Pontifícia Universidade Católica do Rio Grande do Sul Faculdade de Informática Pós-Graduação em Ciência da Computação

Tamanho: px
Começar a partir da página:

Download "Pontifícia Universidade Católica do Rio Grande do Sul Faculdade de Informática Pós-Graduação em Ciência da Computação"

Transcrição

1 Pontifícia Universidade Católica do Rio Grande do Sul Faculdade de Informática Pós-Graduação em Ciência da Computação Uma alternativa à distributividade do produto clássico de matrizes sobre o produto tensorial generalizado Marta Rosecler Bez Dissertação apresentada como requisito parcial à obtenção do grau de mestre em Ciência da Computação Orientador: Prof. Dr. Paulo H. L. Fernandes Porto Alegre, janeiro de 2002

2 ii

3 Para Ana, Rosangela, Roberto e Renata, pelo amor e apoio incondicional. iii

4 iv

5 Agradecimentos De tudo o que recebi nesta fase, algumas coisas maravilhosas merecem ser destacadas: O carinho e amizade sempre constante da minha turma especial: Josyane, Sandra, Garibaldi, Pedrão, Anderson, Ewerton, Carlos, Ricardo, Delm, Reynaldo - vocês são o máximo. O apoio do meu orientador: Paulo Fernandes - sei que não fui uma mestranda fácil. A ajuda constante dos professores. O incentivo e carinho permanente da professora Lúcia Giraa - com quem aprendi muito, apesar de não ter estado em sala de aula com ela. A amizade e ajuda especial do Guru João Batista, que com paciência não mediu esforços para me atender, e também pelo incentivo constante. A oportunidade e incentivo recebido por parte da Feevale e em especial dos colegas de trabalho. A ajuda dos amigos que estavam sempre disponíveis, mesmo que eu não pudesse retribuir. O amor de minha mãe e irmãos que compreenderam minhas faltas constantes. A ajuda incondicional recebida de minha irmã Rosangela, ela foi sensacional. O sorriso e carinho muito especial recebidos do Roberto e da Renata que abdicaram de minha companhia, mesmo muitas vezes contrariados. Vocês são muito especiais para mim. Obrigada. v

6 vi

7 Abstract The machine s development and computational s techniques demand a better analysis and study of its systems. This kind of research includes performance evaluation. Among the techiques that have been used in performance evaluation, the methods based on Markov models have been widely used. However, depending on the model the use of Markov chain requires a transition matrix (innitesimal generator) that may be so big that it s not possible to solve it, not even store it. Stochastic Automata Networks (SAN) emerged as a formalism with many advantages which includes the reduction of memory needs due to the use of tensor format. SAN consists in a number of rather independent stochastic automata. The only primitives for modelling the dependence among automata are the synchronizing events and functional rates. When there is no occurrence of functional transitions, we use the classic tensor product and tensor sum (ATC) to solve it. This work presents the ATC properties and its algebric proof. When the model has functionals elements we use generalized tensor algebra (ATG) to solve it. The SAN s cost for resolution are usually very low, except when there are functional transitions that create a cycle of dependencies among the model s automata. In order to resolve this problem, it s necessary to break this cycle of dependencies through some kind of compatibility between the generalized tensor product and the multiplications of matrices. We prove in this work that this compatibility did not happen in the same way as in classic tensor algebra, and also this problem can not be solved only by matrix permutations. Among a variety of permutations that have been tested, some of them generate errors related to matrix evaluation, making impossible to nd a compatibility. We put in evidence two experiences where the evaluatin are correct, but the matrices elements are in a wrong order. We conclude stating that it would be possible to nd out some form of compatibility from those inverted matrices. The next step, then, would be the development of an algorithm to achieve such permutations and to compare its computational cost to the other SAN solutions. vii

8 viii

9 Resumo A cada dia a evolução de máquinas e técnicas computacionais tem exigido uma melhor análise e acompanhamento de seus sistemas. Nesta área se insere o estudo de avaliação de sistemas. Dentre as técnicas utilizadas para avaliar sistemas, modelos markovianos tem sido muito utilizados e trazem uma série de vantagens. Porém, o grande inconveniente no uso de cadeias de Markov é que a matriz de transição (gerador innitesimal) pode ser tão grande que não é possível armazena-la e nem mesmo resolve-la. Redes de autômatos estocásticos - SAN - surgiu como um formalismo que, apesar de se basear em cadeias de Markov, tem como grande vantagem a redução da carga de memória, pois trabalha com pequenas matrizes que cam armazenadas em formato tensorial. SAN consiste de um número de autômatos estocásticos individuais que operam com relativa dependência uns dos outros. As únicas formas de independência são eventos sincronizantes e taxas funcionais. Quando não existe no modelo a ocorrência de transições funcionais, utiliza-se para a solução a álgebra tensorial clássica - ATC, com seus dois operadores, produto tensorial e soma tensorial. No trabalho são apresentadas as propriedades da álgebra tensorial clássica, bem como suas provas algébricas. Quando um modelo possui elementos funcionais, a resolução utiliza a álgebra tensorial generalizada - ATG, com dois operadores, quais sejam: produto tensorial generalizado e soma tensorial generalizada. O custo de resolução de uma rede de autômatos estocásticos é, via de regra, bastante baixo, exceto quando a existência de transições funcionais cria um ciclo de dependência entre os diversos autômatos do modelo. Para que seja resolvida uma rede de autômatos estocásticos onde isso ocorre, é necessário quebrar este ciclo de dependência através de algum tipo de compatibilidade entre o produto tensorial generalizado e a multiplicação de matrizes. Conseguimos, neste trabalho, provar que esta compatibilidade não se verica da mesma forma que na álgebra tensorial clássica. Adicionalmente, simples permutações não resolvem o problema. Dentre as diversas opções de permutações testadas, grande parte gera erros quanto a avaliação da matriz, o que, por si só, impossibilita a compatibilidade. Dois dos experimentos foram destacados, dentre os poucos em que a avaliação está correta, porém, a ordem dos elementos da matriz está invertida. Concluímos que o fato de conseguirmos inverter os elementos da matriz para a ordem correta, tornaria possível alguma forma de compatibilidade, a partir desta compatibilidade, o próximo passo seria o desenvolvimento de um algoritmo para comparar o custo computacional dessa inversão em relação a outras soluções de SAN. ix

10 x

11 Sumário ABSTRACT RESUMO LISTA DE TABELAS LISTA DE FIGURAS LISTA DE SÍMBOLOS E ABREVIATURAS vii ix xv xvii xix Capítulo 1: Introdução Divisão do trabalho Capítulo 2: Avaliação de desempenho Modelagem Modelos de simulação Modelos analíticos Formalismos de modelagem Monitoração Capítulo 3: Redes de autômatos estocásticos Autômatos Eventos locais Eventos sincronizados Transições funcionais Descritor markoviano Propriedades das cadeias de Markov Soluções numéricas para cadeias de Markov Métodos numéricos Métodos diretos Métodos iterativos Capítulo 4: Álgebra Tensorial Álgebra tensorial clássica (ATC) Produto tensorial Soma tensorial Propriedades da soma e do produto tensorial clássico Álgebra tensorial generalizada (ATG) xi

12 4.2.1 Produto tensorial generalizado Soma tensorial generalizada Propriedades da soma e do produto tensorial generalizados Capítulo 5: Demonstração algébrica das propriedades Produto tensorial clássico e soma tensorial clássica Associatividade Distributiva sobre adição clássica Compatibilidade com a multiplicação clássica Compatibilidade com a transposição de matrizes Decomposição em fatores normais Distributividade com relação à matriz identidade Comutatividade dos fatores normais Produto tensorial generalizado e soma tensorial generalizada Distributividade do produto tensorial generalizado em relação a soma convencional de matrizes Associatividade do produto tensorial generalizado e da soma tensorial generalizada Distributividade com relação à multiplicação pela matriz identidade Decomposição em fatores normais I Decomposição em fatores normais II Decomposição em produto tensorial clássico Capítulo 6: Compatibilidade do g com a multiplicação ordinária de matrizes Prova da incompatibilidade Estudo de alternativas Variações da matriz A Variações da matriz B Inversa de I A ou I B Variações da matriz A g I B Variações da matriz B, aplicado o g sobre I A Variações da matriz A g I B Variações da matriz I A g B As variações analisadas Produto de A g I B sobre as variações de B Produto de A T g I B sobre as variações de B Produto de P (A) g I B sobre as variações de B Produto de P (A) T g I B sobre as variações de B Produto de A g I B sobre as variações de B Produto de P (A) g I B sobre as variações de B Produto de A T g I B sobre as variações de B Produto de P (A T ) g I B sobre as variações de B Produto de A g I B sobre as variações de I A g B Produto de A T g I B sobre as variações de I A g B Produto de P (A) g I B sobre as variações de I A g B Produto de P (A T ) g I B sobre as variações de I A g B xii

13 Capítulo 7: Conclusão Prova da incompatibilidade Resultados obtidos Produto tensorial generalizado da transposta de A por I B multiplicado pelo produto tensorial generalizado de I A por B Produto tensorial generalizado da transposta de A por I B multiplicado pelo produto tensorial generalizado da inversa de I A por B Trabalhos futuros REFERÊNCIAS BIBLIOGRÁFICAS 73 xiii

14 xiv

15 Lista de Tabelas 2.1 Comparação entre modelos de simulação e modelos analíticos xv

16 xvi

17 Lista de Figuras 2.1 Formalismos de Modelagem [20] Rede de autômatos estocásticos com eventos locais Cadeia de Markov referente a SAN da gura Rede de autômatos estocásticos com evento sincronizante Cadeia de Markov referente a gura Rede de autômatos estocásticos com transições funcionais xvii

18 xviii

19 Lista de Símbolos e Abreviaturas CCS Cálculus of Comunicating Systems 8 SAN Rede de autômatos estocásticos 11 CTMC Cadeias de Markov a escala de tempo continuo 16 DTMC Cadeias de Markov a escala de tempo discreto 16 ATC Álgebra tensorial clássica 25 ATG Álgebra tensorial generalizada 25 Produto tensorial 25 Soma tensorial 25 g Produto tensorial generalizado 29 g Soma tensorial generalizada 29 xix

20 xx

21 Capítulo 1 Introdução A cada dia pode-se observar a evolução crescente e a complexidade de sistemas, o que tem exigido o desenvolvimento de ferramentas que permitam a modelagem e a análise do desempenho e conabilidade dos mesmos. Outro destaque que tem merecido a atenção da área de computação cientíca, tem sido o tamanho dos sistemas, o que tem gerado problemas de grandes proporções, difíceis de serem armazenados e também de serem resolvidos. Em função disso, nos últimos anos a modelagem e análise de sistemas tem recebido cada vez mais a atenção por parte de pesquisadores e cientistas que se dispunham, antes de ser implementado ou construído sicamente, a prever o comportamento destes sistemas. A evolução destes estudos tem sido feita desde 1890, onde iniciaram-se trabalhos com cadeias de Markov [64]. O primeiro formalismo estudado foi as redes de las de espera [34], [35], [41]. A partir de 1967, foi possível a generalização das redes de las de espera [6], [39]. Já na década de 70, estudos mais detalhados provém uma nova solução através do algoritmo conhecido como algoritmo de convolução [13], [53], [54], através do cálculo da constante de normalização para compensar a escolha de valores numéricos para as taxas de visita de cada estação. Grande destaque nos estudos sobre formalismos se deu com o surgimento das redes de Petri [39], [46], [67], por Carl Adam Petri, que variaram desde simples temporizações até mecanismos mais sosticados [1], [20], [54]. A partir destes estudos surgiram ferramentas baseadas em grafos, como as álgebras, que trabalham com uma nova forma que modela o funcionamento (de onde se extrai índices de desempenho) com ferramentas fáceis de denir e analizar [39]. Grande parte destes formalismos baseia-se em cadeias de Markov [59] para a busca da solução e avaliação destes sistemas, porém, como será visto no decorrer deste trabalho, este tipo de solução apresenta como grande inconveniente a complexidade dos mesmos, tanto a nível de solução quanto de armazenamento. Com a evolução dos sistemas distribuídos, tornaram-se freqüentes problemas práticos de paralelismo e sincronismo. Entre as décadas de 80 e 90, surgiu um novo formalismo, denido como rede de autômatos estocásticos [20], [21], [22], [59]. Este formalismo baseia-se também em cadeias de Markov, porém, com maior facilidade de manipulação e armazenamento, pois divide o sistema em pequenos subsistemas que interagem entre si [20], [22], [59]. Diversos autores tem escrito sobre redes de autômatos estocásticos [4], [19], [20], [48], [49], [60] como um formalismo que consegue representar um sistema de forma mais compacta que o tradicional (formatos esparsos) [59], bem como, um formalismo que evita o grande problema de armazenamento e tem um tempo de solução do problema menor. Este trabalho estuda a base matemática, de um ponto de vista numérico, que fundamenta redes de autômatos estocásticos com o objetivo principal de otimizar a sua solução. Redes de autômatos estocásticos utilizam-se da álgebra tensorial [20] para a solução de sistemas, tendo sido concentrados estudos principalmente em suas propriedades. 1

22 A álgebra tensorial divide-se basicamente em álgebra tensorial clássica e álgebra tensorial generalizada, neste segundo caso, trabalhando-se quando o sistema possui elementos funcionais, ou seja, elementos não constantes, que variam de acordo com o estado de cada autômato da rede de autômatos estocásticos. Muitas das propriedades da álgebra tensorial clássica já foram provadas e estão bem denidas [20], [60] e no caso da álgebra tensorial generalizada o mesmo não ocorre. O fato de não serem conhecidas algumas propriedades da álgebra tensorial generalizada, gera a necessidade de transformar os elementos funcionais de uma rede de autômatos estocásticos em constantes, através da propriedade da decomposição em produto tensorial clássico, que pode ser vista no capítulo 5. Neste caso, o sistema passa a trabalhar sem funções, pois transforma-se cada função, fazendo com que a matriz seja decomposta em tantos produtos tensoriais quanto o número de linhas da matriz onde será aplicada a função. Como pode ser visto, isso acarreta em grande prejuízo em termos de processamento. Por isso, torna-se quase imprescindível a descoberta de novas propriedades para que se possa trabalhar diretamente com as funções, ou seja, com cálculos aplicados de álgebra tensorial generalizada. Em resumo, todo o problema resolvido pela álgebra tensorial generalizada também pode ser resolvido pela álgebra tensorial clássica, sem prejuízo do resultado nal, porém com o agravante de aumentar os custos de processamento [11]. Estudos recentes tem mostrado e provado várias propriedades para a álgebra tensorial generalizada, que tem melhorado em muito o tempo de processamento para a resolução de problemas. A partir destas provas, alguns problemas podem ser resolvidos sem decompor as funções em novos produtos tensoriais, porém para que se possa resolver de fato todos os problemas diretamente com as funções, torna-se necessário a prova da propriedade da compatibilidade do produto tensorial generalizado sobre a multiplicação ordinária de matrizes. O objetivo do presente trabalho então é estudar, analisar e demonstrar as propriedades da álgebra tensorial clássica e generalizada e com base nestas, vericar possibilidades de aplicar a propriedade anteriormente citada, já estudada e provada para a álgebra tensorial clássica e ainda não estudada para a álgebra tensorial generalizada. Em estudo prévio desenvolvido pela autora do trabalho, foi descoberta a incompatibilidade da aplicação direta desta propriedade, conforme pode ser observado no capítulo 6. Em função disto, nesta obra serão buscadas alternativas matemáticas para solucionar esta incompatibilidade. 1.1 Divisão do trabalho Para chegar ao estudo das propriedades da álgebra tensorial, é importante fazer um estudo prévio da evolução da avaliação de desempenho dos sistemas, de toda a teoria que cerca o assunto. No capítulo 2, será abordado o tema avaliação de desempenho, a modelagem dos sistemas e técnicas utilizadas para medir e avaliar os sistemas. Será abordado de forma mais criteriosa, a modelagem, e basicamente citada a monitoração (técnica esta, não focalizada pelo trabalho). Entre as formas de modelar sistemas, ênfase será dada a modelos analíticos, pois neles serão aplicados nossos estudos. Conhecer o passado signica carregar a bagagem da experiência de anos de pesquisa. O estudo de novas técnicas é gerado a partir de experiências passadas. Formalismos de modelagem são estudados a décadas, servindo de embasamento para pesquisas e criação do formalismo de redes de autômatos estocásticos. No capítulo 2 apresenta-se um breve histórico do estudo destes formalismos. Redes de autômatos estocásticos baseiam-se em cadeias de Markov. No capítulo 3, pode ser encontrado o estudo de redes de autômatos estocásticos, denições básicas e a forma de modelar sistemas a partir destas. Serão apresentados exemplos de autômatos com eventos locais, eventos sincronizantes, transições funcionais, bem como uma explicação sobre cada um dos temas abordados. Em seguida é apresentada uma coletânea de informações referentes a cadeias de Markov e o descritor markoviano. Como, a partir da análise de um sistema gerar o descritor markoviano, utilizado para 2

23 o cálculo de redes de autômatos estocáticos. A partir do sistema modelado através de cadeias de Markov, o sistema pode ser resolvido através de equações de sistemas lineares. Estes sistemas são dividos basicamente entre diretos e indiretos. No capítulo 4, inicia-se a denição de álgebra tensorial clássica e álgebra tensorial generalizada. Apresenta-se os operadores matriciais utilizados, produto tensorial e soma tensorial, bem como sua operacionalização e exemplos do uso. Também apresenta-se a denição de fator normal, denição esta de grande importância no uso da soma tensorial, tanto clássica quanto generalizada. Estudar os operadores matriciais nos possibilita contato direto com as propriedades aplicadas tanto na álgebra tensorial clássica, quanto na álgebra tensorial generalizada. No capítulo 5, faz-se a demonstração algébrica das propriedades do produto tensorial e da soma tensorial clássica, bem como a demonstração algébrica das propriedades do produto tensorial generalizado e da soma tensorial generalizad a. Cada propriedade será estudada e analisada, com o intuito de fundamentar, apresentar a prova de cada uma e abrir perspectivas para o surgimento de novas propriedades, que em muito poderão auxiliar na simplicação da resolução de redes de autômatos estocásticos. No capítulo 6, com base nas provas apresentadas no capítulo 5, pode ser iniciado o estudo da busca para a compatibilidade do produto tensorial generalizado com a multiplicação ordinária de matrizes, sabendo-se que esta não se apresenta da mesma forma que na álgebra tensorial clássica. Primeiro apresenta-se as matrizes bases do estudo (A e B), em seguida, apresenta-se as variações sobre as mesmas, bem como variação sobre a identidade, ou seja, sua transposta. A partir destas variações, serão apresentados estudos realizados sobre cada variação, acompanhada de explicação e justicativa de cada variação estudada. A partir dos estudos realizados sobre as matrizes resultantes das multiplicações, no capítulo 7, conclusão, serão tecidas considerações, destacando os resultados mais próximos, ou seja, onde não se verica a ocorrência de avaliações erradas sobre as matrizes, para a partir destas solucionar o problema da incompatibilidade que está sendo estudada. Por nal, apresenta-se idéias para a continuidade futura deste trabalho. 3

24 4

25 Capítulo 2 Avaliação de desempenho O revolucionário processo de evolução tecnológica tanto a nível de hardware quanto de software tem exigido constantes estudos e merecido a atenção de diversas áreas. Dentre estas áreas, destaca-se a avaliação de desempenho, que tem como motivação medir e avaliar um sistema pronto ou a ser projetado. Existem, basicamente, duas fases utilizadas na técnica de avaliação de desempenho: modelagem e monitoração. 2.1 Modelagem Modelo, segundo uma análise literal da palavra, é a representação simplicada de alguma coisa. Pode ser denido ainda, como uma representação simplicada de um sistema, com o propósito de estudar o mesmo. Segundo [45], um modelo é uma réplica ou uma abstração da característica essencial de um processo. Um modelo, tratando-se de avaliação de desempenho, é uma visão simplicada de um sistema, onde procura-se buscar ao máximo a realidade do sistema, de maneira a fornecer, dentro de uma tolerância aceitável, diagnósticos precisos do mesmo. Quando um sistema não existe ainda, normalmente um modelo é a melhor alternativa. Exemplos de modelos podem ser observados em [37]. Um modelo é freqüentemente a única alternativa prática se o sistema ainda não existe ou se é necessário analisar o sistema submetido a uma carga ainda inexistente [58]. No desenvolvimento de um modelo, torna-se necessário: escolha do nível de abstração que será utilizado para descrever o sistema a ser modelado; escolha das características do sistema que devem ser incluídas no modelo; escolha dos índices de desempenho apropriados; escolha dos valores numéricos como parâmetros do sistema. Utiliza-se um modelo basicamente de duas maneiras, para simulação ou para resolução analítica [1] Modelos de simulação A simulação pode ser considerada como a reprodução funcional de uma realidade através de um modelo a ser analisado e avaliado. Ela deve descrever as características funcionais do modelo e conter todos os detalhes relevantes. Simulação é a forma mais popular de avaliar sistemas reais, existe grande facilidade para ser empregada, pois são programas de computador em que as operações e carga são descritas através de algoritmos apropriados. São implementados em linguagens próprias 5

26 para as construções destes modelos e os índices de performance são obtidos através da monitoração do programa em execução [1]. A abordagem de simulação proporciona a solução de problemas matemáticos não probabilísticos por reprodução de um processo estocástico que tem momentos ou distribuições de probabilidade satisfazendo as relações matemáticas do problema não probabilístico [43]. Problemas que desobedecem a soluções diretas por causa do tamanho, complexidade ou estrutura, são frequentemente avaliados através de modelos de simulação [38]. A principal desvantagem da simulação é o custo, pelo fato de serem dispendiosos e caros em termos de execução em máquinas. Além disto, devido às muitas possibilidades de um sistema real, pode ser difícil uma descrição exata Modelos analíticos Os modelos analíticos descrevem o sistema e sua carga em termos abstratos, onde as medidas de desempenho são obtidas através da solução numérica de um modelo resultante. Os modelos analíticos podem ser determinísticos 1 ou estocásticos 2. Nos modelos estocásticos existe uma análise probabilística do comportamento do sistema, onde os parâmetros do sistema são descritos por variáveis aleatórias, com distribuições de probabilidades convenientes, pois se todos os detalhes forem incluídos, a complexidade pode tornar o modelo intratável. Da mesma forma, em alguns casos, esses detalhes podem ser desconhecidos no momento da modelagem. A principal desvantagem dos modelos estocásticos é o fato de o modelo analítico se tornar muito caro em termos de complexidade computacional e de necessidade de armazenamento. MODELOS DE SIMULAÇÃO Difícil de mostrar que estão corretos Relações de causa-efeito estabelecidas em um programa Caros em termos de ciclos de execução de CPU. MODELOS ANALÍTICOS Suscetível a aproximações de modelagem Relações expressas através de equações Caros em termos de armazenamento e solução numérica. Tabela 2.1: Comparação entre modelos de simulação e modelos analíticos Formalismos de modelagem Formalismo de modelagem é a linguagem alfanumérica ou gráca para especicar os modelos [39]. As primeiras pesquisas sobre modelagem que se tem conhecimento são sobre análise direta de processos estocásticos através de cadeias de Markov [64]. Estes tiveram suas raízes com com a criação dos modelos de Markov, pelo matemático russo A. A. Markov e posteriormente, pelo matemático dinamarquês A. K. Erlang em redes de telefones [54]. Observações importantes, inicialmente de J. R. Jackson [34], [35] originaram um novo formalismo, as redes de la de espera. Em 1967, W. J. Gordon e G. F. Newell [32] demonstraram a existência de um produto para a solução de redes fechadas [41]. Em 1975, F. Baskett, K. M. Chandy, R. R. Muntz e F. G. Palacios [7] generalizaram a família de redes, estudando uma solução para este produto [54], [31]. Segundo eles, a rede de la de espera aberta [6], com capacidade ilimitada, com diversas classes distintas de clientes e forma de atendimento sem prioridade, pode ter seus índices de desempenho obtidos por um conjunto de fórmulas desenvolvido com base no teorema de chegada e na lei de Little. A partir de 1973, com os estudos de J. Buzen [13], M. Reizer e H. Kobayashi [53] surgiram os algoritmos chamados algoritmos de convolução, ou seja, uma recursividade inteligente com constantes 1 No modelo determinístico os valores são previamente determinados. 2 No modelo estocástico os parâmetros são descritos por variáveis aleatórioas com distribuições de probabilidade conveniente. 6

27 de normalizações de incremento da população de clientes. O cálculo dos índices de desempenho obtidos pelo algoritmo de convolução proposto por Buzen tem por objetivo determinar uma constante de normalização para compensar a escolha de valores numéricos para as taxas de visita de cada estação. Outros estudos, como os de M. Reiser e S. Lavenberg [53] geraram algoritmos que calculam o equilíbrio das probabilidades dos estados [54]. A análise feita por estes estudiosos evitou o cálculo de normalizações constantes, o que se tornou um conceito fundamental na teoria das las. Uma implementação deste algoritmo pode ser encontrada na ferramenta de software CQN - Closed Queueing Networks, desenvolvida e utilizada atualmente no projeto PEPS (Performance Evaluation of Parallel Systems)[51]. Uma diferente aproximação estudada foi a criação do software PANACEA, de J. McKenna, D. Mitra e JK. G. Romakrishnan para a solução de modelos markovianos de redes de las de espera signicativamente grandes para serem resolvidos com técnicas computacionais simples. Este software se propôs a resolver multiclasses, redes de las abertas, redes de las fechadas e mistas [54]. Outras abordagens sobre as redes de las de espera foram buscadas, principalmente devido a necessidade de resolução de problemas mais complexos, porém essas culminaram em simples extensões do formalismo de redes de las de espera. A partir destas extensões, iniciaram-se novos estudos, em especial mecanismos de sincronismo e paralelismo. Os sistemas baseados nestes mecanismos são, geralmente, difíceis de serem estudados e construídos, em função da explosão do número de estados do modelo. Por volta de 1960, foram introduzidas por Carl Adam Petri, as redes de Petri, como uma extensão de autômatos seqüenciais, caracterizando sistemas por meio de transações locais entre os estados, com isso permitindo vencer as limitações dos métodos formais 3 denidos por sistemas seqüenciais com respeito aos exibidos para os sistemas distribuídos [67]. Rede de Petri é uma ferramenta gráca e algébrica que apresenta um bom nível de abstração em comparação com outros modelos grácos [46]. É um modelo do tipo estado-evento, onde cada evento possui pré-condições que vão pemitir sua ocorrência e pós-condições decorrentes desta, as quais são, por sua vez, pré-condições de outros eventos posteriores. Uma rede de Petri é vista como um tipo particular de grafo orientado, que permite modelar as propriedades estáticas de um sistema a eventos discretos, constituído de dois tipos de nós: as transições (que correspondem aos eventos que caracterizam as mudanças de estado do sistema), e os lugares (que correspondem as condições que devem ser certicadas para os eventos acontecerem), interligados por arcos direcionados ponderados [46]. Rede de Petri [46] é, portanto, um formalismo que permite a modelagem de sistemas dinâmicos discretos com grande poder de expressividade, permitindo representar com facilidade todas as relações de causalidade entre os processos em situação de: seqüencialidade, conito, concorrência e sincronização. As redes de Petri podem variar de simples temporizações constantes [63] até mecanismos mais sosticados, conforme segue: redes de Petri estocásticas [1]. Um estudo aprofundado e exemplos de redes de Petri estocásticas pode ser encontrado em [8]; redes de Petri estocásticas generalizadas [1], [54]; redes de Petri de alto nível (redes coloridas) [1], [20]; redes de Petri estocásticas generalizadas superpostas [20]. 3 Métodos formais e processos algébricos caracterizam sistemas distribuídos de dois níveis: como meio de entendimento e, mais recentemente, como uma ferramenta para especicação de sistemas distribuídos com projetos bem denidos em seus paradigmas e métodos. 7

28 Novas técnicas de modelagem surgiram, através do cálculo de sistemas comunicantes (CCS - Calculus of Comunicating Systems) [20]. Dentre estas técnicas podem ser destacadas: álgebras de processos estocásticos [20]; redes de autômatos estocásticos [4],[20]. Existem também as ferramentas desenvolvidas em cima de grafos para descrever o comportamento temporal de eventos, que não se baseiam em cadeias de Markov, como: álgebras (max, +) [5], [39], [20]; álgebras exóticas [20]. Na gura 2.1, será apresentado o quadro com o resumo dos formalismos citados anteriormente. Figura 2.1: Formalismos de Modelagem [20]. 2.2 Monitoração Esta técnica, também conhecida como experimentação direta, consiste na observação direta do funcionamento de sistemas reais [19], [36]. A monitoração sugere grande delidade em relação às medidas obtidas, pois neste caso, não existe nenhuma abstração quanto ao funcionamento do sistema. Possui basicamente duas desvantagens a saber: 8

29 Sensibilidade da técnica de monitoração em relação a quantidade e representatividade das amostras de funcionamento a serem consideradas. Para o funcionamento desta técnica, faz-se necessário o uso de técnicas estatísticas. E, principalmente a necessidade da existência física e real do sistema que será avaliado. Traz como conseqüências: custo e tempo: a implementação de um sistema não estável pode conduzir a grandes alterações ou até mesmo a sua perda total. O custo e tempo para a implementação de um sistema, que pode necessitar novos testes, podem atrasar em muito a implantação do sistema denitivo. diculdade de reprodução: algumas vezes, torna-se necessário repetir um experimento com pequenas variações em alguns parâmetros e podem existir estímulos externos que fujam ao controle da experiência, invalidando qualquer comparação com os resultados anteriores [19]. 9

30 10

31 Capítulo 3 Redes de autômatos estocásticos Dentre as técnicas descritas anteriormente, os formalismos mais usados baseiam-se em cadeias de Markov [58], [60], pois normalmente são menos suscetíveis a erros, demandam menos tempo e possuem uma limitada complexidade matemática. Todavia, o espaço de estados gerados pode ser tão grande que além do modelo não ser tratável, a matriz de transição 1 é tão grande que não pode ser armazenada. O formalismo de redes de autômatos estocásticos (SAN) descreve um sistema completo como uma coleção de subsistemas que interagem uns com os outros. Cada um destes subsistemas é descrito como um autômato estocástico, ou seja, um autômato onde as transições são modeladas por processos estocásticos de tempo contínuo ou discreto [20], [24]. A técnica de redes de autômatos estocásticos proporciona uma metodologia conveniente que combina diferentes técnicas de modelagem, de uma forma muito particular para modelagem de processos paralelos, com processos comunicantes e processos concorrentes [47]. Segundo [29], o formalismo de redes de autômatos estocásticos é uma técnica atrativa de modelar sistemas complexos com iteração entre os componentes. Os componentes do sistema são modelados por simples autômatos e iterações entre estes componentes. Uma rede de autômatos estocásticos consiste de um número de autômatos estocásticos individuais que operam com uma relativa independência uns dos outros. Um autômato é representado por um número de estados e as regras que governam a movimentação destes estados [10]. Diz-se, nas denições, autômatos estocásticos, porque neles o tempo é tratado como uma variável aleatória, com o comportamento descrito por um processo estocástico [6] com distribuição exponencial 2. Uma variável aleatória é uma regra que atribui um valor numérico para cada possível resultado de um experimento. Denominado um conjunto de n resultados S, pode ser denida formalmente uma variável aleatória X como uma função de S nos números reais, ou seja: X: S -> R logo, X(s) dene um número real para o resultado s pertencente a S. A grande vantagem do uso de SAN é a redução de carga de memória para o armazenamento da matriz de transição da cadeia de Markov, que ca armazenada em formato tensorial. Uma denição formal de redes de autômatos estocásticos, bem como a solução de um modelo através de SAN, podem ser encontrados em [18] e [65]. Para o bom entendimento do formalismo SAN, é necessário conhecer alguns conceitos importantes, como autômatos, transições locais, transições sincronizadas e transições funcionais, bem como a geração e utilização do descritor markoviano. 1 Matriz de transição é o gerador innitesimal da cadeia de Markov associada a um modelo original. Mais informações podem ser vistas no capítulo 3, subtítulo Distribuição exponencial é a distribuição de probabilidade que melhor descreve um processo desconhecido. Esta parte do princípio que cada fenômeno é independente, logo a entropia é a maior possível. 11

32 3.1 Autômatos Um autômato [9] é composto por um conjunto de estados e um conjunto de transições entre estes estados. Essas transições podem representar eventos locais, ou seja, um evento local associado a uma única transição local e/ou eventos sincronizados, onde exista um evento sincronizante associado a um conjunto de transições locais que devem ser sincronizadas. Informalmente, pode-se dizer que o estado de uma rede de autômatos estocásticos é denido como a combinação de todos os estados internos de um autômato. Assim, em uma rede constituída de três autômatos, cada um com quatro estados locais, existe uma rede de autômatos estocásticos com um total de 4 3 = 64 estados globais diferentes em que, para que se altere o estado global de toda a rede de autômatos estocásticos, basta apenas um único autômato alterar o seu estado local. A mudança no estado global de uma rede de autômatos estocásticos pode ser conseqüência de um evento local ou de um evento sincronizante. Um evento local corresponde a mudança de estado de um único autômato, enquanto na ocorrência de um evento sincronizante, ocorre a mudança do estado interno de um ou mais autômatos Eventos locais Um evento local ocorre quando o funcionamento de cada autômato é independente de outro autômato, ou seja, em qualquer tempo e independente de outras transições [18]. Neste tipo de transição, a alteração do estado de um autômato não provoca alterações em outros autômatos da rede de autômatos estocásticos. Na gura 3.1, pode ser visto um exemplo de transição local, em seguida a explicação do mesmo. Figura 3.1: Rede de autômatos estocásticos com eventos locais O autômato A possui três estados internos, denominados a 0, a 1, a 2. O autômato B possui dois estados internos, denominados b 0 e b 1. Em função do modelo possuir somente eventos locais, todas as setas tem a taxa de disparo correspondente à transição, aqui representadas por t i, onde i varia de 1 a 5. A título de ilustração e melhor entendimento, na gura 3.2 será apresentada a cadeia de Markov correspondente ao modelo de rede de autômatos estocásticos com eventos locais, representada na gura 3.1. É importante notar que na SAN apresentada na gura 3.1, não existe interação entre os dois autômatos Eventos sincronizados Diferente dos eventos locais, os eventos sincronizados [25] são mais complexos, onde o funcionamento de um autômato depende de evento(s) de outro autômato. 12

33 Figura 3.2: Cadeia de Markov referente a SAN da gura 3.1. Um evento sincronizante é associado a um conjunto de transições sincronizadas, onde a taxa de disparo 3 deve ser associada a cada transição sincronizada e a ocorrência de um evento sincronizado se dá simultaneamente em todos os autômatos envolvidos [18]. No processo de sincronização pode ser vista uma relação do tipo mestre-escravo, onde um autômato é escolhido aleatoriamente como mestre e os demais como escravos. Neste processo, apenas a taxa de transição não é suciente, pois necessita-se do que se chama de tripla de sincronização, onde existe um identicador do evento sincronizante 4, a taxa de disparo e uma probabilidade de ocorrência 5. A melhor maneira de entender a tripla de sincronização é através da relação mestre-escravo. Supondo que para cada evento sincronizante, um autômato é escolhido como mestre, tem-se a seguinte estrutura [20]: o identicador do evento sincronizante aparece nas setas de ligação dos autômatos; as etiquetas das setas de ligação representam as transições sincronizadas do autômato mestre que apresentam a taxa de disparo correspondente a ocorrência do evento sincronizante foco; as etiquetas das setas de ligação representam as transições sincronizadas dos autômatos escravos que apresentam taxa igual a um; as transições associadas a um mesmo evento sincronizante, que tem como origem um mesmo estado local, devem apresentar uma probabilidade de escolha entre si, a soma dessas probabilidades é obrigatoriamente igual a um; nos autômatos mestre e escravo, caso haja uma única transição associada ao evento sincronizante, a probabilidade p vale um; 3 Taxa de disparo: descreve a taxa em que o evento ocorre. 4 Evento sincronizante: nome necessário para identicar as transições que podem ser disparadas simultaneamente. 5 Probabilidade de ocorrência: estabelece a relação entre todas as transições correspondentes a um mesmo evento que pode ser disparado. 13

34 para o autômato mestre, a tripla é escrita sob a forma (s, T, p), onde s é o identicador do evento sincronizante, T é a taxa de disparo e p é a probabilidade de ocorrência; para cada evento escravo, a tripla de sincronização é escrita sob a forma (s, 1, p), onde s é o identicador do evento sincronizante e p é a probabilidade de ocorrência. Figura 3.3: Rede de autômatos estocásticos com evento sincronizante. Na gura 3.3, as transições dos estados a 0 para a 1, a 1 para a 2, a 2 para a 0 e b 0 para b 1 são transições locais. As transições dos estados a 2 para a 0 e a 2 para a 1 no primeiro autômato e de b 1 para b 0 no segundo autômato, são transições sincronizadas que correspondem ao mesmo evento sincronizante s. Do estado a 2 para a 0 é possível observar duas transições, uma local de taxa t 3 e outra através do evento sincronizante s. A título de ilustração e melhor entendimento, na gura 3.4 será apresentada a cadeia de Markov correspondente ao modelo de rede de autômatos estocásticos (SAN) representada na gura 3.3. A ocorrência do evento sincronizado s causa uma das duas situações: 1. o autômato A passa do estado a 2 para o estado a 1 e ao mesmo tempo o autômato B passa do estado b 1 para o estado b 0 com a probabilidade p 2 ; ou 2. o autômato A passa do estado a 2 para o estado a 0 e ao mesmo tempo o autômato B passa do estado b 1 para o estado b 0 com a probabilidade p Transições funcionais A uma transição, seja ela local ou sincronizada, cujo valor não é constante, mas sim uma função do estado interno de outros autômatos da rede de autômatos estocásticos, denomina-se transição funcional [25]. Uma transição pode acontecer de acordo com eventos sincronizados e/ou eventos locais. No caso de eventos locais, a taxa é funcional, e em caso de eventos sincronizantes, pode a taxa e/ou a probabilidade serem funcionais. A gura 3.5 apresenta uma rede de autômatos estocásticos cujo autômato A possui uma transição funcional, ou seja, depende do estado interno do autômato B. Neste exemplo, a transição do estado b 0 para o estado b 1 é dependente do autômato A, agora chamada de f e denida como: λ 1 se A está no estado a 0 f = 0 se A está no estado a 1 (3.1) λ 2 se A está no estado a 2 No exemplo, o disparo da transição do estado b 0 para b 1 irá ocorrer com uma taxa λ 1 se o autômato A estiver no estado a 0. Se o autômato A estiver no estado a 1 e a transição for do estado b 0 para b 1, 14

35 Figura 3.4: Cadeia de Markov referente a gura 3.3. Figura 3.5: Rede de autômatos estocásticos com transições funcionais. nada irá ocorrer. De acordo com o formalismo SAN, a expressão matemática para a função pode ser escrita como [22]: f = [λ 1 (s + (A) = a 0 )] + [λ 2 (s + (A) = a 2 )] (3.2) Como citado anteriormente, o uso de transições funcionais não se restringe apenas a eventos locais. De fato, em um evento sincronizado não só a taxa, mas também a probabilidade de ocorrência de um evento pode ser expressa por uma função. O uso de transições funcionais é um poderoso recurso do formalismo SAN, pois permite escrever uma estrutura extremamente complexa com um formato bastante compacto e simples. O custo computacional para trabalhar com taxas funcionais tem diminuído enormemente com o desenvolvimento de soluções numéricas para modelos de redes de autômatos estocásticos [58]. 15

36 3.2 Descritor markoviano Um autômato é um modelo matemático de um sistema com entradas e saídas discretas [33]. O sistema pode estar em qualquer uma de um número nito de congurações internas ou estados. Um estado de um sistema sumariza a informação referente a entradas passadas que é necessária para determinar o comportamento do sistema para entradas subseqüentes. Se for possível representar o comportamento físico de um sistema, descrevendo os diferentes estados que o mesmo pode ocupar, indicando como ele se move de um estado para o outro e se o tempo dispendido em cada estado possui uma distribuição exponencial, pode dizer-se que este é um processo de Markov. Associado a todo o processo de Markov existe um grupo de estados. A evolução deste sistema entre os estados é representado por transições que ocorrem instantaneamente, em outras palavras, a movimentação de um estado para outro não consome tempo algum. Uma propriedade fundamental de um sistema de Markov é que a evolução futura do sistema depende somente do estado atual e não do passado [59]. Se os espaços de um processo de Markov forem discretos, o processo é chamado de cadeia de Markov. Cadeias de Markov são, na realidade, um formalismo de modelagem de sistemas que descreve um sistema com um processo estocástico, onde o sistema modelado é caracterizado pelos seus estados e a forma pela qual eles se alteram. As cadeias de Markov podem ser compreendidas como uma máquina de estados, que caracteriza o funcionamento do sistema pelos estados possíveis que ele pode assumir (nodos) e das transições que pode assumir (arcos). Segundo a escala de tempo, uma cadeia de Markov pode ser de dois tipos: Cadeias de Markov a escala de tempo contínuo: neste tipo de modelo as variáveis de estado mudam continuamente no tempo. Cadeias de Markov a escala de tempo discreto: neste tipo de modelo as variáveis de estado mudam só num conjunto discreto de pontos no tempo (DTMC) Propriedades das cadeias de Markov Cadeias de Markov são um formalismo para modelar sistemas supondo que: os estados do sistema são discretos; a escala de tempo que rege a transição entre estados do sistema pode se dar de forma contínua (CTMC) ou discreta (DTMC); a transição entre estados do sistema só depende do seu estado atual, não importando por quais estados o sistema já passou ou irá passar; a freqüência (CTMC) ou a probabilidade (DTMC) de transição de estados do sistema se dá segundo uma lei exponencial. Nosso maior interesse neste trabalho é em escala de tempo contínuo, portanto nos deteremos em apresentar o vetor solução das equações para CTMC e a montagem do gerador innitesimal. A representação gráca de uma cadeia de Markov é feita por autômatos onde associa-se a cada lugar um estado do sistema e a cada arco uma taxa (CTMC) ou probabilidade (DTMC). Matematicamente, uma cadeia de Markov é representada por uma matriz de transição de estados, onde: 16

37 para CTMC esta matriz de transição é chamada de gerador innitesimal (Q) e cada elemento numa linha i e numa coluna j representa a taxa de transição do sistema do estado i para o estado j, os elementos diagonais de Q representam o ajuste necessário para que a soma dos elementos de cada linha seja igual a zero; para DTMC esta matriz de transição é chamada de matriz estocástica (P) e a diferença básica é que cada elemento representa a probabilidade de transição entre estados, os elementos diagonais de P representam o ajuste necessário para que a soma dos elementos de cada linha seja igual a um. O resultado da análise estacionária de uma cadeia de Markov é expresso pelo vetor de probabilidade marginal dos estados do sistema. Este vetor dene qual a probabilidade (estacionária) de cada um dos estados do sistema [64], [59], [58]. Descritor markoviano é, portanto, uma descrição compacta da matriz de transição (gerador innitesimal) da cadeia de Markov associada a um modelo original. Para obter-se as medidas de desempenho do modelo analisado através da cadeia de Markov podemos determinar o estado estacionário 6 do modelo. Os resultados estacionários do modelo são obtidos através de um vetor de probabilidade π que associa uma probabilidade π i (i {1, 2,..., n}) a cada um dos n estados da cadeia de Markov. A partir do vetor π, obtem-se informações sobre o sistema modelado, como o número de tarefas executadas, tempos médios, etc. Para sistemas em escala contínua de tempo, o vetor π é o vetor solução das equações: πq = 0 (3.3) n π i = 1 (3.4) i=1 onde Q é o gerador innitesimal da cadeia de Markov [62]. O gerador innitesimal (Q) é uma matriz quadrada de ordem n Q igual ao número de estados do autômato. Para melhor entendimento, será utilizada como exemplo a gura 3.1, apresentada no item O autômato A possui três estados, ou seja, n Q = 3. Cada linha e cada coluna de Q é associada a um estado de A, segundo a ordem lexicográca dos estados. A primeira linha e a primeira coluna de Q correspondem ao estado a 0, a segunda linha e coluna correspondem ao estado a 1 e a terceira, ao estado a 2. O elemento q ij de Q (i, j = 1,..., n Q ) é a taxa de disparo correspondente a transição do estado associado à linha i para o estado associado a linha j, então: q 12 = t 1 (transição de a 0 para a 1 ); q 13 = 0 (não existe transição de a 0 para a 2 ); q 23 = t 2 (transição de a 1 para a 2 ); q 21 = 0 (não existe transição de a 1 para a 0 ); q 31 = t 3 (transição de a 2 para a 0 ); q 32 = 0 (não existe transição de a 2 para a 1 ); 6 Proporção de tempo em que a cadeia de Markov permanece em cada um de seus estados sob um tempo nito. 17

Avaliação Quantitativa de Sistemas

Avaliação Quantitativa de Sistemas Avaliação Quantitativa de Sistemas Contexto A Avaliação Quantitativa de Sistemas permite a avaliação de sistemas antes mesmo da sua implementação física. Dessa forma, é possível avaliar um sistema projetado

Leia mais

Redes de Petri. Marcação e seu comportamento dinâmico. Marcação

Redes de Petri. Marcação e seu comportamento dinâmico. Marcação Redes de Petri A rede de Petri, técnica de modelagem original de onde derivou mais tarde o SFC, foi introduzida em 962 por Carl Adam Petri. Consiste de uma ferramenta gráfica e matemática extremamente

Leia mais

TRABALHO INDIVIDUAL I do Curso de Mestrado em Ciência da Computação. Estudo Comparativo de Técnicas de Modelagem em Redes de Autômatos Estocásticos

TRABALHO INDIVIDUAL I do Curso de Mestrado em Ciência da Computação. Estudo Comparativo de Técnicas de Modelagem em Redes de Autômatos Estocásticos PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO TRABALHO INDIVIDUAL I do Curso de Mestrado em Ciência da Computação Prof.

Leia mais

IA - Planejamento II

IA - Planejamento II PO IA - Planejamento II Professor Paulo Gurgel Pinheiro MC906A - Inteligência Articial Instituto de Computação Universidade Estadual de Campinas - UNICAMP 16 de Novembro de 2010 1 / 48 PO http://www.ic.unicamp.br/

Leia mais

Conceitos Básicos de Programação

Conceitos Básicos de Programação BCC 201 - Introdução à Programação Conceitos Básicos de Programação Guillermo Cámara-Chávez UFOP 1/53 Conceitos básicos I Variável 2/53 Conceitos básicos II Posição de memoria, identificada através de

Leia mais

Análise e Projeto de Algoritmos

Análise e Projeto de Algoritmos Análise e Projeto de Algoritmos Profa. Sheila Morais de Almeida DAINF-UTFPR-PG junho - 2018 Sheila Almeida (DAINF-UTFPR-PG) Análise e Projeto de Algoritmos junho - 2018 1 / 40 Este material é preparado

Leia mais

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO ALGORITMO PARA CONVERSÃO AUTOMÁTICA DE MODELOS SAN GTA PARA MODELOS SAN

Leia mais

Modelos Probabilísticos

Modelos Probabilísticos Modelos Probabilísticos Somente para lembrar... Modelos são extremamente importantes para o estudo do desempenho de um sistema antes de implementá-lo na prática! Foguete proposto tem confiabilidade? Devemos

Leia mais

Introdução aos Algoritmos

Introdução aos Algoritmos Introdução aos Algoritmos Aula 05 Diogo Pinheiro Fernandes Pedrosa http://www2.ufersa.edu.br/portal/professor/diogopedrosa diogopedrosa@ufersa.edu.br Universidade Federal Rural do Semiárido Bacharelado

Leia mais

Cadeias de Markov de Tempo Contínuo (CTMC)

Cadeias de Markov de Tempo Contínuo (CTMC) Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições

Leia mais

Introdução aos Algoritmos

Introdução aos Algoritmos Introdução aos Algoritmos Aula 05 Diogo Pinheiro Fernandes Pedrosa http://www2.ufersa.edu.br/portal/professor/diogopedrosa diogopedrosa@ufersa.edu.br Universidade Federal Rural do Semiárido Bacharelado

Leia mais

Como modelar o comportamento de um sistema? MAB-515

Como modelar o comportamento de um sistema? MAB-515 Como modelar o comportamento de um sistema? MAB-515 Possibilidades de modelagem PARAMETRIZA modelo matemático experimento real AJUDA A COMPREENDER SIMULAÇÃO SOLUÇÃO ANALÍTICA MEDIDAS EXPERIMENTAIS NO MODELO

Leia mais

I - Introdução à Simulação

I - Introdução à Simulação 1 I - Introdução à Simulação Simulação é, entendida como a imitação de uma operação ou de um processo do mundo real. A simulação envolve a geração de uma história artificial de um sistema para a análise

Leia mais

Agregação em Redes de Autômatos Estocásticos

Agregação em Redes de Autômatos Estocásticos Pontifícia Universidade Católica do Rio Grande do Sul Faculdade de Informática Pós-Graduação em Ciência da Computação Agregação em Redes de Autômatos Estocásticos Leonardo Brenner Dissertação apresentada

Leia mais

Cálculo Numérico BCC760

Cálculo Numérico BCC760 Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita

Leia mais

Métodos Numéricos. Professor Tenani - 9 de Agosto de 2015

Métodos Numéricos. Professor Tenani -  9 de Agosto de 2015 Métodos Numéricos Professor Tenani - www.professortenani.com.br 9 de Agosto de 2015 Métodos Numéricos Professor Tenani - www.professortenani.com.br 1 / 51 Índice Métodos Numéricos Professor Tenani - www.professortenani.com.br

Leia mais

5 Decisão Sob Incerteza

5 Decisão Sob Incerteza 5 Decisão Sob Incerteza Os problemas de decisão sob incerteza são caracterizados pela necessidade de se definir valores de variáveis de decisão sem o conhecimento prévio da realização de parâmetros que,

Leia mais

Conceitos e Princípios Gerais

Conceitos e Princípios Gerais Conceitos e Princípios Gerais Conceitos e Princípios Gerais Fases na resolução de problemas físicos Resolução do Modelo Matemático Conceitos Básicos de Cálculo Numérico Erros em Processos Numéricos Fases

Leia mais

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria

Leia mais

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria

Leia mais

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria

Leia mais

4 Canais Iônicos Estocásticos

4 Canais Iônicos Estocásticos 4 Canais Iônicos Estocásticos 4.1 Processos Estocásticos e o Modelo de Hodgkin e Huxley O modelo de Hodgkin e Huxley clássico, macroscópico, tem como fundamento a variação dos valores das condutâncias

Leia mais

Arquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano. Desenvolvimento de Aplicações Paralelas

Arquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano. Desenvolvimento de Aplicações Paralelas Arquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano Desenvolvimento de Aplicações Paralelas (gec.di.uminho.pt/lesi/ap10203/aula06aplicaçõespar.pdf) João Luís Ferreira Sobral Departamento

Leia mais

Universidade Federal do Espírito Santo DI/PPGEM/PPGI 1 o Trabalho de Algoritmos Numéricos II - Computação Científica 17/1

Universidade Federal do Espírito Santo DI/PPGEM/PPGI 1 o Trabalho de Algoritmos Numéricos II - Computação Científica 17/1 Universidade Federal do Espírito Santo DI/PPGEM/PPGI 1 o Trabalho de Algoritmos Numéricos II - Computação Científica 17/1 Métodos Iterativos Não Estacionários para Sistemas Esparsos de Grande Porte 1 Introdução

Leia mais

6.Elaboração de algoritmos...13

6.Elaboração de algoritmos...13 Índice de conteúdos Capítulo 1. Computação Científica...1 1.Definição...1 2.Modelo genérico...2 3.Modelo matemático...2 4.Tipos de modelos matemáticos...3 5.Modelação matemática...5 5.1.Definição (formulação)

Leia mais

SISTEMAS LINEARES PROF. EDÉZIO

SISTEMAS LINEARES PROF. EDÉZIO SOLUÇÕES NUMÉRICAS DE SISTEMAS LINEARES PROF. EDÉZIO Considere o sistema de n equações e n incógnitas: onde E : a x + a x +... + a n x n = b E : a x + a x +... + a n x n = b. =. () E n : a n x + a n x

Leia mais

Metodologia de inversão

Metodologia de inversão 6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único

Leia mais

SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 3 Sarita Mazzini Bruschi

SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 3 Sarita Mazzini Bruschi Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 3 Sarita Mazzini Bruschi Material

Leia mais

MODELAGEM MATEMÁTICA E COMPUTACIONAL DE UM PROBLEMA DE INTEGRAÇÃO NA ÁREA DE PUBLICIDADE E PROPAGANDA UTILIZANDO REDES DE PETRI ESTOCÁSTICAS 1

MODELAGEM MATEMÁTICA E COMPUTACIONAL DE UM PROBLEMA DE INTEGRAÇÃO NA ÁREA DE PUBLICIDADE E PROPAGANDA UTILIZANDO REDES DE PETRI ESTOCÁSTICAS 1 MODELAGEM MATEMÁTICA E COMPUTACIONAL DE UM PROBLEMA DE INTEGRAÇÃO NA ÁREA DE PUBLICIDADE E PROPAGANDA UTILIZANDO REDES DE PETRI ESTOCÁSTICAS 1 Francine Freddo 2, Sandro Sawicki 3, Rafael Z Frantz 4. 1

Leia mais

COMO FUNCIONA A SIMULAÇÃO

COMO FUNCIONA A SIMULAÇÃO COMO FUNCIONA A SIMULAÇÃO Capítulo 2 - Aula 3 1 Terminologia Básica Variáveis de Estado Eventos Entidades e Atributos Recursos e Filas de Recursos Atividades e Períodos de Espera Tempo (Real) Simulado

Leia mais

Avaliação de Desempenho

Avaliação de Desempenho Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer

Leia mais

Um modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15

Um modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15 2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação

Leia mais

COMO FUNCIONA A SIMULAÇÃO

COMO FUNCIONA A SIMULAÇÃO COMO FUNCIONA A SIMULAÇÃO Capítulo 2 - Aula 3 1 Terminologia Básica Ver capítulo 2 da referência 1 Variáveis de Estado Eventos Entidades e Atributos Recursos e Filas de Recursos Atividades e Períodos de

Leia mais

PESQUISA OPERACIONAL

PESQUISA OPERACIONAL PESQUISA OPERACIONAL Uma breve introdução. Prof. Cleber Almeida de Oliveira Apostila para auxiliar os estudos da disciplina de Pesquisa Operacional por meio da compilação de diversas fontes. Esta apostila

Leia mais

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241 Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes

Leia mais

EAD DETERMINANTES CONCEITO:

EAD DETERMINANTES CONCEITO: 1 EAD DETERMINANTES CONCEITO: Dada uma Matriz Quadrada de ordem n, dizemos que Determinante de ordem n é um número associado a essa Matriz conforme determinadas leis. Representamos o Determinante de uma

Leia mais

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241 Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes

Leia mais

Resumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.

Resumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução. Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço

Leia mais

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241 Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação

Leia mais

ESTATÍSTICA COMPUTACIONAL

ESTATÍSTICA COMPUTACIONAL ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares

Leia mais

3 Extensões dos modelos matemáticos

3 Extensões dos modelos matemáticos 3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através

Leia mais

UNIVERSIDADE FEDERAL DE PERNAMBUCO Lista de Exercícios / Cálculo Numérico 1ª Unidade

UNIVERSIDADE FEDERAL DE PERNAMBUCO Lista de Exercícios / Cálculo Numérico 1ª Unidade 1) Analise as alternativas abaixo e marque V para verdadeiro e F para falso. No segundo caso, explique como as tornaria verdadeiras: ( ) O método das secantes é utilizado para solucionar um problema de

Leia mais

MÉTODOS NUMÉRICOS APLICADOS À ENGENHARIA

MÉTODOS NUMÉRICOS APLICADOS À ENGENHARIA UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE MECÂNICA CURSO DE ENGENHARIA MECÂNICA MÉTODOS NUMÉRICOS APLICADOS À ENGENHARIA INTRODUÇÃO AOS MÉTODOS DE DIFERENÇAS FINITAS E DE VOLUMES

Leia mais

Ema Isabel Modesto Marques. Modelos de localização com filas de espera em rede. Orientador Prof. Doutor Francisco José Ferreira Silva.

Ema Isabel Modesto Marques. Modelos de localização com filas de espera em rede. Orientador Prof. Doutor Francisco José Ferreira Silva. Ema Isabel Modesto Marques Modelos de localização com filas de espera em rede Dissertação para a obtenção do grau de Mestre em Gestão (MBA) Orientador Prof. Doutor Francisco José Ferreira Silva Coorientador

Leia mais

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241 Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É

Leia mais

Teoria de Conjuntos. Matemática Discreta I. Rodrigo Ribeiro. 6 de janeiro de 2013

Teoria de Conjuntos. Matemática Discreta I. Rodrigo Ribeiro. 6 de janeiro de 2013 Teoria de Conjuntos Matemática Discreta I Rodrigo Ribeiro Departamento de Ciências Exatas e Aplicadas Universidade de Federal de Ouro Preto 6 de janeiro de 2013 Motivação (I) Porque estudar Teoria de Conjuntos?

Leia mais

ESTRUTURAS DE DADOS E ALGORITMOS APRESENTAÇÃO DO CURSO E INTRODUÇÃO

ESTRUTURAS DE DADOS E ALGORITMOS APRESENTAÇÃO DO CURSO E INTRODUÇÃO ESTRUTURAS DE DADOS E ALGORITMOS APRESENTAÇÃO DO CURSO E INTRODUÇÃO Adalberto Cajueiro (adalberto@computacao.ufcg.edu.br) Departamento de Sistemas e Computação Universidade Federal de Campina Grande 1

Leia mais

Modelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014

Modelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos

Leia mais

Roteiros e Exercícios - Álgebra Linear v1.0

Roteiros e Exercícios - Álgebra Linear v1.0 Roteiros e Exercícios - Álgebra Linear v1.0 Robinson Alves Lemos 14 de janeiro de 2017 Introdução Este material é um roteiro/apoio para o curso de álgebra linear da engenharia civil na UNEMAT de Tangará

Leia mais

MATRIZ DE REFERÊNCIA-Ensino Médio Componente Curricular: Matemática

MATRIZ DE REFERÊNCIA-Ensino Médio Componente Curricular: Matemática MATRIZ DE REFERÊNCIA-Ensino Médio Componente Curricular: Matemática Conteúdos I - Conjuntos:. Representação e relação de pertinência;. Tipos de conjuntos;. Subconjuntos;. Inclusão;. Operações com conjuntos;.

Leia mais

Universidade Federal de Viçosa, Departamento de Química 2

Universidade Federal de Viçosa, Departamento de Química 2 DESENVOLVIMENTO DO PROGRAMA DE COMPUTADOR MMQ DE REGRESSÃO LINEAR MÚLTIPLA NA CALCULADORA HP PRIME E SUA APLICAÇÃO NA DISCIPLINA DE CINÉTICA HETEROGÊNEA M. F. PINHEIRO 1, F. Á. RODRIGUES 2 1 Universidade

Leia mais

Avaliação de Desempenho de Sistemas Discretos

Avaliação de Desempenho de Sistemas Discretos Referências Avaliação de Desempenho de Sistemas Discretos Parte I: Introdução Professor: Reinaldo Gomes reinaldo@computacao.ufcg.edu.br 4 Kleinrock, L. Queueing Systems - Vol. : Theory. John Wiley & Sons,

Leia mais

Noções de Processos Estocásticos e Cadeias de Markov

Noções de Processos Estocásticos e Cadeias de Markov Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={

Leia mais

Tópicos Avançados em Sistemas Computacionais: Infraestrutura de Hardware Aula 02

Tópicos Avançados em Sistemas Computacionais: Infraestrutura de Hardware Aula 02 Tópicos Avançados em Sistemas Computacionais: Infraestrutura de Hardware Aula 02 Prof. Max Santana Rolemberg Farias max.santana@univasf.edu.br Colegiado de Engenharia de Computação POR QUE APRENDER CONCEITOS

Leia mais

MAC Tópicos de POO Padrão: Teorias Formais

MAC Tópicos de POO Padrão: Teorias Formais MAC5715 - Tópicos de POO Padrão: Teorias Formais Ana Paula Mota(NUSP: 3671589) e Daniel Ribeiro (NUSP: 3667708) 1 Objetivo Pesquisar, compreender e estender o conhecimento de áreas como matemática, estatística

Leia mais

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria

Leia mais

Breve Introdução à Programação em Scilab 6.0

Breve Introdução à Programação em Scilab 6.0 Universidade Federal do Paraná UFPR Departamento de Engenharia Química Breve Introdução à Programação em Scilab 6.0 Prof. Éliton Fontana 2018/2 2 Conteúdo 1 Conceitos Básicos 4 2 Operando Vetores e Matrizes

Leia mais

Redes de Petri. Prof. Juan Moises Mauricio Villanueva

Redes de Petri. Prof. Juan Moises Mauricio Villanueva Redes de Petri Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br Redes de Petri Publicado em 1962, por Carl Adam Petri Uma rede de Petri (RP) pode ser interpretada como um grafo direcionado

Leia mais

7 Prova de Conceito. 7.1 Domínio

7 Prova de Conceito. 7.1 Domínio 54 7 Prova de Conceito 7.1 Domínio Para provar os conceitos apresentamos uma implementação do McCloud no domínio de um problema amplamente conhecido no campo da matemática. Escolhemos a aproximação do

Leia mais

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 70-000 Tel: (7)-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP

Leia mais

Universidade Federal do ABC Rua Santa Adélia, Bairro Bangu - Santo André - SP - Brasil CEP Telefone/Fax:

Universidade Federal do ABC Rua Santa Adélia, Bairro Bangu - Santo André - SP - Brasil CEP Telefone/Fax: Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA BC1436 - PRINCÍPIOS DE SIMULAÇÃO

Leia mais

Projeto e Análise de Algoritmos Análise de Complexidade. Prof. Luiz Chaimowicz

Projeto e Análise de Algoritmos Análise de Complexidade. Prof. Luiz Chaimowicz Projeto e Análise de Algoritmos Análise de Complexidade Prof. Luiz Chaimowicz AGENDA Modulo 1 Data Assunto Capítulos 05/03 Algoritmos / Invariantes / Intro Análise de Complexidade 07/03 Não Haverá Aula

Leia mais

6 Modelo Gamma-Cetuc (GC)

6 Modelo Gamma-Cetuc (GC) 6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda

Leia mais

Cálculo Numérico Noções básicas sobre erros

Cálculo Numérico Noções básicas sobre erros Cálculo Numérico Noções básicas sobre erros Profa. Vanessa Rolnik 1º semestre 2015 Fases da resolução de problemas através de métodos numéricos Problema real Levantamento de Dados Construção do modelo

Leia mais

Teoria dos Grafos. Aula 5 - Estruturas de Dados para Grafos. Profª. Alessandra Martins Coelho. março/2013

Teoria dos Grafos. Aula 5 - Estruturas de Dados para Grafos. Profª. Alessandra Martins Coelho. março/2013 Teoria dos Grafos Aula 5 - Estruturas de Dados para Grafos Profª. Alessandra Martins Coelho março/2013 Estrutura é o que caracteriza o próprio grafo e independe da forma como ele é representado. A representação

Leia mais

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO UMA ABORDAGEM PARALELA PARA O ALGORITMO SPLIT FELIPE FRANCIOSI Dissertação

Leia mais

5. Expressões aritméticas

5. Expressões aritméticas 5. Expressões aritméticas 5.1. Conceito de Expressão O conceito de expressão em termos computacionais está intimamente ligado ao conceito de expressão (ou fórmula) matemática, onde um conjunto de variáveis

Leia mais

Uma breve introdução ao Curso de Computação Científica / Algoritmos Numéricos II

Uma breve introdução ao Curso de Computação Científica / Algoritmos Numéricos II Uma breve introdução ao Curso de Computação Científica / Algoritmos Numéricos II Lucia Catabriga luciac@inf.ufes.br March 28, 2017 Lucia Catabriga (UFES) ANII e CC DI/PPGI/PPGEM March 28, 2017 1 / 27 Contextualizando

Leia mais

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG

SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 Tel: ()-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP -

Leia mais

Primeiro Exercício programa: Como o Google ordena páginas. MAP-2121 para EPUSP

Primeiro Exercício programa: Como o Google ordena páginas. MAP-2121 para EPUSP Primeiro Exercício programa: Como o Google ordena páginas MAP-2121 para EPUSP 1 Instruções gerais Os exercícios computacionais pedidos na disciplina Cálculo Numérico têm por objetivo fundamental familiarizar

Leia mais

Cadeias de Markov no ensino básico.

Cadeias de Markov no ensino básico. Cadeias de Markov no ensino básico Rodrigo Sychocki da Silva Porto Alegre, 3 de Dezembro de 200 Cadeias de Markov no ensino básico Rodrigo Sychocki da Silva* Maria Paula Gonçalves Fachin** Resumo Neste

Leia mais

MATRIZES - PARTE Definição e Manipulação de Matrizes AULA 21

MATRIZES - PARTE Definição e Manipulação de Matrizes AULA 21 AULA 21 MATRIZES - PARTE 1 21.1 Definição e Manipulação de Matrizes Sabemos como definir variáveis de um novo tipo de dados, denominado vetor, que representam seqüências de valores de um mesmo tipo. Por

Leia mais

étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO

Leia mais

Apresentação do Curso

Apresentação do Curso Apresentação do Curso Laura Goulart UESB 14 de Novembro de 2018 Laura Goulart (UESB) Apresentação do Curso 14 de Novembro de 2018 1 / 25 O que é Cálculo Numérico O cálculo numérico procura resolver, por

Leia mais

5 Agregação das Reservas das Entidades

5 Agregação das Reservas das Entidades 5 Agregação das Reservas das Entidades Neste capítulo é apresentado o procedimento de agregação das reservas das entidades. É importante ressaltar que as entidades probabilísticas sofrem agregação probabilística,

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Análise da Decisão Pela própria natureza da vida, todos nós devemos continuamente

Leia mais

SSC546 -Avaliação de Desempenho de Sistemas

SSC546 -Avaliação de Desempenho de Sistemas Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 -Avaliação de Desempenho de Sistemas Parte 1 -Aula 2 Sarita Mazzini Bruschi Material

Leia mais

Introdução ao Curso de Algoritmos Numéricos II /

Introdução ao Curso de Algoritmos Numéricos II / Introdução ao Curso de Algoritmos Numéricos II / Computação Científica Andrea M. P. Valli, Lucia Catabriga avalli@inf.ufes.br, luciac@inf.ufes.br March 19, 2018 Andrea M. P. Valli, Lucia Catabriga (UFES)

Leia mais

CURSO DE GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MATRIZ CURRICULAR MATUTINO Fase N.

CURSO DE GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MATRIZ CURRICULAR MATUTINO Fase N. CURSO DE GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MATRIZ CURRICULAR MATUTINO Fase N. Ordem Código COMPONENTE CURRICULAR Créditos Horas Prérequisitos 01 Introdução à informática 04 60 02 Matemática instrumental

Leia mais

3 Aprendizado por reforço

3 Aprendizado por reforço 3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina

Leia mais

Complexidade de Tempo e Espaço

Complexidade de Tempo e Espaço Complexidade de Tempo e Espaço Profa. Sheila Morais de Almeida DAINF-UTFPR-PG junho - 2018 Sheila Almeida (DAINF-UTFPR-PG) Complexidade de Tempo e Espaço junho - 2018 1 / 43 Este material é preparado usando

Leia mais

Cálculo Diferencial e Integral Química Notas de Aula

Cálculo Diferencial e Integral Química Notas de Aula Cálculo Diferencial e Integral Química Notas de Aula João Roberto Gerônimo 1 1 Professor Associado do Departamento de Matemática da UEM. E-mail: jrgeronimo@uem.br. ÍNDICE 1. INTRODUÇÃO Esta notas de aula

Leia mais

Análise Sintática I. Eduardo Ferreira dos Santos. Abril, Ciência da Computação Centro Universitário de Brasília UniCEUB 1 / 42

Análise Sintática I. Eduardo Ferreira dos Santos. Abril, Ciência da Computação Centro Universitário de Brasília UniCEUB 1 / 42 Análise Sintática I Eduardo Ferreira dos Santos Ciência da Computação Centro Universitário de Brasília UniCEUB Abril, 2017 1 / 42 Sumário 1 Introdução 2 Derivações 3 Ambiguidade 4 Análise sintática descendente

Leia mais

AULA 11 PROJETO E ANÁLISE DE ALGORITMOS. Conceitos básicos e representação de grafos Karina Valdivia Delgado

AULA 11 PROJETO E ANÁLISE DE ALGORITMOS. Conceitos básicos e representação de grafos Karina Valdivia Delgado AULA 11 PROJETO E ANÁLISE DE ALGORITMOS Conceitos básicos e representação de grafos Karina Valdivia Delgado Roteiro Motivação Conceitos básicos Representação Motivação Um grafo é uma abstração que permite

Leia mais

Apresentação do Curso

Apresentação do Curso Apresentação do Curso Laura Goulart UESB 7 de Outubro de 2016 Laura Goulart (UESB) Apresentação do Curso 7 de Outubro de 2016 1 / 24 O que é Cálculo Numérico O cálculo numérico procura resolver, por meio

Leia mais

Teoria da Computação. Computabilidade e complexidade computacional

Teoria da Computação. Computabilidade e complexidade computacional Teoria da Computação Computabilidade e complexidade computacional 1 Computabilidade e Complexidade Computabilidade: verifica a existência de algoritmos que resolva uma classe de linguagens trata a possibilidade

Leia mais

Mecanismos de Interrupção e de Exceção, Barramento, Redes e Sistemas Distribuídos. Sistemas Operacionais, Sistemas

Mecanismos de Interrupção e de Exceção, Barramento, Redes e Sistemas Distribuídos. Sistemas Operacionais, Sistemas Arquitetura de Computadores, Arquitetura de Computadores Organização de Computadores, Conjunto de Instruções, Sistemas Operacionais, Sistemas Operacionais, Sistemas Mecanismos de Interrupção e de Exceção,

Leia mais

Equações de diferenças e aplicações

Equações de diferenças e aplicações Departamento de Matemática e Engenharias Equações de diferenças e aplicações Rafael Domingos Garanito Luís (Licenciado) Dissertação para obtenção do grau de Mestre em Matemática (Área de Especialização

Leia mais

GRADE CURRICULAR E CORPO DOCENTE. Fase 1 Carga horária total: 360h

GRADE CURRICULAR E CORPO DOCENTE. Fase 1 Carga horária total: 360h Ciência da Computação CÂMPUS LAGES Instrumentos Regulatórios (Resolução CEPE e CONSUP ou Portaria de reconhecimento do curso pelo MEC) RESOLUÇÃO CEPE/IFSC Nº 39, DE 13 DE AGOSTO DE 2014. RESOLUÇÃO CONSUP/IFSC

Leia mais

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Cadeias de Markov Em 1907, Andrew Markov iniciou um estudo sobre um modelo onde o resultado

Leia mais

Modelagem e Análise de Sistemas - COS767

Modelagem e Análise de Sistemas - COS767 Modelagem e Análise de Sistemas - COS767 Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Geração de variáveis aleatórias: método da transformada inversa Simulação

Leia mais

CAPÍTULO 2 Visão Geral da Abordagem de Modelagem da Pesquisa Operacional 7

CAPÍTULO 2 Visão Geral da Abordagem de Modelagem da Pesquisa Operacional 7 SUMÁRIO CAPÍTULO 1 Introdução 1 1.1 A origem da pesquisa operacional 1 1.2 A natureza da pesquisa operacional 2 1.3 O impacto da pesquisa operacional 3 1.4 Algoritmos e/ou courseware 3 Referências selecionadas

Leia mais

Tabelas de Hash MBB. Novembro de Algoritmos e Complexidade LEI-LCC

Tabelas de Hash MBB. Novembro de Algoritmos e Complexidade LEI-LCC Tabelas de Hash Algoritmos e Complexidade LEI-LCC 2010-2011 MBB Novembro de 2010 Tabelas e Acesso a Informação As estruturas de dados apresentadas anteriormente têm como objectivo o armazenamento de informação,

Leia mais

Instituto Superior Técnico - Álgebra Linear - 1 o Semestre 2016/2017 LEIC-A 5 a Ficha de exercícios para as aulas de problemas

Instituto Superior Técnico - Álgebra Linear - 1 o Semestre 2016/2017 LEIC-A 5 a Ficha de exercícios para as aulas de problemas Instituto Superior Técnico - Álgebra Linear - o Semestre 0/0 LEIC-A a Ficha de exercícios para as aulas de problemas Classi que quanto à paridade as seguintes permutações de números de a : () () () (iv)

Leia mais

Teoria dos Grafos. Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada.

Teoria dos Grafos. Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada. Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br Preparado a partir do texto: Rangel, Socorro. Teoria do Grafos,

Leia mais

Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS. Tese de Doutorado

Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS. Tese de Doutorado 1 Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS Tese de Doutorado Tese apresentada ao Programa de Pós-graduação em Engenharia Elétrica da PUC-Rio como requisito

Leia mais

Plano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov

Plano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov Plano Esta apresentação é para pessoas sem conhecimento prévio de HMMs Introdução aos Modelos Escondidos de Markov 2004 Objetivos: Ensinar alguma coisa, não tudo (Visão geral, sem muitos detalhes). Tentar

Leia mais

5 Formulação Dinâmica Não Linear no Domínio da Frequência

5 Formulação Dinâmica Não Linear no Domínio da Frequência 129 5 Formulação Dinâmica Não Linear no Domínio da Frequência No Capítulo 2, foram apresentadas as formulações para a análise dinâmica de estruturas reticuladas no domínio do tempo, sendo uma informação

Leia mais

3. Linguagem de Programação C

3. Linguagem de Programação C Introdução à Computação I IBM1006 3. Linguagem de Programação C Prof. Renato Tinós Departamento de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Linguagem de programação C 3.1. Conceitos

Leia mais