CONSTRUÇÃO DE UM ESTIMADOR PESSIMISTA PARA O PROBLEMA DA SEQUÊNCIA MAIS PRÓXIMA
|
|
- Vagner de Sintra
- 5 Há anos
- Visualizações:
Transcrição
1 CONSTRUÇÃO DE UM ESTIMADOR PESSIMISTA PARA O PROBLEMA DA SEQUÊNCIA MAIS PRÓXIMA Kety Yaaoto, Carlos A. Martho, Helea C. G. Letão Isttuto de Coputação, Uversdade Federal Fluese Rua Passo da Pátra 56, Bloco E, Sala 303, São Dogos, 40-30, Nteró, RJ, Brasl {kyaa@acol.co.br, art@dcc.c.uff.br,hcgl@c.uff.br} Resuo No oblea da Seqüêca Mas óxa-psmp (Closest Strg oble) desejaos ecotrar ua seqüêca de caracteres que as se aproxe, segudo ua dada étrca, de u dado cojuto S de seqüêcas de eso taaho. E outras palavras, desejaos zar a aor dstâca desta seqüêca às deas seqüêcas do cojuto. Este artgo dscute ua estratéga de deradozação para o PSMP baseada o étodo das probabldades codcoas. Apresetaos calete u algorto radôco aproxado para o problea, já proposto a lteratura, e ostraos coo gerar ua solução deterístca utlzado-se o étodo dos estadores pessstas. Esta estratéga é utlzada oralete e stuações ode as probabldades codcoas ecessáras a deradozação ão pode ser deteradas dretaete. Palavras-chave Método obablístco, Bologa Coputacoal, Deradozação. Algortos Radôcos Aproxatvos. Abstract I the Closest Strg oble CSP the objectve s to fd a sequece of characters that s closer, accordg to a gve etrc, to a set S of sequeces of the sae sze. I aother words, the objectve s to ze the ajor dstace betwee ths sequece ad the other sequeces of S. I ths paper we dscuss a deradozato strategy for the CSP based o the ethod of codtoal probabltes. We frst preset a radozed approxato algorth for the CSP already proposed the lterature, ad we show how to produce a deterstc soluto through the ethod of pessstc estators. Ths approach s orally used whe the codtoal probabltes ecessares the deradozato process caot be drectly detered. Keywords obablstc Method, Coputatoal Bology, Deradozato, Radozed Approxato Algorths. INTRODUÇÃO E utos probleas da bologa olecular deseja-se coparar e ecotrar regões cous ou que seja próxas a u cojuto de seqüêcas de DNA, RNA ou proteías. Estes probleas são ecotrados e váras aplcações portates coo: busca de regões coservadas e seqüêcas ão alhadas, detfcação de drogas geétcas, forulação de sodas (probes) geétcas, etre outras [HS95, LR90, PBPR89, LBMM9, Stor90, SH9, WAG84, WG86, WP84]. No oblea da Seqüêca Mas óxa PSMP (Closest Strg oble) desejaos deterar ua seqüêca que as se aproxe, segudo algua étrca, de u dado cojuto de seqüêcas. E outras palavras, desejaos zar a aor dstâca desta seqüêca às deas seqüêcas do cojuto. O PSMP te sdo bastate estudado a lteratura. Fraces e Lta [FL97] ostrara que o problea é NP-dfícl. Bera et al. [BGHMS97] apresetara u algorto exato poloal de ua versão paraetrzada. Neste caso, a dstâca etre a seqüêca a ser deterada e o cojuto dado de seqüêcas será o áxo ua costate. Be-Dor et al. [BLPR97] e Gaseec et al. [GJL99] apresetara u algorto aproxatvo, co razão de perforace próxa do valor óto quado este é sufceteete grade. Lactot et al. [LLMWZ99] obtvera u algorto (4/3+ε)-aproxado (para ε >0) e L et al. [LMW0] apresetara u esquea de aproxação poloal para o problea. Falete, Pardalos et al. [PMLO04] propusera étodos exatos baseados e brach-ad-boud e três ovas forulações de prograação lear tera para o problea.
2 Na Seção, defos foralete o PSMP e apresetaos algus cocetos báscos portates. Posterorete, as Seções 3 e 4, dscutos de aera sucta as téccas de arredodaeto radôco (Radozed Roudg) e ua estratéga de deradozação presete a lteratura cohecda coo étodo das obabldades Codcoas. Na Seção 5, apresetaos o algorto radôco aproxatvo proposto por Be-Dor et. al. [BLPR97] para o PSMP e ostraos, a Seção 6, coo aplcar o étodo da probabldades codcoas a costrução de u algorto deterístco co a esa razão de perforace. E osso caso, as probabldades codcoas ecessáras para a aplcação deste étodo ão pode ser deteradas dretaete, apresetaos etão estadores pessstas (defdos coveeteete) vsado a deteração de ua ova solução aproxada deterístca para o PSMP. Ebora o algorto proposto e [BLPR97] possua razão de perforace feror aos algortos radôcos apresetados e [LLMWZ99] e [LMW0], a técca de deradozação aqu apresetada pode ser adaptada slarete para estes dos últos casos. DEFINIÇÃO DO PROBLEMA E CONCEITOS BÁSICOS Váras eddas tê sdo propostas para edr a dstâca (ou dfereça) etre duas seqüêcas de caracteres de eso taaho. A dstâca de Hag, por exeplo, é calculada splesete cotado-se o úero de posções correspodetes dos caracteres ode estas seqüêcas dfere. Ua justfcatva as técca para o uso freqüete da dstâca de Hag a coparação de seqüêcas e bologa olecular, pode ser ecotrada e [LLMWZ99]. De aera geral, dado u alfabeto fto de síbolos, represetareos a dstâca etre duas seqüêcas de taaho k por ua fução d : k x k [a,b], ode a e b são reas postvos. A dstâca etre dos caracteres será represetada fazedo-se k=. Cosdere agora u cojuto S={s,s,...,s } de seqüêcas (todas de taaho ) sobre Σ e seja s [j], o j-éso caractere de s S. No PSMP deseja-se ecotrar ua seqüêca s=s H de taaho que ze d de fora que, para cada s S, tehaos d (s H, s ) d, para =... Salvo dcação e cotráro, cosdere d (s [j],s H [j]) [a,b] (ode j {,..,}), a dstâca etre o j-éso caractere de s e s H respectvaete. Foralete, teos: d d s. a s H ( s, s ) H Σ d, =,..., ode Σ represeta o cojuto de todas as seqüêcas co caracteres. Apresetaos agora algus resultados auxlares (Cheroff-Hoeffdg bouds), que serão utlzados a aálse da razão de aproxação do algorto proposto por Be-Dor et. al. [BLPR97]. Lea : Seja X, X,..., X, varáves 0- aleatóras depedetes, ode X = co probabldade p e 0 < p <. Cosdere ada X = = X e μ = E[X]. Etão, ε (0,], teos: ( ) exp X > μ + ε < ε. 3 Lea : Seja X, X,..., X, varáves aleatóras depedetes, ode X (p/ =,..,) assue valores o tervalo real [a,b]. Alé dsso, seja X = = X e δ > 0. Etão: ( ) ( X ( + ) E[ X ]) exp E[ X ] δ 3( b a) δ. Defção : (Algorto Radôco α-aproxado) 687
3 Dzeos que u algorto radôco poloal A para u problea de zação π é α- aproxado se, e soete se, E(Z H ) α.opt, ode α, Z H represeta o valor da solução heurístca obtda por A e opt represeta o valor óto de π. Equvaleteete, dzeos que A será α- aproxado para π se, e soete se, (Z H α.opt) ½. 3 ARREDONDAMENTO RANDÔMICO (Radozed Roudg) Na técca de arredodaeto radôco, troduzda calete por Raghava&Thopso [RT87], forula-se preraete u odelo de ograação Lear Itera PLI para o problea orgal. A solução da relaxação lear assocada defrá etão probabldades a sere utlzadas a etapa radôca, buscado-se, dessa fora, a deteração de soluções váves de boa qualdade para o problea orgal (solução aproxada). Se perda de geeraldade, cosdere o segute odelo de og. Lear Itera 0-: opt = c x s. a T Ax b x {0,} ( PLI) ode A R x, c R x e b R x. A Relaxação Lear RL do PLI aca é obtda substtudose splesete x {0,} por x [0,]. Ua solução óta poloal para RL pode ser obtda co a utlzação de étodos de potos terores [Wrg97]. Ass, se y [0,] represeta ua solução óta fracoára de RL, tereos etão os segutes passos o procedeto de Arredodaeto Radôco:. Forule o problea orgal coo u odelo de ograação Lear Itera (PLI),. y Retore ua solução de RL (e tepo poloal); 3. Repta 3. Utlze y para calcular (através de ua fução de arredodaeto radôco lear ou ão-lear) ua solução tera para o PLI 3. x H Salva elhor solução vável (de eor custo) do PLI Até (codção de parada) 4. Retora x H e custo Z H =c T x H. Trata-se a verdade, de ua aplcação do étodo de Mote Carlo [MR95]. Note que a solução co coordeadas teras obtda o Passo 3. pode ser vável. Ass, se B é u eveto represetado a probabldade de fracasso (solução vável para o PLI) deveos repetr o processo até que a probabldade de vabldade seja arbtraraete pequea (codção de parada). E outras palavras, se ε >0 e k represeta o úero de repetções, a probabldade de fracasso, deverá ser tal que (B) k <ε. Para sso, obvaete, deveos garatr que (B)< e ua teração qualquer do algorto. No caso dos algortos radôcos α-aproxados, esperaos ada que B C (eveto copleetar de B) represete ua solução vável co razão de perforace α. Para aores detalhes sobre a aplcação do étodo de Mote Carlo vde [MR95]. 4 PROBABILIDADES CONDICIONAIS E ESTIMADORES PESSIMISTAS E deteradas stuações será possível costrur algortos puraete deterístcos a partr de algortos radôcos utlzado-se téccas ou ferraetas probablístcas. E outras palavras, deseja-se costrur u algorto deterístco se que se sacrfque uto a qualdade da solução e/ou tepo de processaeto obtdos o procedeto radôco. Ifelzete, ão se cohece u ecaso uversal de coversão que seja aplcável a todas as stuações. Apesar de ão exstr u tero aproprado e português para esta técca, reos chaá-la splesete de deradozação (seelhate ao tero glês deradozato). Etre os étodos de deradozação as cohecdos a lteratura podeos ctar: o étodo das probabldades codcoas, étodo das expectâcas codcoas, étodo dos estadores pessstas, k-wse 688
4 depedece etre outros [AS9]. Neste artgo, utlzaos o étodo das probabldades codcoas e o étodo dos estadores pessstas troduzdo calete por Raghava [Ragh88]. E seu trabalho, Raghava ostra que, ua vez garatda ua solução vável co probabldade de sucesso estrtaete postva a etapa de arredodaeto radôco, ua ova solução vável x {0,} do PLI poderá, e utos casos, ser obtda de aera deterístca. No étodo das probabldades codcoas é feta ua aaloga co árvores de decsão, costrudo-se, deterstcaete, u vetor x {0,} correspodete ao caho de descda da raz da árvore de decsão até ua folha represetado u bo eveto. Fgura : Árvore de decsão para busca de ua solução vável A Fgura lustra ua árvore bára copleta T co íves. O j-éso ível de T (ode j {..}) rá represetar ua atrbução de valores 0- à varável aleatóra x j. Cada folha da árvore rá correspoder a u bo ou au eveto. No caso dos algortos radôcos α-aproxados, u eveto B C será bo, se a solução x obtda for vável e seu custo assocado estver detro da razão de aproxação α, caso cotráro, dreos que o eveto B é au eveto. E outras palavras, u au eveto B represeta ua solução vável ou ua solução que ão satsfaz à razão de perforace pretedda. Ass, osso objetvo será percorrer a árvore T da raz até ua folha boa de T e tepo deterístco poloal. A cahada a árvore de decsão é realzada da segute fora. Se à varável aleatóra x é atrbuído o valor, percorre-se da raz para seu flho à dreta. Se x =0, percorre-se para o flho à esquerda, e ass sucessvaete até que se chegue a ua folha da árvore T. Note que, cada folha de T, correspode a ua etre seqüêcas possíves de x=(x,x,...,x ) (represetada a Fgura por x, ode {.. }). No étodo probablístco, deveos garatr calete que (B)< (probabldade de u au eveto), ou equvaleteete, (B C )>0. A questão atural que se coloca agora é: coo percorrer da raz até ua folha boa de T? Cosdere etão P =(B) e y=(y, y,..., y ) ua solução da Relaxação Lear do RL dscutda a seção precedete. Da expressão de probabldade absoluta [Mey83] te-se que: P = (x =).P (B x =) + (x =0).P (B x =0). 689
5 No arredodaeto radôco, se fazeos (x =) = y e (x =0) = - y (arredodaeto lear) tereos etão que: P y.{p (B x =); P (B x =0)} + (-y ).{P (B x =); P (B x =0)} = P (B X ), ode X = se, e soete se, P (B x =) P (B x =0), e X = 0, caso cotráro. De aero geral, seja j u ível de T, para algu j {..}, e P j (B X,..., X j- ) a probabldade codcoal de ocorrêca de u au eveto, dado que os valores X,..., X j- já teha sdo deterados. Te-se etão que: Pj P j ( B X X ) y P ( B X,..., X, x = ) + ( y ) P ( B X,..., X, x 0),..., j = j j+ j j j j + j j = ( B X X ) { P ( B X,..., X, x = ), P ( B X,..., X, x = 0) } P ( B X,..., X ),..., j j + j j j + j j = j + Observe falete que, se P = (B) < etão: ( B X )... P ( B X,..., X ) ( ) > P P + = folha Coo (folha) <, garatos etão que a solução deterístca será ua folha boa de T, vsto que P + (B X,...,X ) = (folha) = 0. E outras palavras, ua solução deterístca será obtda co probabldade de erro gual a zero. Coo as probabldades codcoas e sepre são deteradas faclete, outras téccas de deradozação poderão ser utlzadas [AS9]. No étodo dos Estadores Pessstas por exeplo, troduzdo por Raghava [Ragh88], as probabldades codcoas são ltadas superorete por ua fução U:[0,] [0,) (deoada estador pesssta) e satsfazedo às segutes codções: ) U (y,..., y ) <, ode y é ua solução da relaxação lear do PLI. ) U j+ (X,..., X j, y j+,..., y ) P j+ (B X,..., X j ) ode j {,...,} e X k (para k=,...,j) é ua atrbução dada às varáves x k {0,}. 3) U j (X,..., X j-, y j,..., y ) {U j+ (X,..., X j-, x j =, y j+,..., y ), U j+ (X,..., X j-, x j =0, y j+,..., y )}. A estratéga de deradozação será dêtca àquela descrta aca, bastado substtur agora as probabldades codcoas pelos estadores pessstas correspodetes. Obvaete, este caso, a fução U :[0,] [0,) deverá ser deterada e coputada faclete. j 5 ALGORITMO RANDÔMICO APROXIMATIVO DE Be-dor et al. [BLPR97] Descreveos esta seção o algorto radôco aproxado desevolvdo por [BLPR97] para o PSMP. Apresetaos calete seu odelo de ograação Lear Itera 0- e o arredodaeto radôco utlzado. Seja Σ={σ,σ,...,σ P } u alfabeto fto co p síbolos, S={s,s,...,s } u cojuto de seqüêcas de Σ e s opt, ua seqüêca óta co caracteres. São defdos para cada caracter σ Σ e cada caracter s opt [j] (para j =,..,), ua varável bára x j,σ, ode x j,σ = se, e soete se, s opt [j]=σ, e x j,σ =0, caso cotráro. Cosdere etão o segute odelo de ograação Lear Itera 0-: d opt = d x j, σ =, j =.. σ s. a x j, σ d( σ, s[ j] ) d, =.. j= σ x { 0, }, =.. ; j, σ j σ () () (3) (4) No odelo apresetado, () represeta a fução objetvo que se deseja zar. As restrções () assegura que soete u síbolo σ Σ será selecoado e cada posção da solução óta s opt. 690
6 As desgualdades (3) especfca que a dstâca etre cada seqüêca de S e s opt, deve ser eor ou gual a u valor d. As desgualdades (4) dca que soete valores 0 ou pode ser atrbuídos às varáves x j,σ. A segur apresetaos ua descrção detalhada do algorto radôco aproxado de [BLPR97]. Etrada: s,s,...,s Σ Saída: seqüêca s H Σ e a dstâca d H. Iíco. Resolver o odelo de relaxação lear, retorado os valores relaxados y jσ e d y. Costrur a seqüêca s H a partr dos valores relaxados y jσ Para j=,..., faça (s H [j]= σ) = y jσ, ode σ Σ 3. Calcular a dstâca d = ax d ( s, s ) = d ( s [] j, s [] j ) H H j 4. Retorar seqüêca s H e dstâca d H. F Algorto : Algorto aproxatvo de [BLPR97] H No passo (), resolve-se o odelo de relaxação lear obtedo-se valores fracoáros para y j,σ, ode j e σ Σ. Co os valores de y j,σ o passo (), costró-se a solução co coordeadas teras s H através do processo de arredodaeto radôco. Falete, o passo (3), calcula-se a aor dstâca d H, coparado a solução s H co todas as seqüêcas do cojuto S. 5. Aálse de Aproxação de Be-Dor et al. [BLPR97] Coo observado o Algorto, o vetor y co coordeadas fracoáras y j,σ (defdo probabldades a etapa de arredodaeto radôco), represeta ua solução da relaxação de ()- (4) e d y represeta seu valor óto assocado. Note ada que ua solução tera s H obtda após o arredodaeto radôco, será sepre vável já que seu valor assocado d H é calculado posterorete à obteção de s H. Logo, a aálse de aproxação, devereos verfcar apeas se o valor da solução tera d H satsfaz ou ão à razão de perforace pretedda. Supoha que s H seja ua solução tera (+δ)-aproxada do PSMP para algu δ >0. Da Defção, deveos provar etão que E(d H ) (+δ)d opt para algu δ>0, ode d H =ax{d (s H,s ) =,..,}. Equvaleteete, podeos provar que (B)< ode B (d H >(+δ)d opt ), represeta a probabldade de falha (ou de u au eveto). Cosdere agora X =d (s, s H ), varáves aleatóras represetado a dstâca etre as seqüêcas s e s H (para =,...,). Teos etão, o segute resultado prelar deostrado e [BLPR97]: Lea 3: E[X ] d y, para =... Note que o au eveto B ocorre se, e soete se, B (X > (+δ)d opt ) ocorre para pelo eos u ídce {..}. Ass, dado 0<ε<, deveos provar que: U B = ( B ) = ε < Coo d y d opt teos do Lea 3 que: E[X ] d opt, {,..,}. Alé dsso, coo δ>0, esperase etão que: (B ) = (X >(+δ)d opt ) (X > (+δ)e(x )) ε/, =,..,. Por outro lado, da desgualdade de Cheroff-Hoeffdg (Lea ), te-se que: ( δ ) 3D ( X ( + δ ) E[ X ]) exp E[ X ], =... (5) 69
7 ode X = j= X j, X j = d (s [j],s H [j]) para j=,.., e D = ax α,β Σ {d (α, β)}. Note da desgualdade (5) que as varáves aleatóras X j (para j=..) são depedetes e assue valores o tervalo real [0,D], ode D represeta a aor dstâca etre dos caracteres do alfabeto Σ (este caso, a = 0 e b = D). Falete, esperaos escolher δ e ε de aera que: exp ( E[ X ] δ D ) 3 ε, =... Novaete do Lea 3, coo E[X ] d opt, teos: (B ) = ε ( X > ( + δ ) d ), =... (6) opt exp d / Portato, de (6) deveos ter δ D( l( / ε) d ) 3 opt optδ 3D exp E[ X ] δ, =... Note que a qualdade da razão de aproxação elhora (pequeos valores de δ) para aquelas stâcas ode o valor da solução óta d opt é aor. Note ada que, coo ão coheceos d opt e coo d y d opt, ao fazeros δ =D(3l(/ε)/d y ) / obteos u algorto radôco (+δ)-aproxado, co probabldade de sucesso aor ou gual a -ε. Equvaleteete, (B)=(d H >(+δ)d opt ) ε <. Maores detalhes sobre este assuto pode ser ecotrados e [BLPR97]. 3D 6 DERANDOMIZAÇÃO Vejaos agora coo costrur ua solução deterístca s Σ satsfazedo a esa razão de aproxação obtda a Seção 5.. Etretato, ates de desevolveros u algorto deradozado pelo étodo das probabldades codcoas, cosdere a segute otação auxlar (defda a partr de ()-(4)). Represetareos por x j = ( x jσ, x,..., ) jσ x jσ p ode j {,...,} e Σ =p, o vetor de varáves báras assocado à j-ésa posção de ua seqüêca s Σ. Se todas as copoetes de x j já fore cohecdas tereos etão xˆ j = ( xˆ jσ, xˆ,..., ˆ ) jσ x jσ. Note este caso, que cada vetor xˆ p j rá represetar ua seqüêca de valores ode apeas ua coordeada é e as deas são 0. Para costrução de ua solução deterístca através da técca de deradozação (coo a Seção 4), é fudaetal que se calcule as probabldades codcoas (B A k ()), ode A ( ) ( x, xˆ,..., xˆ, x = e x = 0 σ ) k ˆ k k kσ e k=,..,. Dessa fora, o caracter Σ escolhdo a k-ésa etapa deverá ser tal que: { B Ak ( )} B xˆ,..., xˆ k, xˆ k ( ),..., xˆ k = Σ B xˆ O processo deverá ser repetdo até que tehaos ua solução deterístca x = ( xˆ,..., ˆ ) ode ( xˆ,..., ˆ ) = 0 B. x (7) ˆ Vejaos agora o segute odelo de ograação Lear PL() auxlar assocado a u ídce k {,..,} e u síbolo Σ: x 69
8 d = d s. a x jσ =, j =.., σ x (, [ ]) ˆ jσ d σ s j d d, k j= k σ, =,.., xk =, para a lg u xkσ = 0, σ x jσ [0,], j =.., e σ (8) (9) (0) () () (3) ode: d 0 e dˆ = k xˆ, k ( []) σ jσ d σ, s j, para =,..., e k=,..,. ˆ, 0 = j= Σ Este odelo é bastate seelhate àquele apresetado e ()-(4). Neste caso etretato, deve ser observado que as costates d ˆ, k são obtdas e fução das atrbuções dadas aos k- preros caracteres de ua solução s Σ. As restrções () e () assegura que soete o síbolo Σ será selecoado a k-ésa posção s. Note ada que resolvedo-se a relaxação PL() tereos ua solução do tpo ( x ˆ xˆ k xˆ,...,, k, xk +,..., x ) ode xˆ k = e x ˆ kσ = 0, para todo σ. Alé dsso, para cada ídce k {,...,} cosdere p probleas de prograação lear, ou seja, fareos x k = para cada síbolo e Σ. Agora, seja dados os valores por: X xˆ para j=,..,k- e x ˆ = para algu Σ. Represetareos jσ k + = d ( s[] j s [] j ),, para cada =,..., e k=,..,-, j = k + as varáves aleatóras assocadas a ua solução heurístca s P Σ -k (ode P={k+,..,}) obtda radôcaete através da solução relaxada de PL(). Cosdere etão o segute resultado prelar: Lea 4: E[ X ] d dˆ d ( s [ k] ), k +, k, ova: Coo X, k d( s[] j, s [] j ), teos que: + = j= k +, =,...,; k {,...,-} e Σ. k [ ] = E d ( s[ j] s [ j] ) E X, k +, j = k + Das desgualdades (0)-(3) e da leardade do valor esperado teos: [ ] = ( s[ j] ) d ( σ, s [ j] ) = x d ( σ, s [ j] ) d dˆ d ( s [ k] ) E X = σ j, σ k, k., k +, j = k + σ Σ j = k + σ Σ Cofore dscutdo aterorete, para aplcação do étodo das probabldades codcoas é fudaetal que se garata calete (B) <, ode B represeta u au eveto. Ass, se +δ é razão de aproxação para o PSMP (ode δ =D(3l(/ε)/d y ) / ), u au eveto assocado ao Algorto ocorre, sepre que B (d H >(+δ)d opt ), sedo d H varável aleatóra represetado o valor da solução heurístca s H (Seção 5.). Se perda de geeraldade, podereos assur que u au eveto B ocorre sepre que B (d H >(+δ)d y ) ode d y d opt é o valor da relaxação lear de ()-(4). Segudo-se o eso racocío desevolvdo a Seção 5., obteos u algorto (+δ)-aproxado para o PSMP fazedo-se δ=d(3l(/ε)/d y ) /, ou seja, tereos (B)=(d H >(+δ)d y )<. 693
9 Observe que u au eveto (B A k ()) ocorre para k {,..,} e, se e soete se, (B A k ()) ocorre para pelo eos u ídce {,..,} ode: ( B Ak ( ) dˆ + d ( [ k] ) + X + > + d X + > + d dˆ, k,, k ( δ ), k ( δ ), k d, [ k] Teos etão que: s ( B Ak ( ) = X + > + d dˆ, k ( δ ), k d, s [ k] ( ), p/ =,..., e k {,...,}. Logo do Lea 4, teos para =,...,: ( s ) ( B ( ) = > ˆ Ak X, k d d, k d(, s [ k] ) + δ d X, k + > E[ X, k + ] + δ d + Note que as probabldades codcoas aca ão são deteradas explctaete. Etretato, ltes superores pode ser obtdos utlzado-se, por exeplo, a desgualdade de Cheroff- Hoeffdg coo descrta o Lea. Cotudo, este caso, observe que as expectâcas codcoas ão são cohecdas explctaete, sgfcado portato que os estadores pessstas ão pode ser deterados dretaete. Para cotorar esse problea, cosderareos calete o caso báro ode d (α,β) {0,}, α,β Σ (dstâca de Hag). Neste caso, tereos: ( s[ j] [ j] ) = X, k+ = d, s Yj (5) j= k+ Note que X,k+ represeta ua soa de varáves aleatóras depedetes Y j {0,} para j=k+,..,. Ass Y j = sepre que s[j] s [j] e, Y j = 0 caso cotráro. Portato, da desgualdade de Cheroff-Hoeffdg cofore descrto o Lea, teos: ( B Ak ( ) X, k + > E[ X, k + ] j= k+ ε + δ dk, exp dk δ 3,, para =,...,. = Segue etão que: ( B A ( ) = ( ) k U B Ak B Ak ( ) ( ) < ε < = = exp d δ 3 ode, δ = D 3l( ε ) d y. (6) Logo, u estador pesssta U:[0,] p [0,) pode ser obtdo dretaete para as probabldades codcoas fazedo-se splesete: ( ( ) U A k ˆ ˆ = U x = =,..., xk, xk e xkσ 0 σ = exp d δ 3, k {,...,} e Σ. Da aálse de aproxação da Seção 5., é fácl ver que: ( x,..., x ) = exp( d y δ 3) ε < portato, a codção da defção de estador pesssta é satsfeta (Seção 4). A codção tabé pode ser verfcada dretaete pos: U e, 694
10 Falete, deveos provar que: ( B A k ( ) U ( Ak ( ), k {,...,} e Σ. U De fato, ote que: U xˆ,..., xˆ { U ( A ( )} xˆ xk xk x,..., ˆ,,..., k, ode k {,...,}. Σ x x U ( A ( ), para a lgu Σ) k, k,..., = k = exp d δ k, 3 Coo d k, d Σ, teos e partcular que d k, ax{ d Σ} = d. Segue etão que: { U ( ), Σ} ( ) ˆ ˆ U x,..., x, x,..., x A k. exp d δ 3 k k = = exp dk, δ 3 Observe portato que a fução U:[0,] p [0,) defe u estador pesssta para ossas probabldades codcoas. Observe ada que, dado k {,..,}, para calcular {U(A k (), Σ} basta calcularos ax{ d Σ }, ou seja, resolveos Σ probleas de ograação Lear a cada passo. Logo, teos o segute algorto de deradozação stetzado a segur. Etrada: s,s,...,s Σ Saída: seqüêca s H Σ e a dstâca d H. Iíco Para k=,..., faça. Para cada Σ faça a. x ) k = b. x ) kσ = 0, para todo σ c. Resolver RL() e retorar d f para. Retora tal que = ax{ d : } 3. s H [k] f para F d k, k Algorto : Algorto Deterístco (Deradozado) Coo cada problea de prograação lear te coplexdade O( 3 L) o algorto aca terá coplexdade total gual a O( 4 L Σ ) ode L represeta o úero total de bts utlzado a etrada do problea de prograação lear [Wrg97]. Observe agora que, o caso geral ode d (α,β) [0,D], α,β Σ e D Ζ +, ão podereos cosderar o Lea utlzado para costrução do estador pesssta U:[0,] p [0,), coo descrto aca. Note que, as hpóteses do Lea, devereos cosderar apeas varáves 0-, aleatóras e depedetes etre s. O caso geral pode ser covertdo e báro utlzado-se as varáves x j,σ {0,}, para j=,..., e σ Σ. Etretato, as varáves x j,σ para j fxo ão são depedetes etre s, o que vablza, este caso, a aplcação do Lea. Outra alteratva sera a utlzação do Lea, ode teos: 695
11 ( X ( + δ ) E( X ) exp E( X ) δ 3D ode X = X j e X j = d( sh [] j, s[] j = ), para j=,...,. j Ebora tehaos X j depedetes etre s (ode X j [0,D]) ão coheceos explctaete E[X ] e ão obteos portato u estador pesssta para o PMSP (o Lea 4 ão se aplca este caso). Coo trabalho futuro ua outra alteratva é pesqusar o caso geral utlzado-se outras desgualdades (ajorações) dsttas daquelas apresetadas por Cheroff-Hoeffdg. 7 CONCLUSÕES Neste trabalho, fazeos calete ua descrção das téccas de arredodaeto radôco e deradozação e estudaos o étodo das probabldades codcoas aplcado ao PSMP. Mostraos coo pleetar a deradozação sugerda por Be-Dor et. al [BLPR97]. Utlzaos o étodo dos estadores pessstas deterado ltates superores para as probabldades codcoas assocadas. Esta abordage pertu a costrução de u ovo algorto puraete deterístco para o problea co a esa razão de perforace obtda e [BLPR97]. Coo sugestão para trabalhos futuros para o PSMP, podeos ctar a deteração de estadores pessstas para stâcas co dstâcas (etre caracteres) o tervalo [0,D] ode D=ax α,β Σ {d (α,β)}. Neste caso, outras desgualdades (tal equaltes) deverão ser utlzadas vsado-se a deteração de ltates superores para as probabldades codcoas assocadas. Outra possbldade, é trabalhar a costrução de algortos deradozados de elhor qualdade (co a esa razão de perforace) utlzado-se, por exeplo, o algorto radôco (4/3+ε)-aproxado de Lactot et al. [LLMWZ99] ou o Esquea de Aproxação Radôco Poloal proposto por L et. al. [LMW0]. 8 REFERÊNCIAS [AS9] Alo, N. ad Specer, J.; The obablstc Method. Wley, New Yor 99. [BLPR97] Be-Dor, A., Laca, G., Peroe, J. ad Rav, R.; Bashg Bas fro Cosesus Sequeces, Cobatoral Patter Matchg, 8th Aual Syposu, Sprger-Verlag, Berl, 997. [BGHMS97] Bera, P., Guuco, D., Hardso, R., Mler, W. ad Stojaovc, N.; A lear-te algorth for the -satch proble, Workshops o Algorths ad Data Structures, pp. 6-35, 997. [FL97] Fraces, M. ad Lta, A.; O Coverg obles of Codes. Theory of Coputg Systes, vol. 30, pp. 3-9, 997. [GJL99] Gaseec, L., Jasso, J. ad Lgas, A.; Effcet approxato algorths for the Hag ceter proble, oc. 0 th ACM-SIAM Syposu o Dscrete Algorths, pp. S905-S906, 999. [HS95] Hertz, G. ad Storo, G.; Idetfcato of Cosesus Patters U-alged DNA ad ote Sequeces: A Large-Devato Statstcal Bass for Pealzg Gaps, oceedgs of the 3rd Iteratoal Coferece o Boforatcs ad Geoe Research, pp. 0-6, 995. [LLMWZ99] Lactot, K., L, M., Ma, B., Wag, S. ad Zhag, L.; Dstgushg strg selecto probles. oc. 0 th ACM-SIAM Syp. O Dscrete Algorths, pp , 999. [LR90] Lawrece, C. ad Relly, A.; A expectato axzato (EM) algorth for the detfcato ad characterzato of coo stes ualged bopolyer sequeces. otes, 7, pp. 4-5, 990. [LMW0] L, M., Ma, B. ad Wag, L.; O the closest strg ad substrg probles. Joural of the ACM, 49 (): pp. 57-7, 00. [LBMM9] Lucas, K., Busch, M., Mossger, S. ad Thopso, J.A.; A proved crocoputer progra for fdg gee or gee faly-specfc Abd-Elsala 95 olgoucleotdes sutable as 696
12 prers for polyerase cha reactos or as probes. Coput. Appl. Bosc. 7: pp , 99. [Mey83] Meyer, P.; obabldade: Aplcações à Estatístca. (ª edção) Lvros Téccos e Cetífcos Edtora S.A, 983. [MR95] Motwa, R. ad Raghava, P.; Radozed Algorths, Cabrgde Uv. ess, 995. [PMLO04] Pardalos, P. M., Meeses, C. N., Lu, Z., Olvera, C. A. S.; Optal Solutos for the Closest Strg oble va Iteger ograg. To appear INFORMS Joural o Coputg, 004. [PBPR89] Posfa, J., Bhagwat, A. S., Posfa, G. ad Roberts, R. J.; edctve otfs derved fro cytose ethyltrasferases. Nuclec Acds Res 7 (7), pp , 989. [RT87] Raghava, P., Thopso, C. D.; Radozed Roudg: ovably good algorths ad algorthcs proofs. Cobatorca 7, pp , 987. [Ragh88] Raghava, P.; A probablstc costructo of deterstc algorths: Approxatg packg teger progras. Joural of Coputer ad Syste Sceces, 37: pp , 988. [Stor90] Storo, G. D.; Cosesus patters DNA. IDoolttle, R. F., ed., Molecular Evoluto: Coputer Aalyss of ote ad Nuclec Acd Sequeces, Methods Ezyology, volue 83. Acadec ess. pp. -, 990. [SH9] Storo, G. D. ad Hartzell, G. W.; Idetfyg prote-bdg stes fro ualged DNA fragets, oc. Natl. Acad. Sc. USA, 88 : pp , 99. [WP84] Watera, M. S. ad Perlwtz, M. D.; Le Geoetres for Sequece Coparsos. Bull Math Bol;46 (4): pp , 984. [WAG84] Watera, M. S., Arrata, R. ad Galas, D. J.; Patter Recogto Several Sequeces: Cosesus ad Alget. Bull. Math. Bol. 46, 55-57, 984. [WG86] Watera, M. S. ad Grggs, J. R.; Iterval graphs ad aps of DNA. Bullet of Matheatcal Bology, 48(): pp , 986. [Wrg97] Wrght, S. J.; al-dual Iteror-Pot Methods. SIAM Socety for Idustral ad Appled Matheatcs,
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 maisRepresentação 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 mais3- 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 mais3- 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 maisCAPÍTULO 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 maisCapítulo 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 maisBioestatística 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 maisSUBSTITUIÇÕES 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 maisINFERÊNCIA 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 maisComo 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 mais8. 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 maisCAPÍTULO 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 maisCAPÍTULO 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 maisConfiabilidade 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 maisCap. 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 maisDecomposição 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 maisProf. Alvaro Vannucci
Pro. Alvaro Vaucc Lebreos o roblea dos sucessvos deslocaetos aleatóros rado - DRUNK - walk Cosderaos cada deslocaeto asso dado ela essoa coo tedo sere o eso coreto L. Chaaos de a robabldade de asso ara
Leia mais6. 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 maisEstatística: 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 maisDepartamento 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 maisA 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 maisAtividades 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 maisA 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 maisProgramação 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 maisCentro 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 maisEstatística: 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 maisInterpolação. 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 maisCentro 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 maisSOLUÇÃO 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 maisIntrodução 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 maisCentro 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 maisEm 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 maisDISTRIBUIÇÃO 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 maisFísica 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 maisExercícios - Sequências de Números Reais (Solução) Prof Carlos Alberto S Soares
Exercícos - Sequêcas de Números Reas (Solução Prof Carlos Alberto S Soares 1 Dscuta a covergêca da sequẽca se(2. Calcule, se exstr, lm se(2. Solução 1 Observe que se( 2 é lmtada e 1/ 0, portato lm se(2
Leia mais6 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 maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisMAE0229 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 maisALGORITMO 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 maisPalavras-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 maisANÁLISE 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 maisProbabilidades 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 maisESTATÍSTICA 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 maisConsideremos 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 maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia maisEstatística: 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 maisEconometria: 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 maisDifusão 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 maisREGRESSÃO 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 mais5. 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 maisCálculo 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 mais2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida
. MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia maisAvaliação 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 maisSumário. Mecânica. Sistemas de partículas
Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -
Leia maisSeja o problema primal o qual será solucionado utilizando o método simplex Dual: (P)
PROGRAMA DE MESTRADO PROGRAMAÇÃO LIEAR PROFESSOR BALEEIRO Método Splex Dual no Tableau Garfnkel-ehauser E-al: abaleero@gal.co Ste: www.eeec.ufg.br/~baleero Sea o problea pral o qual será soluconado utlzando
Leia maisInstituto 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 maisSIMPÓSIO 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 maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisINTRODUÇÃO À PROBABILIDADE E ALGUNS RESULTADOS IMPORTANTES
Uversdade do Estado do Ro de Jaero UERJ Isttuto de Mateátca e Estatístca - IME Cursos: Estatístca e Atuára Dscpla: Tecologa da Aostrage I Professor: Marcelo Rubes ITRODUÇÃO À PROBABILIDADE E ALGUS RESULTADOS
Leia maisRegressao 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 maisApostila de Introdução Aos Métodos Numéricos
Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste
Leia maisCÁLCULO 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 maisEstudo 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 maisAnais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN)
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
Leia maisEstatística - 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 mais1. Revisão Matemática
1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado
Leia maisd 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 maisCAPÍTULO 1 SEMICONDUTORES HOMOGÉNEOS
CAPÍTULO 1 SEMICONDUTORES HOMOGÉNEOS Ca. 1 1 Problea SH1 Cosderar ua resstêca de gerâo de to co 1 de secção e 1 c de coreto que a 300 K areseta ua resstêca de 0 Ω. a) Calcular o valor da desdade de urezas,
Leia maisOperadores Lineares e Matrizes
Operadores Lieares e Matrizes Ua Distição Fudaetal e Álgebra Liear Prof Carlos R Paiva Operadores Lieares e Matrizes Coeceos por apresetar a defiição de operador liear etre dois espaços lieares (ou vectoriais)
Leia maisANÁLISE 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 mais1- 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 maisConstrução 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 maisModelo 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 maisIntrodução 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 maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisTécnicas Não Paramétricas
Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze Em mutos problemas prátcos As abordages de estmação
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia mais3 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 maisÉ 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 maisCAPÍTULO 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 maisQUESTÕES 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(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0
EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()
Leia maisDISPOSITIVOS ELECTRÓNICOS. Problemas Resolvidos
DISPOSITIVOS ELECTRÓNICOS Probleas Resolvdos CAPÍTULO 1 SEMICONDUTORES HOMOGÉNEOS Ca. 1 1 Problea SH1 Cosderar ua resstêca de gerâo de to co 1 de secção e 1 c de coreto que a 300 K areseta ua resstêca
Leia maisSumário. 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 maisNOVOS 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 maisProfessor 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 maisCADERNO 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 maisProf. Janete Pereira Amador 1
Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia mais16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:
6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu
Leia maisRESOLUÇÃO 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 maisDistribuições 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 maisAULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância.
Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas
Leia maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
Leia maisVOLUME 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 maisMÓDULO 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