disponível no programa R. Como resultado foi identificado que a segmentação crescimento de regiões possibilitou uma alta correspondência com regiões geradas pelo especialista, resultando em valores de Reference Bounded Segments Booster (RBSB) próximos a 0. Os atributos mais importantes na construção dos modelos por AD foram a razão entre a banda do verde com a azul (r_v_a) e o Modelo Digital de Elevação (MDE). Para o parâmetro de reforço (trial), não foi identificada melhora na acurácia da classificação ao aumentar seu valor. Já o parâmetro winnow possibilitou uma redução no número de atributos preditivos, sem perdas estatisticamente significativas na acurácia da classificação. A função de reforço (trial) não melhorou a classificação da cobertura da terra. Também não foram constatadas diferenças estatisticamente significativas quando winnow selecionado como verdadeiro, mas se encontrou o benefício desse último parâmetro reduzindo a dimensionalidade dos dados. Nesse sentido, este trabalho contribuiu para a classificação da cobertura da terra em imagens coletadas por VANT, uma vez que se desenvolveu algoritmos para automatizar os processos da OBIA e para avaliar a classificação das regiões em relação às funções de reforço (winnow) e de seleção do atributo (winnow) do classificador por árvore de decisão C5.0. / Non-metric cameras attached to Unmanned Aerial Vehicles (UAV) enable collection of images with high spatial and temporal resolution. In addition, the cost of operation and maintenance of equipment are reduced. The land cover classification through these images are hampered due to high spectral variability of the targets and the large volume of data generated. These setbacks are contoured using Image Analysis Based on Objects (OBIA) and data mining algorithms. An algorithm used in OBIA are Decision Trees (AD). This technique allows the selection of the most informative attributes as the classification of regions. New AD techniques have been developed and these innovations, were functions inserted to select attributes and to improve classification. One example is a C5.0 algorithm, which has a data reduction function and of boosting. In this context, this paper aims to (i) evaluate the segmentation method for growing regions in images with high spatial resolution, (ii) determine the most important predictive attributes in the discrimination of classes and (iii) evaluate the classifications of regions regarding the attributes selection parameters (winnow) and boosting (trial), which are contained in the C5.0 algorithm. The image segmentation was performed in Spring program, since the regions generated in segmentation were classified by model C5.0 , which is available in the program R. As a result it was identified that the segmentation by region growing provided a high correlation with regions generated by the expert, resulting in Reference Bounded Segments Booster values (RBSB) near 0. The most important features in the construction of models of decision tree are the ratio between the band of green with the blue (r_v_a) and the Digital Elevation Model (DEM). Was not identified improvement in classification accuracy when was increased value of trial parameter. Already winnow parameter enabled a reduction in the number of predictive attributes, with no statistically significant losses in the accuracy of the classification. The boosting function (trial) did not improve the classification of land cover. Also were not found statistically significant differences when winnow selected as true, but was found the benefit of the latter parameter to reducing the dimensionality of the data. Thus, this work contributed to the land cover classification in images collected by UAV, once that were developed algorithms to automate the processes of integration OBIA and decision tree (C5.0).

Submitted by Claudinei Pracidelli (cpracide@ipen.br) on 2016-02-03T11:55:07Z No. of bitstreams: 0 / Made available in DSpace on 2016-02-03T11:55:07Z (GMT). No. of bitstreams: 0 / O trabalho busca o desenvolvimento de um método experimental implementado em um software Web voltado à tomada de decisão, abordando mais especificadamente os processos de levantamento de ideias e geração de alternativas. Referências teóricas foram utilizadas para subsidiar os elementos, processos e tecnologias do software frente à áreas de tomada de decisão e sistemas colaborativos. As principais ferramentas disponíveis foram analisadas sob o contexto de tecnologias abertas, tendo algumas características de resolução de problemas observadas. A proposta combina elementos do brainstorming em seu formato eletrônico e do método de apresentação de dados da tabela de estratégias, com referência nas funcionalidades de sistemas amplamente utilizados e que operam sobre a priorização das informações por pequenos grupos de usuários. Fundamentações teóricas foram desenvolvidas e funcionalidades chave destes sistemas voltados à resolução de problemas foram analisadas. Para fins de demonstração, um caso prático foi realizado no Instituto de Pesquisas Energéticas e Nucleares, com ganhos e limitações encontradas no processo do software e da prática empregada. com a finalidade de apresentar os ganhos e limitações encontradas com o uso da ferramenta. / Dissertação (Mestrado em Tecnologia Nuclear) / IPEN/D / Instituto de Pesquisas Energeticas e Nucleares - IPEN-CNEN/SP

A escolha do sistema de tratamento de esgoto sanitário a ser instalado em uma cidade pode tornar-se uma difícil decisão, uma vez que diversas variáveis interferem em seu custo e em sua qualidade ambiental. Este trabalho pretende mostrar a possibilidade de se usar técnicas da análise de decisão para a escolha do sistema de tratamento de esgoto sanitário de forma ecológica e econômica, como árvore de decisão e análise de sensibilidade. Para a avaliação dos sistemas, foi desenvolvido um modelo com oito alternativas, compostas de processos biológicos anaeróbios – Reator Anaeróbio de Manta de Lodo e Lagoa Anaeróbia – seguidos de aeróbios – Lodos Ativados, Lagoa Facultativa, Filtro Biológico Percolador e Lagoa Aerada com Lagoa de Decantação. O modelo elabora o dimensionamento das unidades de tratamento e, a partir desses dados, a estimativa de custo de cada sistema. O custo total de cada alternativa foi composto por itens de implantação, operação e manutenção. O modelo foi avaliado para quatro casos de populações distintas, apresentando variação nas alternativas mais indicadas para cada um. A análise de sensibilidade se mostrou eficaz em identificar as alternativas mais significativas no custo total dos sistemas. Os resultados encontrados indicam, de maneira promissora, que o modelo poderá auxiliar a escolha de sistemas de tratamento, bem como seu pré-dimensionamento, com base em características peculiares à sua localidade. / The selection of the wastewater treatment system to be installed in a city can be a difficult decision, once several variables interfere in its cost and in its environmental quality. This study intends to show the possibility of using techniques of decision analysis to select the wastewater treatment system in an ecological and economical way, as decision tree and sensitivity analysis. For the evaluation of systems, a model was developed with eight alternatives, composed of anaerobic biological process - Upflow Anaerobic Sludge Blanket and Anaerobic Pond - followed by aerobic process – Activated-Sludge, Facultative Pond, Trickling Filter and Aerated Lagoon with Sedimentation Basin. The model elaborates the treatment units dimensioning and cost estimation of each system, based on dimensioning data. The total cost of each alternative was composed by construction, operation and maintenance items. The model was evaluated using four cases of different populations, presenting variation in the most suitable alternatives for each one. The sensitivity analysis was shown effective in identifying the most significant alternatives in the total cost of the systems. The results indicate, in a promising way , that the model will be able to help the choice of treatment systems, as well as its pre-dimensioning, based in local peculiar characteristics.