Anais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN)

Tamanho: px
Começar a partir da página:

Download "Anais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN)"

Transcrição

1 Aas do IX Cogresso Braslero de Redes Neuras / Itelgêca Coputacoal (IX CBRN) Socedade Braslera de Redes Neuras ABORDAGEM DE ALGORITMO COMPETITIVO IMPERIALISTA APLICADA À PROBLEMA DE OTIMIZAÇÃO EM ENGENHARIA DE CONFIABILIDADE LEONARDO DALLEGRAVE AFONSO, DIEGO LUIS DE ANDRADE BERNERT 2 E LEANDRO DOS SANTOS COELHO 2 Graduação e Egehara Mecatrôca (Cotrole e Autoação) 2 Prograa de Pós-Graduação e Egehara de Produção e Ssteas, PPGEPS Potfíca Uversdade Católca do Paraá, Rua Iaculada Coceção 55, Curtba, PR, Brasl E-als: l3oardo4foso@hotal.co, dberert@gal.co, leadro.coelho@pupr.br Abstract The paper presets a peralst copettve algorth (ICA) to solve optzato probles relablty egeerg feld. ICA s a ovel global search etaheurstc that uses perals ad peralstc copetto process as a source of sprato. ICA approach s valdated a xed-teger prograg proble relablty-redudacy allocato for a overspeed protecto syste for a gas turbe. Sulato results obtaed by the ICA are copared wth the results preseted recet lterature. I ths cotext, the results obtaed by the ICA approach outperfored the prevously best-kow solutos avalable for the bechark of a overspeed protecto syste for a gas turbe. Keywords Optzato, Iperalst copettve algorth, Relablty Egeerg. Resuo Este artgo apreseta ua algorto copettvo peralsta (peralst copettve algorth, ICA) para resolver probleas de otzação a área de egehara de cofabldade. O ICA é ua ova etaheurístca de busca global que utlza o peralso e o processo de copetção peralsta coo ua fote de spração. A abordage ICA é valdada e u problea de prograação tera-sta de alocação de cofabldade-redudâca para u sstea de proteção a sobrevelocdade de ua turba a gás. Os resultados de sulação obtdos pelo ICA são coparados co os resultados apresetados a lteratura recete. Neste cotexto, os resultados obtdos pela abordage ICA supera as elhores soluções avaladas a lteratura para o problea teste (bechark) proteção a sobre-velocdade de ua turba a gás. Palavras-chave Otzação, Algorto copettvo peralsta, Egehara de cofabldade. Itrodução As egeharas de cofabldade e de ateabldade cofgura-se coo portates áreas do coheceto e se sere o cotexto da egehara de ssteas, a qual é resposável pela tegração das duas preras a outras dscplas coo suporte logístco tegrado, seguraça, produção/operação, testes/verfcação e garata da qualdade. A egehara de cofabldade desevolve e executa prograas co foco a odelage e aálse, predção e otzação de cofabldade, cosderado aspectos abetas e operacoas (Salgado, 2008). O tero de cofabldade refere-se à probabldade de u sstea ão falhar detro de u tervalo de tepo e codções operacoas específcas. Neste cotexto, o problea de cofabldade-redudâca é u be cohecdo problea de otzação que evolve a seleção de eleetos e íves de redudâca para axzar a cofabldade do sstea sujeto as restrções do sstea. Os probleas de otzação de cofabldade-redudâca pode evolver a seleção de copoetes co escolhas últplas e íves de redudâca que produze o áxo de beefícos e estão sujetos a restrções de custo, peso e volue. Mutos étodos ateátcos clásscos tê falhado e ldar co característcas de ão-covexdade e ão-suavdade e probleas de otzação de cofabldade-redudâca. Coo ua alteratva as abordages clásscas de otzação (Kuo e Wa, 2007), as eta-heurístcas, tas coo abordages da coputação evolutva (Salgado, 2007; Ge e Yu, 2006), telgêca de exaes (Nasceto et al., 2008) e ssteas uológcos (Che, 2006), tê gahado ateção de dversos pesqusadores devdo à habldade destas téccas e deterar boas soluções globas. Receteete, a lteratura fo proposta ua ova eta-heurístca, o algorto copettvo peralsta (peralst copettve algorth, ICA) (Atashpaz-Gargar e Lucas, 2007; Rajabou et al., 2008). O ICA fo cocebdo sprado a ação de países peralstas a coqusta de ovas colôas. A cotrbução deste artgo é apresetar os fudaetos do ICA coo ferraeta para otzação a área de cofabldade de ssteas. Para tato, a abordage ICA é avalada e u problea de alocação de cofabldade-redudâca para u sstea de proteção à sobre-velocdade de ua turba a gás. Alé dsso, os resultados de sulação obtdos pelo ICA são coparados co os resultados apresetados a lteratura recete. O restate do artgo é orgazado da segute fora. Na seção 2 é descrto o problea de alocação de redudâca-cofabldade de ssteas. Na seção 3 são apresetados os fudaetos do ICA. Na seção 4 são apresetados e dscutdos os resultados. Falzado, a seção 5 apreseta a coclusão do artgo.

2 Aas do IX Cogresso Braslero de Redes Neuras / Itelgêca Coputacoal (IX CBRN) Socedade Braslera de Redes Neuras 2 Redudâca-Cofabldade de Ssteas Co a depedêca, cada vez aor, de ssteas cujas coseqüêcas de possíves falhas sere graves ou até eso rreparáves fo gerada ua preocupação crescete e justfcada e relação à cofabldade dos esos. A f de prever e evtar essas possíves falhas, é que fo cocebda a área de egehara de cofabldade, a qual está vculada ao estudo, aálse e projeto de etodologas para a prevsão e o aueto da cofabldade de ssteas, vsado à obteção de ua faxa de operação acetável para ssteas, prcpalete presetes o eo dustral. E teros geras, a cofabldade de u sstea te atureza estocástca. Etretato, o trataeto de certezas por eo das ferraetas de probabldade e estatístca pode pertr a cocepção de u odelo ateátco que seja apto ao auxílo à toada de decsão. Quado u projetsta de ssteas é covdado a desevolver u sstea altaete cofável, dos cahos pode ser toados para elhorar a cofabldade do sstea: () adcoado copoetes redudates, e () auetado a cofabldade dos copoetes. Abos os cahos geralete aueta os recursos (custo, volue, peso, etre outros). Desta fora, a fase de desevolveto de u sstea, u portate problea pode ser coo cosegur o equlíbro etre cofabldade e os recursos dspoíves (Hkta et al., 992). A segur é descrto o estudo de caso de otzação, avalado este artgo, de u sstea de proteção à sobre-velocdade de ua turba a gás. 2. Descrção do Estudo de Caso Este estudo de caso refere-se a u sstea de proteção a sobre-velocdade de ua turba a gás. O sstea é forado por quatro válvulas resposáves por aletar ua turba a gás co cobustível. Caso a turba exceda o seu lte de velocdade, as válvulas deve ser fechadas, de fora a terroper o fluxo de cobustível. A fgura apreseta u esquea deste sstea. f ( r, = R ( r, ) () = sujeto as segutes restrções: 2 h ( r, = v V, (2) = h2 ( r, = C( r ) [ + exp( / 4) ] C, (3) l = h3 ( r, = w exp( / 4) W, (4) l= β C( r ) = α ( T / l r ) (5) ode h, h 2 e h 3 são as restrções, 6 0,5 r 0, Z + (úeros teros postvos), tal que ; α, β R represeta as característcas físcas dos copoetes dos subssteas; 0, T é o tepo de operação e que o copoete ão pode falhar (adotado T = 000 h). A descrção das varáves apresetadas as equações () a (5) é dada a Tabela. Na Tabela 2 são apresetados os dados do problea de otzação. Parâetro M N r R q R ( ) R s h w v c V C Tabela. Defção das varáves do estudo de caso. Descrção úero de subssteas de u sstea úero de copoetes o subsstea, (, 2,..., ), é o vetor de alocação redudâca do sstea cofabldade de cada copoete do subsstea, (r, r 2,..., r ), é o vetor de cofabldade do copoete para o sstea -r, a probabldade de falha de cada copoete o subsstea, -q, a cofabldade do subsstea, cofabldade do sstea -ésa fução de restrção peso de cada copoete o subsstea, volue de cada copoete o subsstea, custo de cada copoete o subsstea, lte superor da soa dos produtos do volue e peso dos subssteas lte superor do custo do sstea W lte superor do peso do sstea Fgura. Esquea de u sstea de proteção a sobre-velocdade de ua turba a gás. Os ecasos de abertura e fechaeto das válvulas são fetos por copoetes elétrcos e ecâcos, os quas possue u coefcete de falha costate. O problea de otzação de redudâcacofabldade é odelado pelas equações da fução objetvo a ser axzada e suas restrções, tal que: Tabela 2. Dados do problea de otzação. Estágo 0 5 α β v w V C W,0, ,3, ,3, ,3,5 2 7

3 Aas do IX Cogresso Braslero de Redes Neuras / Itelgêca Coputacoal (IX CBRN) Socedade Braslera de Redes Neuras 3 Algorto Copettvo Iperalsta O algorto ICA fo cocebdo sprado a dsputa de colôas por países peralstas. O peralso é a polítca de esteder o poder de u govero alé de seus ltes terrtoras. Esta expasão se dá pelo doío de outros terrtóros deoados colôas, as quas se drge e dreção ao seu peralsta. Quato as forte o país peralsta, as chaces ele te de adqurr as colôas, equato que os peralstas as fracos tede a perder suas colôas. U país peralsta jutaete co suas colôas fora u péro, cujo poder total é a soa do poder do país peralsta co o poder de suas colôas. Desta fora os péros co aor poder tede a coqustar os péros co eor poder, os quas são exttos durate o processo, fazedo co que o cojuto de países covrja para u úco péro. É possível tabé que ua colôa toe o lugar do seu peralsta, caso esta adqura u poder aor do que o dele. O fluxograa apresetado a fgura 2 represeta o fucoaeto do ICA, o qual é explcado e detalhes a seqüêca. Ao coparar-se u algorto geétco clássco co o ICA, te-se que os países assue o papel dos croossoos, ou seja, eles represeta as possíves soluções detro do espaço de busca. Os países são represetados por ua strg de desão xn var, tal que países = [ p, p,..., p ] (6) 2 N ode N var é o úero de varáves do problea. Icalete, ua população de países é gerada aleatoraete, os quas serão dvddos etre peralstas e colôas. Os peralstas serão os países co os eores custos pos o algorto é de zação. O custo de u país é dado pelo cálculo da fução objetvo através de suas varáves. Coo os probleas propostos este artgo são de axzação, o custo de u país é dado pelo verso da fução objetvo aplcada aquele país: custo = f ( país) = (7) f ([ p, p2,..., pn ]) var As colôas por sua vez, serão dstrbuídas etre os peralstas de acordo co os seus respectvos poderes. Para tato é defdo u custo oralzado pela expressão: C = c ax ( c ) (8) ode c é o custo do -éso peralsta e C é o seu custo oralzado. A partr do custo oralzado, é defdo o poder oralzado p de u peralsta por: c p = (9) N p = c var O poder oralzado de u peralsta represeta a quatdade de colôas cas que rá possur, sedo este úero defdo por: N C = arredodaeto p N ) (0) ( col ode N C é o úero de colôas cas que o - éso peralsta rá possur, a operação arredodaeto atrbu o valor tero as próxo e N col o úero total de colôas a sere dstrbuídas de fora aleatóra. Os péros etão são forados a partr de u peralsta co suas respectvas colôas. Segudo o fluxo do algorto, o próxo passo é ovetar as colôas e relação aos seus respectvos peralstas. Essa é a operação prcpal do algorto de busca por ovas soluções. A ovetação se dá através de ua copoete costate defda pelo usuáro e por ua copoete aleatóra. A equação () defe a ovetação é descrta a segur: Pos+ = Pos + γ δ d () ode Pos é o vetor de posções das colôas a teração, γ é ua costate co valor aor que defda pelo usuáro, δ é u uero aleatóro etre 0 e e d é o vetor co as dstacas etre as colôas de seus peralstas. Através da revolução é ada possível que ua colôa ude para ua ova posção que é gerada aleatoraete. A probabldade de sso acotecer se deve a u parâetro ajustável deoado taxa de revolução. No fal das ovetações, caso ua colôa se tore as poderosa que seu peralsta ou seja, co ua solução elhor ela se tora o ovo peralsta, o qual se tora ua colôa. O custo total de u péro é dado pelo custo do peralsta as ua porcetage do custo de suas colôas: T C = Custo(Iperals ta) + (2) ε édacusto { (Colôasdoperals ta )} ode T é o custo total do péro e ε é ua C costate co valores etre 0 e. Quato aor o ε, eos portate é o custo do peralsta. O próxo passo é proover a copetção peralsta. A colôa co por desepeho do péro as fraco é selecoada para ser coqustada pelo péro co aores chaces de adqur-la. Para sso, é defdo o custo oralzado dos péros por: N T C = T C ax T C (3) ode ( ) N T C é o custo oralzado do -éso ax C é o custo total do péro co o aor custo total de todos. Co sto, a probabldade de posse p para cada péro é péro e ( T ) dada por: p N T C p =. p Np N T C = (4)

4 Aas do IX Cogresso Braslero de Redes Neuras / Itelgêca Coputacoal (IX CBRN) Socedade Braslera de Redes Neuras pratcável, ou seja, detro das restrções, é aplcada ua pealzação o valor da fução objetvo que é proporcoal a dstâca que a solução se ecotra da regão pratcável. Para cada país o valor da volação de ua restrção V j, para o país j é defda por: h( r, b, se h(r, > b V j = (6) 0, caso cotráro. A pealzação é aplcada ao custo (fução objetvo) de cada país (problea de axzação) pela segute fora: Rs Custo = (7) k + V j= ode k é a quatdade de restrções do problea. Note que a cofabldade do sstea du a edda que a volação aueta. j 4 Resultados de Sulação Fgura 2. Fluxograa do algorto ICA. São defdos tabé o vetor P, co as probabldades de posse de cada péro, e o vetor R, do taaho de P, co úeros aleatóros dstrbuídos uforeete etre 0 e, tal que: P = [ p, p,..., p ] p p2 p N p R = r, r,..., r ] [ 2 É defdo D pela subtração de P por R: D = P - R = D, D,..., ] (5) [ 2 D N p O péro escolhdo a possur a colôa será aquele co o ídce do aor valor de D. E seguda, o algorto aalsa se há algu péro se colôas, se houver, o péro é elado. A partr de u úero de terações, todos os péros serão elados, co exceção do as forte, o qual terá todas as colôas sob seu doío e todas as colôas estarão a esa posção que a do peralsta. Neste ovo udo, ão há dfereças etre peralstas e colôas, o que leva ao f a copetção peralsta. 3. Trataeto de restrções Para valdação do algorto ICA, e relação ao estudo de caso, fora efetuadas 00 sulações co cada algorto de otzação. Fo utlzado úero áxo de décadas gual a 80 (ICA-) e 800 (ICA- 2) e população co 5 países peralstas e 75 colôas. A tabela 3 ostra estatístcas de sulação obtdas co os resultados das 00 sulações de cada étodo proposto, para efeto de aálse de robustez e desepeho. Nota-se por esta tabela que o ICA-2 co 6728 avalações da fução objetvo obteve elhor desepeho que o ICA-, este co u total de 5544 avalações da fução objetvo por sulação. Tabela 3. Resuo dos resultados para 00 sulações. f(r, ICA- ICA-2 ío 0, , áxo 0, , éda 0, , desvo padrão 0, , Os gráfcos de covergêca éda de (00 sulações) para o ICA- e ICA-2 são apresetados as fguras 2 e 3. A tabela 4 ostra u coparatvo de resultados obtdos para o sstea de proteção à sobre-velocdade de ua turba a gás. Neste cotexto, os resultados obtdos pelo ICA-2 fora superores aos obtdos e Dhgara et al. (997), Yokota et al. (996) e Coelho (2009), e teros do elhor valor de fução objetvo obtdo. No etato, o ICA- tabé apresetou resultado prossor co u valor de fução custo próxo aos obtdos e Dhgara et al. (997), Yokota et al. (996) e Coelho (2009). Cofore ecoado a seção 2, o aueto da cofabldade de u sstea está sujeto às restrções de custo, peso e volue. Para que as soluções dadas pelo algorto esteja a regão

5 Aas do IX Cogresso Braslero de Redes Neuras / Itelgêca Coputacoal (IX CBRN) Socedade Braslera de Redes Neuras Fgura 2. Covergêca éda do ICA-. Fgura 3. Covergêca éda do ICA-2. 5 Coclusão Neste artgo, a abordage ICA co duas cofgurações dferetes (ICA- e ICA-2) fo valdada e u problea de alocação de redudâca-cofabldade de u sstea de proteção à sobre-velocdade de ua turba a gás. Neste cotexto, fo obtda ua boa covergêca ao aalsar os respectvos desvos padrões dos países aalsados o ICA- e ICA-2 (ver tabela 3) e a rapdez co que a éda do custo da população se aproxa do custo do elhor dvíduo (ver resultados apresetados as fguras 2 e 3). Referêcas Bblográfcas Atashpaz-Gargar, E. e Lucas, C. (2007). Iperalst copettve algorth: a algorth for optzato spred by peralstc copetto, Proceedgs of IEEE Cogress o Evolutoary Coputato, Sgapore, p Che, T. C. (2006). IAs based approach for relablty redudacy allocato probles, Appled Matheatcs ad Coputato, 82(2): Coelho, L. (2009). A effcet partcle swar approach for xed-teger prograg relablty-redudacy optzato applcatos, Relablty Egeerg ad Syste Safety, 94(4): Dhgra, A. K. (992). Optal apportoet of relablty & redudacy seres systes uder ultple objectves, IEEE Trasactos o Relablty, 4(4): Ge, M. e Yu, Y. S. (2006). Soft coputg approach for relablty optzato: state-ofthe-art survey, Relablty Egeerg ad Syste Safety, 9(9): Hkta, M., Nakagawa, Y. e Harhsa, H. (992). Relablty optzato of systes by a surrogate costrats algorth, IEEE Trasactos o Relablty, 4(3): Kuo, W. e Wa, R. (2007). Recet advaces optal relablty allocato, IEEE Trasactos o Systes, Ma, ad Cyberetcs Part A: Systes ad Huas, 37(2): Nasceto, F. A. F., Guerra, F. A. e Coelho, L. S. (2008). Abordage de exae de partículas aplada à egehara de cofabldade, Aas da VII Coferêca Iteracoal de Aplcações Idustras (Idusco, Poços de Caldas, MG. Rajabou R., Hashezadeh, F., Atashpaz-Gargar, E., Mesgar, B. e Salas, F. R. (2008). Idetfcato of a MIMO evaporator ad ts decetralzed PID Cotroller tug usg coloal copettve algorth, Proceedgs of IFAC World Cogress, Seoul, Korea. Salgado, M. F. P. (2008). Aplcação de téccas de otzação à egehara de cofabldade, Dssertação de estrado, Pós-Graduação e Egehara Elétrca, Uversdade Federal de Mas Geras, Belo Horzote, MG. Salgado, M. F. P., Lsboa, A. C., Saldaha, R. R., Cahas, W. M. e Meezes, B. R. (2007). Aplcação da coputação evolucoára a otzação da cofabldade de ssteas, Aas do I Spóso Braslero de Itelgêca Coputacoal (SBIC), Floraópols, SC. Yokota, T., Ge, M. e L, H. H. (996). Geetc algorth for olear xed-teger prograg probles ad t s applcato, Coputers ad Idustral Egeerg, 30(4): Tabela 4. Coparatvo de resultados para o estudo de caso. Paraeter Dhgra (992) Yokota et al. (996) Coelho (2009) ICA- ICA-2 f ( r, 0,9996 0, , , , r 0,8604 0, , , , r 2 0, , , , , r 3 0, , , , , r 4 0, , , , ,887752

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering) 7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve

Leia mais

Capítulo 2. Aproximações de Funções

Capítulo 2. Aproximações de Funções EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Capítulo Aproações de Fuções Há bascaete dos tpos de probleas de aproações: ) ecotrar ua fução as sples, coo u polôo, para aproar

Leia mais

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole Teora da Correlação: Probleas relatvos à correlação são aqueles que procura estabelecer quão be ua relação lear ou de outra espéce descreve ou eplca a relação etre duas varáves. Se todos os valores as

Leia mais

CAPÍTULO III MÉTODOS DE RUNGE-KUTTA

CAPÍTULO III MÉTODOS DE RUNGE-KUTTA PMR 40 Mecâca Coputacoal CAPÍTULO III MÉTODOS DE RUNGE-KUTTA São étodos de passo sples requere apeas dervadas de prera orde e pode forecer aproxações precsas co erros de trucaeto da orde de, 3, 4, etc.

Leia mais

CAPÍTULO III. Aproximação de funções pelo método dos Mínimos Quadrados

CAPÍTULO III. Aproximação de funções pelo método dos Mínimos Quadrados Métodos Nuércos CAPÍULO III C. Balsa & A. Satos Aproxação de fuções pelo étodo dos Míos Quadrados. Algus cocetos fudaetas de Álgebra Lear Relebraos esta secção algus cocetos portates da álgebra Lear que

Leia mais

16 - PROBLEMA DO TRANSPORTE

16 - PROBLEMA DO TRANSPORTE Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,

Leia mais

Programação Paralela

Programação Paralela rograação aralela FEU 4. Avalação de steas aralelos Defções Razão etre a velocdade de processaeto coseguda o sstea paralelo e a velocdade coseguda co u processador (pouca foração...) Efcêca Quocete do

Leia mais

Como primeiro exemplo de uma relação de recorrência, consideremos a seguinte situação:

Como primeiro exemplo de uma relação de recorrência, consideremos a seguinte situação: Relações de Recorrêcas - Notas de aula de CAP Prof. José Carlos Becceer. Ao 6. Ua Relação de Recorrêca ou Equação de Recorrêca defe ua fução por eo de ua epressão que clu ua ou as stâcas (eores) dela esa.

Leia mais

3- Autovalores e Autovetores.

3- Autovalores e Autovetores. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Autovalores e Autovetores..- Autovetores e Autovalores de ua Matrz..- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. Cotuação da

Leia mais

3- Autovalores e Autovetores.

3- Autovalores e Autovetores. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 3- Autovalores e Autovetores. 3.- Autovetores e Autovalores de ua Matrz. 3.- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. 3.- Autovetores

Leia mais

Decomposição Lagrangeana com Geração de Colunas para o Problema de Programação Quadrática Binária Irrestrita

Decomposição Lagrangeana com Geração de Colunas para o Problema de Programação Quadrática Binária Irrestrita Decoposção Lagrageaa co Geração de Coluas para o Problea de Prograação Quadrátca Bára Irrestrta Geraldo Regs Maur,2, Luz Atoo Noguera Lorea 2 Cetro de Cêcas Agráras, Departaeto de Egehara Rural Uversdade

Leia mais

SUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Diego Veloso Uchôa

SUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Diego Veloso Uchôa Nível Avaçado SUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Dego Veloso Uchôa É bastate útl e probleas de olpíada ode teos gualdades ou quereos ecotrar u valor de u soatóro fazeros substtuções por úeros coplexos

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

Leia mais

8. INFERÊNCIA PARA DUAS POPULAÇÕES

8. INFERÊNCIA PARA DUAS POPULAÇÕES 8 INFERÊNCIA PARA UA POPULAÇÕE 8 Populações depedetes co dstrbução oral População População, L, Y, L,Y ~ N, σ Y ~ N, σ σ σ Y ~ N, Obs e a dstrbução de e/ou Y ão for oral, os resultados são váldos aproxadaete

Leia mais

INFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES

INFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES INFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES . Populações depedetes co dstrbução oral População População,, Y,,Y ~ N, Y ~ N, Y ~ N, Obs. Se a dstrbução de e/ou Y ão for oral, os resultados são váldos aproxadaete.

Leia mais

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. val@pucrs.br http://.pucrs.br/faat/val/ Estatístca: ua defção Coleção de úeros estatístcas O úero de carros veddos auetou e 30%. o país A taa de deseprego atge, este ês, 7,%. As ações

Leia mais

Centro de massa Dinâmica do corpo rígido

Centro de massa Dinâmica do corpo rígido Cetro de assa Dâca do corpo rígdo Nota: As fotografas assaladas co () fora retradas do lvro () A. Bello, C. Portela e H. Caldera Rtos e Mudaça, Porto edtora. As restates são retradas de Sears e Zeasky

Leia mais

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. val@at.ufrgs.br http://.at.ufrgs.br/~val/ Estatístca: ua defção Coleção de úeros estatístcas O úero de carros veddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%. As ações

Leia mais

A ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões.

A ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões. Prof. Lorí Val, Dr. val@at.ufrgs.br http://.at.ufrgs.br/~val/ Coleção de úeros estatístcas stcas O úero de carros veddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%. As ações a da Telebrás

Leia mais

A ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões.

A ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões. .pucrs.br/faat/val/.at.ufrgs.br/~val/ Prof. Lorí Val, Dr. val@at.ufrgs.br val@pucrs.br Coleção de úeros estatístcas O úe ro de carros ve ddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%.

Leia mais

Centro de massa Dinâmica do corpo rígido

Centro de massa Dinâmica do corpo rígido Cetro de assa Dâca do corpo rígdo Nota: As fotografas assaladas co () fora retradas do lvro () A. Bello, C. Portela e H. Caldera Rtos e Mudaça, Porto edtora. As restates são retradas de Sears e Zeasky

Leia mais

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Índice Geral de Cursos (IGC)

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Índice Geral de Cursos (IGC) Isttuto Nacoal de Estudos e Pesqusas Educacoas Aíso exera INEP stéro da Educação EC Ídce Geral de Cursos (IGC) O Ídce Geral de Cursos (IGC) é ua éda poderada dos cocetos dos cursos de graduação e pós-graduação

Leia mais

6. Inferência para Duas Populações USP-ICMC-SME 2013

6. Inferência para Duas Populações USP-ICMC-SME 2013 6. Iferêca ara Duas Poulações UP-ICMC-ME 3 8.. Poulações deedetes co dstrbução oral Poulação Poulação,,,, ~ N, ~ N, ~ N, Obs. e a dstrbução de e/ou ão for oral, os resultados são váldos aroxadaete. Testes

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. P x t i x t i x t i x t i

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. P x t i x t i x t i x t i Departaeto de Iforátca Dscpla: do Desepeho de Ssteas de Coputação Cadeas de Marov I Processos de Marov (ou PE Marovao) Sea u processo estocástco caracterzado pela seüêca de v.a s X(t ),,,, Sea X(t ) a

Leia mais

Probabilidades como ferramentas de controle da quantidade de poluentes emitidos pelo tráfego de veículos motorizados

Probabilidades como ferramentas de controle da quantidade de poluentes emitidos pelo tráfego de veículos motorizados XXV Ecotro Nac. de Eg. de Produção Porto Alegre, RS, Brasl, 29 out a 0 de ov de 2005 Probabldades coo ferraetas de cotrole da quatdade de poluetes etdos pelo tráfego de veículos otorzados Luz Delca Castllo

Leia mais

8 Programação linear 78

8 Programação linear 78 8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

A METHODOLOGY FOR DATA CLEANING OF WIND SPEED TIME SERIES

A METHODOLOGY FOR DATA CLEANING OF WIND SPEED TIME SERIES A METHODOLOGY FOR DATA CLEANING OF WIND SPEED TIME SERIES José F.M. Pessaha, Val L.O. Castella, Thataa J. Coceção, Debora D.J. Pea, Mara E. P. Macera CEPEL Cetro de Pesqsas de Eerga Elétrca fracsc@cepel.br

Leia mais

RESOLUÇÃO DE MODELOS FÍSICOS COM O MÉTODO DOS ELEMENTOS FINITOS MÓVEIS

RESOLUÇÃO DE MODELOS FÍSICOS COM O MÉTODO DOS ELEMENTOS FINITOS MÓVEIS Cogreso de Métodos Nércos e Igeería 005 Graada, 4 a 7 de Jlo, 005 SEMNI, España 005 RESOLUÇÃO DE MODELOS FÍSICOS COM O MÉTODO DOS ELEMENTOS FINITOS MÓVEIS Mara do Caro Cobra 1 *, Carlos Sereo e Alíro E.

Leia mais

6 Formulação probabilística para problemas de acoplamento fluido mecânico

6 Formulação probabilística para problemas de acoplamento fluido mecânico 6 Forulação probablístca para probleas de acoplaeto ludo ecâco 6.. Itrodução Nesse capítulo do trabalho apreseta-se a orulação probablístca para probleas de acoplaeto ludo ecâco. Nu prero oeto são descrtos

Leia mais

5. Métricas para Definição de Níveis de Homogeneidade e Heterogeneidade em Sistemas Computacionais Distribuídos

5. Métricas para Definição de Níveis de Homogeneidade e Heterogeneidade em Sistemas Computacionais Distribuídos étrcas para Defção de Níves de Hoogeedade e Heterogeedade e steas Coputacoas Dstrbuídos 5. étrcas para Defção de Níves de Hoogeedade e Heterogeedade e steas Coputacoas Dstrbuídos A heterogeedade dos recursos

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

A noção de função homogénea surge logo no primeiro ano dos cursos de licenciatura onde uma disciplina de Análise Matemática esteja presente.

A noção de função homogénea surge logo no primeiro ano dos cursos de licenciatura onde uma disciplina de Análise Matemática esteja presente. HÉLIO BERNARDO LOPES Resuo. O coceto de fução hoogéea está presete desde o íco dos cursos de lcecatura que cotepla os seus plaos de estudos dscplas de Aálse Mateátca. Trata-se de u coceto sples, faclete

Leia mais

Física 1 - Experiência 4 Lei de Hooke Prof.: Dr. Cláudio S. Sartori INTRODUÇÃO: Forma Geral dos Relatórios. Referências:

Física 1 - Experiência 4 Lei de Hooke Prof.: Dr. Cláudio S. Sartori INTRODUÇÃO: Forma Geral dos Relatórios. Referências: Físca 1 - Experêca 4 Le de Hooe Prof.: Dr. Cláudo S. Sartor ITRODUÇÃO: Fora Geral dos Relatóros É uto desejável que seja u cadero grade (forato A4) pautada co folhas eueradas ou co folhas eueradas e quadrculadas,

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

VOLUME Considerando a transformação isocórica: p T. = com T em Kelvin. T 1. N p = K. = 1, N/m 2. Logo, p 2.

VOLUME Considerando a transformação isocórica: p T. = com T em Kelvin. T 1. N p = K. = 1, N/m 2. Logo, p 2. Físca III Aual OLUME AULAS E : GASES ERFEIOS EXERCÍCIOS ROOSOS Cosderado a trasoração socórca: co e Kelv 5 N 7, ( 7 + 7) K ( 7 + 7) K Logo,,8 5 N/ Esse roblea ode ser resolvdo aalsado-se o úero de oléculas

Leia mais

5.1 Método de Ponderação da Linha de Rotação

5.1 Método de Ponderação da Linha de Rotação 5 etodologa O copressor é o coponente de aor nfluênca no desepenho da turbna a gás ass a precsão de sua odelage te pacto sgnfcatvo na efcáca do odelo nuérco coputaconal desta ara a odelage do copressor

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

Introdução à Decomposição de Dantzig Wolfe

Introdução à Decomposição de Dantzig Wolfe Itrodução à Deoposção de Datzg Wolfe PNV-5765 Probleas de Prograação Mateáta Aplados ao Plaeaeto de Ssteas de Trasportes Maríto Prof. Dr. Adré Bergste Medes Bblografa Utlzada WILLIAMS, H.P. The forulato

Leia mais

1- Resolução de Sistemas Lineares.

1- Resolução de Sistemas Lineares. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Resolução de Sstes Leres..- Mtrzes e Vetores..2- Resolução de Sstes Leres de Equções Algébrcs por Métodos Extos (Dretos)..3- Resolução de Sstes Leres

Leia mais

ALGORITMO EM E FAMÍLIA EXPONENCIAL GENERALIZADA: UMA APLICAÇÃO NO EQUILÍBRIO DE HARDY-WEINBERG

ALGORITMO EM E FAMÍLIA EXPONENCIAL GENERALIZADA: UMA APLICAÇÃO NO EQUILÍBRIO DE HARDY-WEINBERG ALGORITMO EM E FAMÍLIA EXPOECIAL GEERALIZADA: UMA APLICAÇÃO O EQUILÍBRIO DE HARDY-WEIBERG Alla Robert da lva Paulo érgo Luco Prograa de Pós-Graduação e Mateátca Aplcada e Estatístca - PPGMAE Uversdade

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO HIPERGEOMÉTRICA 7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora

Leia mais

MODELAGEM MATEMÁTICA E ANÁLISE DO PROCESSO DE FLOCULAÇÃO EM CÂMARAS EM SÉRIE

MODELAGEM MATEMÁTICA E ANÁLISE DO PROCESSO DE FLOCULAÇÃO EM CÂMARAS EM SÉRIE MODELAGEM MATEMÁTICA E ANÁLISE DO POCESSO DE FLOCULAÇÃO EM CÂMAAS EM SÉIE odrgo B Moruzz, Sauel Coceção de Olvera Professor da Uesp, Capus de o Claro, o Claro-SP, Brasl, roruzz@rcuespbr Professor da Uesp,

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal

Leia mais

Análise de Sensibilidade da Taxa de Acidente de uma Planta Industrial por Cadeias de Markov e Teoria de Perturbação Generalizada (GPT)

Análise de Sensibilidade da Taxa de Acidente de uma Planta Industrial por Cadeias de Markov e Teoria de Perturbação Generalizada (GPT) Trabalho apresetado o CNMAC, Graado - RS, 26. Proceedig Series of the Brazilia Society of Coputatioal ad Applied Matheatics Aálise de Sesibilidade da Taxa de Acidete de ua Plata Idustrial por Cadeias de

Leia mais

Um estudo comparativo entre as funções de validação para agrupamento nebuloso de dados

Um estudo comparativo entre as funções de validação para agrupamento nebuloso de dados IV Cogresso Braslero de Coputação CBCop 004 Itelgêca Artfcal U estudo coparatvo etre as fuções de valdação para agrupaeto ebuloso de dados Lela R. S. da Slva, Medaera, Mestre, CEFET-PR, Ferado Gode. Capas,

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

CAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES

CAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES CAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES. Dferecas de orde superor Tratareos apeas o caso das fuções de A R e R sedo que o caso geral das fuções de A R e R se obté a

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

Otimização do Despacho Econômico de Energia Elétrica usando uma Combinação de Evolução Diferencial e Programação Quadrática Seqüencial

Otimização do Despacho Econômico de Energia Elétrica usando uma Combinação de Evolução Diferencial e Programação Quadrática Seqüencial Otmzação do Despacho Ecoômco de Eerga Elétrca usado uma Combação de Evolução Dferecal e Programação Quadrátca Seqüecal Leadro dos Satos Coelho e Vvaa Cocco Mara Potfíca Uversdade Católca do Paraá rupo

Leia mais

d s F = m dt Trabalho Trabalho

d s F = m dt Trabalho Trabalho UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução

Leia mais

Balanço de Massa e Energia Aula 2

Balanço de Massa e Energia Aula 2 alaço de assa e Eerga ula Udades e Desão Desão: Quatdade que pode ser edda, são as gradezas báscas coo copreto, assa, tepo, teperatura etre outras, ou quatdades calculadas pela dvsão ou ultplcação de outras

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

NOVOS LIMITANTES PARA O PROBLEMA DE PROGRAMAÇÃO QUADRÁTICA BINÁRIA IRRESTRITA

NOVOS LIMITANTES PARA O PROBLEMA DE PROGRAMAÇÃO QUADRÁTICA BINÁRIA IRRESTRITA NOVOS LIMITANTES PARA O PROBLEMA DE PROGRAMAÇÃO QUADRÁTICA BINÁRIA IRRESTRITA Geraldo Regs Maur Cetro de Cêcas Agráras, Departaeto de Egehara Rural Uversdade Federal do Espírto Sato - UFES Alegre ES aur@cca.ufes.br

Leia mais

Determine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período.

Determine a média de velocidade, em km/h, dos veículos que trafegaram no local nesse período. ESTATÍSTICA - 01 1. (UERJ 01) Téccos do órgão de trâsto recomedaram velocdade máxma de 80 km h o trecho de uma rodova ode ocorrem mutos acdetes. Para saber se os motorstas estavam cumprdo as recomedações,

Leia mais

ABORDAGEM DE ENXAME DE PARTÍCULAS APLICADA À ENGENHARIA DE CONFIABILIDADE

ABORDAGEM DE ENXAME DE PARTÍCULAS APLICADA À ENGENHARIA DE CONFIABILIDADE ABORDAGEM DE ENXAME DE PARTÍCULAS APLICADA À ENGENHARIA DE CONFIABILIDADE Flavo Augusto Ferrera do Nascento Prograa de Moblzação da Indústra Naconal de Petróleo e Gás (PROMINP) Curso de Engenhara de Planejaento

Leia mais

QUESTÕES DISCURSIVAS Módulo

QUESTÕES DISCURSIVAS Módulo QUESTÕES DISCURSIVAS Módulo 0 009 D (FUVEST-SP 008 A fgura ao lado represeta o úero + o plao coplexo, sedo a udade agára Nessas codções, a detere as partes real e agára de e b represete e a fgura a segur

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

SIMULAÇÃO DE SISTEMAS CAOTICOS NO MICROMEDIA FLASC

SIMULAÇÃO DE SISTEMAS CAOTICOS NO MICROMEDIA FLASC Aas do XXXIV COBENGE. Passo Fudo: Ed. Uversdade de Passo Fudo Setebro de 006. ISBN 85-755-7- SIMULAÇÃO DE SISTEMAS CAOTICOS NO MICROMEDIA FLASC José Slvéro Edudo Gerao - slvero@ta.br ITA Isttuto Tecológco

Leia mais

Capitulo 1 Resolução de Exercícios

Capitulo 1 Resolução de Exercícios S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes

Leia mais

Consideremos a fórmula que nos dá a área de um triângulo: = 2

Consideremos a fórmula que nos dá a área de um triângulo: = 2 6. Cálculo Derecal e IR 6.. Fução Real de Varáves Reas Cosdereos a órula que os dá a área de u trâulo: b h A( b h) Coo podeos vercar a área de u trâulo depede de duas varáves: base (b) e altura (h) Podeos

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

Cálculo Numérico Interpolação Polinomial Ajuste de Curvas (Parte II)

Cálculo Numérico Interpolação Polinomial Ajuste de Curvas (Parte II) Cálulo Nuéro Iterpolação Poloal Ajuste de Curvas (Parte II) Pro Jore Cavalat joreavalat@uvasedubr MATERIAL ADAPTADO DOS SLIDES DA DISCIPLINA CÁLCULO NUMÉRICO DA UFCG - wwwdsuedubr/~u/ Ajuste de Curvas

Leia mais

3 Experimento com Mistura com Respostas Não-Normais

3 Experimento com Mistura com Respostas Não-Normais Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 5 Epermeto com Mstura com Respostas Não-Normas Neste capítulo é apresetado o plaejameto e aálse de um EM com respostas ão ormas,

Leia mais

Análise estatística dos resultados do modelo de previsão atmosférica RAMS para a região do lago de Ilha Solteira (SP)

Análise estatística dos resultados do modelo de previsão atmosférica RAMS para a região do lago de Ilha Solteira (SP) Aálse estatístca dos resultados do modelo de prevsão atmosférca RAMS para a regão do lago de Ilha Soltera (SP) Beatrz da Slva Berardo, Ismar de A. Satos, Claudo F. Neves 3., Uversdade Federal do Ro de

Leia mais

Total Bom Ruim Masculino

Total Bom Ruim Masculino UNIDADE I - ESTUDO DIRIGIDO Questão - Classfque as varáves em qualtatva (omal ou ordal ou quattatva (cotíua ou dscreta: a. População: aluos de uma Uversdade. Varável: cor dos cabelos (louro, castaho, ruvo,

Leia mais

SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES

SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ PROGRAMAÇÃO NÃO LINEAR COM PARÂMETROS FUZZY Luza Aala Pto Catão Akebo Yaaka DT FEEC UNICAMP CP: 60 3083-970 Capas SP Brasl

Leia mais

Projeto e Análise de Algoritmos Aula 2: Função de Complexidade Notação Assintótica (GPV 0.3)

Projeto e Análise de Algoritmos Aula 2: Função de Complexidade Notação Assintótica (GPV 0.3) Projeto e Aálise de Algoritos Aula 2: Fução de Coplexidade Notação Assitótica (GPV 0.3) DECOM/UFOP 202/2 5º. Período Aderso Aleida Ferreira Material desevolvido por Adréa Iabrudi Tavares BCC 24/202-2 BCC

Leia mais

3 Procedimento Experimental

3 Procedimento Experimental 3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

Palavras-chave: Problemas de corte e empacotamento, carregamento de contêineres com múltiplos destinos, otimização combinatória, modelagem matemática.

Palavras-chave: Problemas de corte e empacotamento, carregamento de contêineres com múltiplos destinos, otimização combinatória, modelagem matemática. 1 ABORDAGENS PARA PROBEMAS DE CARREGAMENTO DE CONTÊINERES COM CONSIDERAÇÕES DE MÚTIPOS DESTINOS eoardo Juquera Realdo Morabto Dese Sato Yaashta Departaeto de Egehara de Produção Uversdade Federal de São

Leia mais

Hybrid Algorithms for Routing and Assignment Wavelengths in Optical Networks

Hybrid Algorithms for Routing and Assignment Wavelengths in Optical Networks 214 IEEE LATIN AMERICA TRANSACTIONS, VOL. 8, NO. 3, JUNE 2010 Hybrd Algorths for Routg ad Assget Wavelegths Optcal Networks K. D. R. Asss, A. F. Satos ad W. F. Gozza Abstract Ths paper presets a strategy

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

SOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINITAS-JM Balthazar- Maio Resolvendo um Problema de Condução de Calor

SOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINITAS-JM Balthazar- Maio Resolvendo um Problema de Condução de Calor SOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINIAS-JM Balthazar- Mao 3 Resolvedo u Problea de Codução de Calor Para troduzr o étodo das dfereças ftas de ua fora prátca vaos cosderar u problea de codução

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

Desenvolvimento de Modelo de Cargas Móveis para Verificação de Fadiga em Pontes Rodoviárias

Desenvolvimento de Modelo de Cargas Móveis para Verificação de Fadiga em Pontes Rodoviárias Desevolveto de Modelo de Cargas Móves para Verfcação de Fadga e Potes Rodováras Líva Ferades Satos 1, Mchèle Schubert Pfel 2 1 lva_ferades@pol.ufrj.br 2 POLI COPPE / UFRJ / pfel@coc.ufrj.br Resuo As potes

Leia mais

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado

Leia mais

Número de regressores do Método DFA

Número de regressores do Método DFA Núero de regressores do Método DFA Raquel Roes Lihares 1 Sílvia Regia Costa Lopes 2 1 Itrodução O étodo da aálise de flutuações destedeciadas (Detreded Fluctuatio Aalysis - DFA), proposto por Peg et al.

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS Físca Arqutectura Pasagístca Análse de erros ANÁLISE DE ERROS A ervação de u fenóeno físco não é copleta se não puderos quantfcá-lo Para é sso é necessáro edr ua propredade físca O processo de edda consste

Leia mais

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 e 8 06/204 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Nuérco 3/64 INTRODUÇÃO E geral, experentos gera ua gaa de dados que

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

CADERNO 1 (É permitido o uso de calculadora gráfica.)

CADERNO 1 (É permitido o uso de calculadora gráfica.) Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos

Leia mais

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais