Resumindo e concluindo
|
|
- Rebeca Azenha
- 4 Há anos
- Visualizações:
Transcrição
1 Resumno e concluno TeleTextos e bolso e e traer por casa, suavemente, suavemente Os crtéros e ecsão MA e ML Sílvo A. Abrantes Departamento e Engenhara Electrotécnca e e Computaores Faculae e Engenhara, Unversae o orto orto, ortugal sam@fe.up.pt Janero e 9 Conteúo. Introução.... Os crtéros e estmação MA e ML..... Crtéro ML ( maxmum lkelhoo ) Crtéro MA ( maxmum a posteror probablty ) Decsões bnáras com ruío gaussano branco atvo Extensão à transmssão não-bnára em espaço multmensonal Decsões com ruío gaussano branco atvo Mnmação a probablae e erro.... Introução Uma sequênca e M formas e ona s () t, t T, representaas num espaço e snal e N M mensões atravessa um canal e comuncação ruoso e chega ao receptor, que a tenta estmar através e uma escolha realaa num bloco ecsor (ver fgura segunte). Amtamos que em caa nstante e amostragem o ecsor recebe um conjunto e N valores, que encararemos como um vector-coluna T = N no refero espaço e snal e N mensões. A mensão o espaço epene o snal envao. or exemplo, um snal moulao em 6-QAM necessta e uas mensões, ao passo que um snal e 8-FSK precsa e oto e um snal antpoal em bana-base só precsa e uma. Receptor Snal recebo Fltro/ Decsor esmoulaor rt () = s () t + nt () ˆ s N Estmatva a sequênca bnára transmta N N M
2 Sem ruío o vector nos sucessvos nstantes e amostragem apresenta-nos as coorenaas os pontos a constelação. Com ruío já não obtemos esses pontos mas sm outros. Sem ruío: s s = = = s s N N Com ruío: s+ n s + n = = = s + n s + n N N N No vector anteror o ruío é representao pelo vector e amostras n = n nn. A pergunta que faemos é: como estmar o símbolo s a partr o vector recebo? or exemplo, se na fgura segunte recebermos o vector assnalao que ponto a constelação evemos escolher? Deveremos escolher o símbolo? E por que não o símbolo? 3 ara responer às perguntas evemos ter em conta a estatístca o ruío e as probablaes e ocorrênca os símbolos, que no seu conjunto nos vão ajuar a estabelecer regões e ecsão, ou regões e pertença: se o ponto recebo car na regão o snal, por exemplo, o ecsor escolhe esse símbolo. Como estabelecer regões e ecsão e suas fronteras? Vamos aborar os métoos.. Os crtéros e estmação MA e ML Suponhamos que o ruío atvo tem méa nula e que a sua função ensae e probablae (fp) é pn ( n ), uma função e N varáves vsto o vector n ser composto e N elementos. Como estes são nepenentes uns os outros a fp conjunta p ( n ) é gual ao prouto as fp e caa um: N p ( n ) p ( n ) p ( n ) p ( n ) p ( n ). = = n n n n N n j j= varável aleatóra cuja fp é ( ) n Se transmtrmos o símbolo corresponente a s o ecsor recebe uma amostra = s + n e uma N p s = p ( s ) = p ( s ). À função ensae e n n j j j= probablae conconal p ( s ) á-se o nome e verosmlhança e s. As verosmlhanças são conhecas a pror, mesmo sem ana termos recebo naa. Se o ruío for gaussano com méa nula e varânca sto é, ruío n j é aa por N (, ) a fp a amostra e n j ( ) = () π p n nj e ara quem não sabe: N ( X, ) esgna uma strbução normal (gaussana) e méa X e varânca.
3 e a verosmlhança a componente s j é gual a ( j sj) pn( j sj) = exp π e moo que globalmente temos p ( s) N ( j s ) j = exp = j= π N ( s) + ( s) + + ( N sn) exp = = π = π N s exp () Note-se que s = representa a stânca o ponto recebo ao símbolo s pelo que N poeríamos escrever também p ( s ) = exp. Um caso muto frequente é o o π espaço e snal a uas mensões. Aí é s p ( s ) = exp = exp. (3) π π A estmatva o ponto envao é feta e acoro com os crtéros e estmação e parâmetros: MA e ML. Suponhamos, em prmero lugar, que temos uma transmssão bnára e pontos s e s. Depos generalaremos a stuação para a transmssão não-bnára e símbolos num espaço e snal multmensonal... Crtéro ML ( maxmum lkelhoo ) Imagne-se que a probablae e se receber um ao vector teno-se envao s é maor que a e receber o mesmo se se tver envao s. Se assm for somos nclnaos a pensar que, provavelmente, fo envao s. Então uma manera e escolher o ponto envao é procurar aquele que está assocao à maor as verosmlhanças ( ) p s e p( s ). É por sso que se chama a esta opção e escolha crtéro a máxma verosmlhança, ou crtéro ML. As ecsões são tomaas e acoro com p( s ) p( s ) crtéro ML (4) A expressão sgnfca que se p( s) > p( s ) escolhemos a hpótese (símbolo s ), senão escolhemos a outra. Embora possa não nos levar aos melhores resultaos a etecção e máxma verosmlhança é a mas usaa e toas... Crtéro MA ( maxmum a posteror probablty ) Imagnemos agora que, teno-se recebo um certo ponto, a probablae e se ter envao s é maor que a e se ter envao s. Então o nosso ecsor pensará, com certea, que s fo envao, sto é, escolherá o ponto assocao à maor as probablaes conconas a posteror p ( s ) e ( ) p s. or sso se chama a este tpo e escolha crtéro a máxma probablae a 3
4 posteror, ou crtéro MA. Tínhamos acabao e ver que, pelo contráro, a estmação ML usa probablaes a pror (as verosmlhanças). Sem o provar por enquanto, poemos contuo r já aantano: A estmação MA mnma a probablae e erro. Com base na amostra observaa as ecsões MA respetam, portanto, p( s ) p( s ) crtéro MA (5) orém, temos um problema: não conhecemos as probablaes p ( s ) e ( ) p s. Felmente temos Bayes. De facto, seno a probablae e ocorrênca o símbolo s o teorema e Bayes papb ( ) ( A) = pbpa ( ) ( B) permte-nos escrever p( s ) p( s), p( ) p( ) para logo a segur nos esembaraçarmos o enomnaor comum p( ) e obtermos a expressão fnal, uma raão e verosmlhanças: p( s ) crtéro MA (6) p( s ) Se = então p( s ) p( s ). Mas sto é o crtéro ML! Concluímos então que Os crtéros e estmação MA e ML são equvalentes se os símbolos forem equprováves. Resumno um pouco: Na estmação MA conseramos probablaes a posteror, sto é, probablaes obtas após observação a saía o canal. Na estmação ML conseramos probablaes a pror (verosmlhanças), sto é, probablaes já conhecas antecpaamente. É um métoo mas smples e também o mas usao. Se as formas e ona s () t e s () t forem equprováves os os crtéros e estmação são equvalentes. A estmação MA mnma a probablae e erro. A estmação ML só mnma a probablae e erro se os símbolos forem equprováves. Se não conhecermos as probablaes e ocorrênca os símbolos o melhor é supor que são gualmente prováves. Exemplo : Transmssão bnára em espaço unmensonal Conseremos a transmssão gtal e uma sequênca e bts representaos por formas e ona s () t e s () t a que corresponem os pontos s e s a Fg., one ψ () t é uma função-base e energa untára. Fo recebo o ponto = 3,5. s s 3,5 5 ψ () t Fg. ontos envaos e ponto recebo. 4
5 Devemos escolher o ponto a Fg. que estver mas próxmo o recebo (neste caso, s )? A resposta correcta poe ser esta, mas também poe não ser. Qual é a resposta correcta afnal? ara responer precsamos e encontrar um lmar e ecsão γ, um valor que va a recta a fgura em uas sem-rectas: se estver à reta o lmar escolhemos um ponto (s, por exemplo), se estver à esquera escolhemos o outro. Exprmmos tal procemento escreveno γ e para etermnarmos γ teremos e nos servr as Eqs. (4) e (6)..: Amtamos que o ruío no canal tem função ensae e probablae n / pn( n) = e, em que = 9 representa a potênca. Se = 3 quas everão ser os lmares e ecsão MA e ML e quas as respectvas estmatvas o ponto envao? R.: As verosmlhanças e que necesstamos estão representaas na fgura segunte. p( s ) p( s ) 3 5 A Eq. (4) -nos logo que o lmar e ecsão ML está na ntersecção as funções, sto é, 3. Já o p ( s ) confrmaremos. Quanto ao crtéro MA, é expresso por, que neste caso se escreve p ( s) exp 5 ( ). O esenvolvmento esta expressão conu-nos sucessvamente a exp ( + 5) 3+ ln 3,735 γ = 3,735 MA Fcámos a saber que, seguno o crtéro MA, acma e 3,735 ecmos uma cosa e abaxo ecmos outra. O crtéro ML exprme-se faeno = na expressão MA 3+ ln : 3 γ = 3 (confrma o valor antecpao) ML s MA s ML 3,5 5 ψ () t O valor recebo, = 3,5, conu-nos a uas ecsões stntas: MA: escolhemos s. ML: escolhemos s. A prmera é uma melhor escolha. 5
6 .3. Decsões bnáras com ruío gaussano branco atvo Sejam = s e = s as stâncas o ponto recebo aos os pontos s e s, respectvamente, e suponhamos que o ruío tem strbução normal N (, ). As verosmlhanças e que precsamos são as probablaes gaussanas conconas a Eq. (), p ( s ) π π N N s = exp = exp N N s p ( s ) = exp exp =. π π Em função as stâncas quarátcas o crtéro MA nepenentemente e N: p( s ) p( s ) exprme-se assm, + exp + ln (MA) (7) O crtéro a máxma verosmlhança p( s ) p( s ), sempre mas smples, reu-se a (ML) (8) Note-se que a ecsão e máxma verosmlhança não epene as probablaes e ocorrênca os símbolos nem o ruío, só epene e stâncas: escolhe-se o ponto que estver mas perto o recebo. bnára No caso partcular e um espaço unmensonal (N = ) o receptor everá tomar uma ecsão γ. Quanto vale γ? ψ () t s s = s + n Decsor (comparaor) γ sˆ () t As verosmlhanças (mostraas na Fg. ) são guas a p ( s) = exp ( s) π p ( s) = exp ( s) π Basta usar a Eq. (7) com = s e = s que logo chegamos a + s s + ln s s γ MA + s s = + ln s s (MA) É tentaor usar a stânca em ve a stânca quarátca (o resultao fnal sera o mesmo, eventemente). No entanto qual é mas fácl e calcular? 6
7 Daqu obtemos o lmar e ecsão ML, que fca equstante e s e s : γ ML s + s =. Verosmlhança e s p( s ) Verosmlhança e s p( s ) s γ ML s Fg. As funções e verosmlhança gaussanas. Exemplo : Transmssão bnára com ruío gaussano em espaço bmensonal Uma constelação bnára é formaa pelos os pontos s = T e s = 5 T. A ensae espectral e potênca o ruío gaussano é = N, com N = 3, e os símbolos ocorrem com as probablaes = p( s ) e =. O ecsor recebeu o ponto =,5 T r. Queremos etermnar a equação a lnha que separa as regões e ecsão e s e s seguno os crtéros MA e ML quano =,5 e =,. Qual será a estmatva o ponto envao se =,? R.: As stâncas quarátcas e um ponto recebo = r s = ( x ) + ( y ) e r T a caa um os símbolos são = x y = r s = ( x 5) + y. Sabemos que (Eq. (7)) pelo que a regão e ecsão MA e s é efna por + ln ( x ) + ( y ) > ( x 5) + y + ln y< x ln 5 ou, teno em conta que = N, N y< x+ ln 5. Dgamos, portanto, que 4 y N x+ ln 5. 4 A frontera MA é a recta N N y = x+ ln 5, e eclve e que crua o exo os yy em 4 ln 5. Este cruamento é tanto mas alto no exo quanto maor for N e quanto menos 4 provável for s (costuma ser assm, realmente: o lmar e ecsão óptmo está mas próxmo o símbolo menos provável). Substtuno os valores e obtemos: =,5 : =, : y x 5. 3,9 y x+ ln 5= x 3,35. (a recta está a subr, aproxmano-se e s ) 4, A fgura mostra as fronteras para N = 3 e três valores ferentes e. 7
8 s, -, -4 s r = [ -,5] T =,5 ML 4 6 A frontera estabeleca pela regra e ecsão ML é obta a regra MA faeno =,5 : y x 5. A frontera e ecsão ML não epene o nível e ruío nem as probablaes e ocorrênca os bts. y x 3,35 o crtéro MA estmamos que fo transmto o bt s. A lnha vsóra ML é outra, y x 5, e como r fca acma ela estmamos que fo transmto o símbolo s. Como o ponto r =,5 T fca abaxo a lnha e frontera.4. Extensão à transmssão não-bnára em espaço multmensonal Agora temos M símbolos passíves e ser envaos e recebemos um vector e N elementos. Consoante o tpo e estmação, ou escolhemos a maor e toas as verosmlhanças p( s ) (crtéro ML) ou a maor e toas as probablaes a posteror p ( s ) (crtéro MA). O prmero crtéro exprme-se assm: Escolhe-se K s se p( K ) = max p( ) s s, =,,, M crtéro ML Dao que a função logartmo é crescente, o mesmo símbolo será escolho se em ve a máxma verosmlhança p ( s ) procurarmos a máxma log-verosmlhança ln ( ) Escolhe-se K s se ln p( K ) = max ln p( ) Quanto ao crtéro MA faremos este moo: Escolhe-se K p s : s s, =,,, M crtéro ML s se p( K ) = max p( ) Socorremo-nos e novo e Bayes e escrevemos p ( s) p( s ) = p( ) p ( s) (ou seja, p( s ) = p( ) s s, =,,, M crtéro MA p( s ), p( s ) = p( ) toas as p ( s ) tanto fa procurar a maor probablae ( ) Dremos então que Escolhe-se K = s se p( ) max p( ) K s K s,,,, M, etc.). Como o enomnaor p( ) é comum a p s como o maor prouto p( s ). = crtéro MA 8
9 ou, aplcano logartmos, Escolhe-se K s se [ p ] ln K ( s K) = maxln p ( s ), =,,, M crtéro MA E se os símbolos forem equprováves? Nesse caso toas as probablaes são guas e tanto fa procurar o máxmo e p ( s ) como o máxmo e p( s ). Mas não é este o crtéro ML? os é! Voltámos a conclur que com equprobablae os os tpos e escolha são equvalentes. Exemplo 3: Transmssão quaternára com ruío gaussano em espaço unmensonal Uma constelação e snal unmensonal é consttuía pelos quatro pontos s = 3A, s = A, s3 = A e s 4 = 3A. As suas probablaes e ocorrênca são = 4 = 8 e = 3 = 38 e o ruío é gaussano atvo com méa nula e varânca ecsão MA. = A ln 3. Vamos etermnar os lmares e A fgura segunte apresenta os quatro proutos p s e π necessáros ao crtéro MA; seguno este, everemos escolher o símbolo para o qual p( s ) seja o maor e toos. ( s ) ( ) =, =,,3, 4, p( s ) 3 p( s 3 ) p( s ) 4 p( s 4 ) -3A γ -A γ = A γ 3 3A p( s ) é maor As curvas ntersectam-se em = γ, = γ = e = γ 3. Se < γ o valor e que os outros três proutos e everemos escolher o símbolo s ; o mesmo moo, se γ 3 o p ( s ) é o maor e everemos escolher 4 valor e 4 4 s, enquanto que s e s 3 everão ser escolhos se γ < γ e γ < γ 3, respectvamente. As ntersecções ncam assm os lmares e ecsão MA. Já conhecemos um ( γ = ) e, aa a smetra, sabemos que γ 3 = γ. Determnemos γ 3, por exemplo: p( s ) = p( s ) e = e 8 π 8 π 3 A 3 A ( γ ) ( γ 3 ) Tomano logartmos obtemos 3 A γ3 A ( γ ) ( 3 ) ln 3 = ln 3 γ 3 = A + =,5A A Em conclusão: no crtéro ML os lmares óptmos encontram-se nas ntersecções e p ( s ) ao passo que no crtéro MA se encontram nas ntersecções e p( s )..4.. Decsões com ruío gaussano branco atvo Seja = tem strbução normal s a stânca o ponto recebo ao ponto genérco N (, ). A verosmlhança genérca é p ( ) s e suponhamos que o ruío N exp s =. π 9
10 Comecemos pelo crtéro MA, como e costume. Em ve e N max p ( s ) = max exp π poemos usar max exp( ) max ( ln ) mínmo e por causa o factor comum ( π ) N, e epos após aplcarmos logartmos. Mas procurar este máxmo equvale a procurar o ln. ortanto, Escolhe-se s K se K ln mn ln K =, =,,, M crtéro MA Como é hábto, para obter o crtéro ML basta conserar que no crtéro MA os símbolos são equprováves ( M procurar = ). Logo, procurar mn ( ln ) mn ( ln M) mn( ) e também Escolhe-se s K se mn. Assm, K = mn,,,, M = crtéro ML = + equvale a A conclusão não é nesperaa: tal como na transmssão bnára, com símbolos equprováves evemos escolher o ponto envao que estver mas próxmo o recebo. Nota: a stânca só serve como crtéro se o ruío for gaussano. Exemplo 4: Constelação e 4 pontos no plano.: Os pontos s a constelação rômbca a fgura têm coorenaas s = 3 3 T, s = T, s 3 = 3 3 T e s = T 4 e probablaes e ocorrênca = = 8 3 e = 4 = 38. Se com ruío gaussano com = N = 5 se tver so recebo o ponto T = quas são as estmatvas MA e ML o ponto envao? ψ s s ψ s 3 s 4 R.: Na escolha ML procura-se a menor stânca quarátca menor valor ln : = s e na escolha MA o = ( 3) + ( 3) = = 4 3 = 34 4 = = ln 3, 8 = ln, = ln 5, = ln, 98
11 A escolha ML é o símbolo s e a escolha MA também. A fgura segunte mostra as regões e ecsão e máxma verosmlhança, que confrmam que o ponto está stuao na regão e s. ψ s s ψ s 3 s 4 3. Mnmação a probablae e erro Afrmou-se atrás: A estmação MA mnma a probablae e erro. Vamos ver porquê, cngno-nos à transmssão bnára. A probablae e erro numa ecsão bnára entre os símbolos s e s é calculaa através a méa poneraa e = ( erro s) + ( erro s). É sabo que o lmar óptmo γ, aquele para o qual atnge o valor mínmo, é etermnao pela relação e p( γ s) = p( γ s ), em que p( γ s ) e p( γ s ) são os valores as verosmlhanças ps ( ) para = γ. Olhano para a relação MA melhor, quano p( s ) vemos que o seu lmar e ecsão é obto quano p( s ) p( γ MA s) =. Ora não quer sto er que γ MA = γ? p( γ s ) MA O lmar γ ML só é óptmo quano os símbolos são equprováves. p( s) =, ou p( s ) Um pequeno exemplo va mostrar a ferença. Seja então = 34, s = s = 3 e = 6, a que corresponem os lmares γ ML = e γ MA = ln 3 =,. Não será fícl e obter as corresponentes probablaes e erro prevstas: γ ML s 6 ML: e = ( erro s) = Q = Q =, γ MA s s γ MA MA: e = ( erro s) + ( erro s) = Q + Q =,9 O que é melhor? Exemplo 5: robablae e erro em transmssão quaternára unmensonal Retomemos o Exemplo 3 para calcular a probablae e erro resultante a escolha os lmares e ecsão óptmos γ = e γ3 = γ =,5A :
12 = erros ( ) + erros ( ) + erros ( ) + erros ( ) = e γ + 3A 3 A γ3 A 3A γ3 = Q Q Q Q = 8 A 3 A 3A = Q + Q + Q = 4 4, A escolha e outros lmares e ecsão conurá a uma probablae e erro superor a esta.
Curso de Engenharia Física Tecnológica 2014/2015. sin 2 θ ϕ 2. 3x 2 1 ), P 3 = 1 2
Mecânca Quântca Sére 7 Curso e Engenhara Físca Tecnológca 2014/2015 Vers~ao e 12 e Novembro e 2014) 7.1 Mostre que, em coorenaas esfércas, se tem L ± = e ±ϕ ± θ +cotθ ) ϕ e L 2 = 2 2 θ +cotθ 2 θ + 1 )
Leia maisPEF Projeto de Estruturas Marítimas ESFORÇOS NA PLATAFORMA FIXA
PEF 506 - Projeto e Estruturas Marítmas ESFORÇOS NA PLATAFORMA FIXA 1. Introução O prncpal esorço agente em uma plataorma xa é aquele avno o movmento o meo luo. evo à complexae o movmento as partículas
Leia mais.FL COMPLEMENTOS DE MECÂNICA. Mecânica. Recuperação de doentes com dificuldades motoras. Desempenho de atletas
COMPLEMENTOS DE MECÂNICA Recuperação e oentes com fculaes motoras Mecânca Desempenho e atletas Construção e prótese e outros spostvos CORPOS EM EQUILÍBRIO A prmera conção e equlíbro e um corpo correspone
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia mais3.2 Modulações não-binárias (MPSK)
odulações dgtas 3 odulações dgtas lneares com detecção coerente 3. odulações não-bnáras (SK) QSK: formas de onda e componentes em fase e em quadratura E π s() t = cos π fct ( ) T 4 t T =,,3, 4 f c = nc,
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisGrupo I. 1. Uma caixa contém bolas indistinguíveis ao tacto e de duas cores diferentes: azul e roxo.
Exames Naconas EXAME NACIONAL DO ENSINO SECUNDÁRIO Decreto-Le n. 74/2004, e 26 e Março Prova Escrta e Matemátca A 2. Ano e Escolarae Prova 63/2.ª Fase Duração a Prova: 0 mnutos. Tolerânca: 30 mnutos 200
Leia maisCapítulo 4 CONSERVAÇÃO DA MASSA E DA ENERGIA
Capítulo 4 COSERAÇÃO DA MASSA E DA EERGIA 4.1. Equações para um Sstema Fechao 4.1.1. Defnções Consere o volume materal e uma aa substânca composta por espéces químcas lustrao na Fgura 4.1, one caa espéce
Leia maisFísica C Superintensivo
ísca C Superntensvo Exercícos 01) C 1) Contato entre e Depos o equlíbro Q = Q = + e 5 e = 1e. ) Contato entre e C Depos o equlíbro Q = Q C = + e 1 e = +1e. 05) q 1 Q resultante 1 0) 4 01. Incorreta. Se
Leia maisCapítulo 4: Equações e Considerações Adicionais para Projeto
68 Capítulo 4: Equações e Conserações Aconas para Projeto Bem feto é melhor que bem to. Benjamn Frankln (106-190) 4.1. Apresentação A partr a análse matemátca o crcuto retfcaor apresentao no Capítulo,
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia maisExame final de Estatística 2ª Época - 24 de Junho de 2004
xame fnal de statístca ª Época - de Junho de Faculdade de conoma José Antóno nhero Unversdade Nova de Lsboa Mara Helena Almeda Note bem:. Resolva grupos dferentes em folhas dferentes;. IDNTIFIQU todas
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisCAPÍTULO V CÁLCULO DOS ESFORÇOS INTERNOS RESISTENTES DADOS a, 1/R a E e O
CAPÍTULO V CÁLCULO DOS ESFOÇOS ITEOS ESISTETES DADOS a / a E e O Cálculo os Esforços Internos esstentes Daos /r e εo 5 Cálculo os Esforços Internos esstentes Daos a /r a e e o 5 Introução A etermnação
Leia maisClassificação das Equações de Conservação
Angela Neckele PUC-Ro Classcação as Equações e Conservação Equação erencal parcal lnear e seguna orem, com uas varáves nepenentes (x, y) ou (x, t) B AC 0 elíptca Classcação: B AC 0 parabólca B AC 0 perbólc
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisReceptor Ótimo. Implementação do receptor ótimo baseada em Filtro Casado. s 1 (t M t) a M. b 1. s M (t M t) Selecionar Maior. (t) + w(t) r(t) = s i
Receptor Ótimo Implementação o receptor ótimo baseaa em Filtro Casao s (t M t) t t M b r(t) s i (t) + w(t) a Selecionar m ˆ m i Maior s M (t M t) t t M a M b M Receptor Ótimo Implementação o receptor ótimo
Leia maisResposta: A dimensão b deve ser de b=133,3 mm e uma força P = 10,66 kn.
Uc Engenhara Cvl e ESA Resstênca os ateras Eame oelo A vga e maera tem seção transversal retangular e ase e altura. Supono = m, etermnar a mensão, e moo que ela atnja smultaneamente sua tensão e fleão
Leia maisSÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS.
I 1. Demonstre que o crcuto da Fg. 1 é um half-adder (semsomador), em que A e B são os bts que se pretendem somar, S é o bt soma e C out é o bt de transporte (carry out). Fg. 1 2. (Taub_5.4-1) O full-adder
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisXXVII Olimpíada Brasileira de Matemática GABARITO Primeira Fase
Soluções Nível Unverstáro XXVII Olmpíada Braslera de Matemátca GABARITO Prmera Fase SOLUÇÃO DO PROBLEMA : Pelo enuncado, temos f(x) = (x )(x + )(x c) = x 3 cx x + c, f'(x) = 3x cx, f '( ) = ( + c) e f
Leia maisGabarito para a prova de 1º Ano e 8ª serie (atual 9º Ano)
Gabarto para a prova de 1º Ano e 8ª sere (atual 9º Ano) 1. t t c F 5 3 9 ; t c 451 3 5 9 o ; tc 33 C ΔS. a) Δ t 5 s V 4, 1 mnuto possu 6 s, portanto, dos 5 s temos: 8 mnutos (equvale a 48 s) e sobram segundos.
Leia maisUNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA EAE 26 Macroeconoma I 1º Semestre e 217 Professores: lberto Taeu Lma e Pero arca Duarte Lsta e Exercícos
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisMAP Cálculo Numérico e Aplicações
MAP0151 - Cálculo Numérco e Aplcações Lsta 5 (Correção Neste ponto, todos já sabemos que todas as questões têm o mesmo valor, totalzando 10.0 pontos. (Questão 1 Fque com vontade de fazer mas do que fo
Leia maisMODELO DO MOTOR DE INDUÇÃO PARA PEQUENAS PERTUBAÇÕES
CAPÍUO 1 MODEO DO MOO DE INDUÇÃO PAA PEQUENA PEUBAÇÕE 1.1 INODUÇÃO No capítulo VII fo estabeleco um métoo para estuo a resposta o motor e nução submeto a perturbações no torue, baseao no fato e ue nos
Leia mais3 MÉTODOS DE EXTRAÇÃO DA CORRENTE DE SEQÜÊNCIA NEGATIVA
14 3 MÉTODOS DE EXTRAÇÃO DA CORRENTE DE SEQÜÊNCA NEGATVA Os métoos e extração as correntes e seüênca negatva sponíves na lteratura são agrupaos seguno suas característcas comuns e tem suas notações unformzaas.
Leia maisANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS AULA TEÓRICA DE ABRIL DE 2017
ANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS AULA TEÓRICA 21 17 DE ABRIL DE 2017 EQUAÇÕES DIFERENCIAIS Equações iferenciais são equações (algébricas) one figuram funções e erivaas e várias orens e funções.
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisGABARITO ERP19. impedância total em pu. impedância linha em pu; impedância carga em pu; tensão no gerador em pu.
GABARITO ERP9 Questão mpedânca total em pu. mpedânca lnha em pu; mpedânca carga em pu; tensão no gerador em pu. Assm, tem-se que: ( ). Mas, ou seja: : ( ).. Logo: pu. () A mpedânca da carga em pu,, tem
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisCOEFICIENTE DE GINI: uma medida de distribuição de renda
UNIVERSIDADE DO ESTADO DE SANTA CATARINA ESCOLA SUPERIOR DE ADMINISTRAÇÃO E GERÊNCIA DEPARTAMENTO DE CIÊNCIAS ECONÔMICAS COEFICIENTE DE GINI: uma medda de dstrbução de renda Autor: Prof. Lsandro Fn Nsh
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisData: / / LISTA DE FÍSICA. Um ímã permanente é colocado verticalmente sobre uma base magnética como mostra a figura abaixo.
Ensno Funamental II Unae São Juas Taeu Professor (a): Aluno (a): Ano: 9º Pero Paulo S. Arras Data: / / 2014. LISTA DE FÍSICA Questão 01 - (PUC RJ/2011) Um ímã permanente é colocao vertcalmente sobre uma
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisAluno (a): Ano: 9º V Data: / / LISTA DE FÍSICA
Ensno Funamental II Unae Parque Atheneu Professor (a): Pero Paulo S. Arras Aluno (a): Ano: 9º V Data: / / 2014. LISTA DE FÍSICA 1) (PUC RJ/2011) Um ímã permanente é colocao vertcalmente sobre uma base
Leia maisSistemas de Campo Magnético
Sstemas e ampo Magnétco 1. onsere o segunte sstema electromagnétco. Amta que não há spersão. A peça a sombreao tem um grau e lberae seguno a recção. 12 cm 8 cm N y z 6 cm 12 cm N 120 esp. rfe 800 4 10
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisCÁLCULO I. 1 Regras de Derivação. Objetivos da Aula. Aula n o 12: Regras de Derivação. Apresentar e aplicar as regras operacionais de derivação;
CÁLCULO I Prof. Marcos Diniz Prof. Anré Almeia Prof. Eilson Neri Júnior Aula n o 2: Regras e Derivação Objetivos a Aula Apresentar e aplicar as regras operacionais e erivação; Derivar funções utilizano
Leia maisUNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA EAE 308 Macroeconoma II 2º Semestre e 2017 Pro. Fernano Rugtsky Lsta e Exercícos 1 [1] Consere uma
Leia maisCAPÍTULO 7. ( p)= -1 p2. Segue que a reta tangente no ponto de abscissa p é y 1. f( x)- f() Exercícios f( x)= sen px. Exercícios
CAPÍTULO 7 Eercícios 7 8 f 3-9 f sen p Eercícios 73 8 f ' ( p) - p Segue que a reta tangente no ponto e abscissa p é y - - ( - p) p p p Para y, - p e, portanto, p; ou seja, a reta tangente no ponto e abscissa
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisMatemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t
Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisCÁLCULO I. 1 Regras de Derivação. Objetivos da Aula. Aula n o 12: Regras de Derivação. Apresentar e aplicar as regras operacionais de derivação;
CÁLCULO I Prof. Marcos Diniz Prof. Anré Almeia Prof. Eilson Neri Júnior Prof. Emerson Veiga Prof. Tiago Coelho Aula n o : Regras e Derivação Objetivos a Aula Apresentar e aplicar as regras operacionais
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia mais31 a Aula AMIV LEAN, LEC Apontamentos
31 a Aula 20041126 AMIV LEAN, LEC Apontamentos (RicaroCoutinho@mathistutlpt) 311 Métoo os coeficientes ineterminaos 3111 Funamentação Vamos agora aborar a EDO e coeficientes constantes, mas não homogénea:
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia maisMódulo I Ondas Planas. Reflexão e Transmissão com incidência normal Reflexão e Transmissão com incidência oblíqua
Módulo I Ondas Planas Reflexão e Transmssão com ncdênca normal Reflexão e Transmssão com ncdênca oblíqua Equações de Maxwell Teorema de Poyntng Reflexão e Transmssão com ncdênca normal Temos consderado
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisAnual de Física para Medicina e Odontologia Prof Renato Brito AULA 11 QUESTÃO 04
nual de Físca para Medcna e Odontologa 005 - www.fscaju.com.br - rof enato rto UL 11 QUESTÃO 04 Se a ddp entre os pontos e vale zero, entao podemos dzer que: se o ponto tver zero volt, o ponto também terá
Leia maisPlano de Aula Leitura obrigatória Mecânica Vetorial para Engenheiros, 5ª edição revisada, Ferdinand P. Beer, E. Russell Johnston, Jr.
UC - Goás Curso: Engenhara Cvl Dscplna: Mecânca Vetoral Corpo Docente: Gesa res lano e Aula Letura obrgatóra Mecânca Vetoral para Engenheros, 5ª eção revsaa, ernan. Beer, E. ussell Johnston, Jr. Etora
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisAnálise Complexa Resolução de alguns exercícios do capítulo 1
Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +
Leia maisÍndice. Exemplo de minimização de estados mais complexo. estados
Sumáro Método da tabela de mplcações para mnmzar estados. Atrbução de códgos aos estados: métodos baseados em heurístcas. Índce Exemplo de mnmzação de estados mas complexo Método da tabela de mplcações
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisProjeto 3. 8 de abril de y max y min. Figura 1: Diagrama de um cabo suspenso.
Cabos suspensos Projeto 3 8 e abril e 009 A curva escrita por um cabo suspenso pelas suas etremiaes é enominaa curva catenária. y ma y min 0 Figura 1: Diagrama e um cabo suspenso. A equação que escreve
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisSumarização dos dados
Inferênca e Decsão I Soluções da Colectânea de Exercícos 22/3 LMAC Capítulo 2 Sumarzação dos dados Nota: neste capítulo é apresentada a resolução apenas de alguns exercícos e a título ndcatvo. Exercíco
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia mais1 Curso PIBID: Os Alicerces da Mecânica Clássica
1 Curso PIBID: Os Alcerces a Mecânca Clássca Prof. Sérgo Augusto Caras e Olvera Profa. Debora Profa. Fabane Prncípo Varaconal Um problema hstórco e bem nteressante, avém a procura por uma função ou curva,
Leia maisCapítulo. Capacitores Resoluções dos exercícios propostos. P.283 a) Dados: ε 0 8,8 10 12 F/m; A (0,30 0,50) m 2 ; d 2 10 3 m 0,30 0,50 2 10 3
apítulo a físca xercícos propostos nae apítulo apactores apactores Resoluções os exercícos propostos P.8 a) aos: ε 0 8,8 0 F/m; (0,0 0,50) m ; 0 m ε 0 8,8 0 0,0 0,50 0 6,6 0 0 F b) ao:.000 V 6,6 00.000,
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisRegras de Derivação Notas de aula relativas ao mês 11/2003 Versão de 13 de Novembro de 2003
Regras e Derivação Notas e aula relativas ao mês 11/2003 Versão e 13 e Novembro e 2003 Já sabemos a efinição formal e erivaa, a partir o limite e suas interpretações como: f f a + h) f a) a) = lim, 1)
Leia maisProposta de resolução do Exame Nacional de Matemática A 2016 (2 ạ fase) GRUPO I (Versão 1) Logo, P(A B) = = = Opção (A)
Proosta de resolução do Eame Naconal de Matemátca A 0 ( ạ fase) GRUPO I (Versão ). P( A B) 0, P(A B) 0, P(A B) 0, P(A B) 0,4 P(A) + P(B) P(A B) 0,4 Como P(A) 0, e P(B) 0,, vem que: 0, + 0, P(A B) 0,4 P(A
Leia mais37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8
Resposta da questão 1: [C] Calculando:,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 8, 8,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 5, x = 9,9 Moda = 8 8+ 8 Medana = = 8,5 + 10 + 8 + 9,4 + 8 +,4 + 7,4 Méda das outras
Leia maisProposta de resolução GRUPO I
Novo Espaço Matemátca A º ano Proposta de teste de avalação fnal [mao 6] Proposta de resolução GRUPO I Há rapazes, nclundo o Ru Como este não faz parte do grupo, dos restantes 9 rapazes são escolhdos O
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisResumo de Álgebra Linear - parte II
Aula 7 Resumo de Álge Lnear - parte II 7.1 Resumo Nesta aula contnuamos desenvolvendo concetos báscos de álge lnear, aprmorando a famlardade com a notação de Drac. Bblograa: Moysés, 8.7 (em parte), e Cohen-Tannoudj,
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisCurvas Horizontais e Verticais
Insttução: Faculdade de Tecnologa e Cêncas Professor: Dego Queroz de Sousa Dscplna: Topografa Curvas Horzontas e ertcas 1. Introdução Exstem dversas ocasões na engenhara em que os projetos são desenvolvs
Leia maisEscola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística
Escola Secundára com º cclo D. Dns 10º Ano de Matemátca A Estatístca Trabalho de casa nº 15 GRUPO I 1. Num referencal o.n. Oxyz, a undade é o cm e a esfera defnda por ( ) ( ) está nscrta num cubo. O volume
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisControle Estatístico de Qualidade. Capítulo 14 (montgomery)
Controle Estatístico e Qualiae Capítulo 4 (montgomery) Amostragem e Aceitação Lote a Lote para Atributos Introução A Amostragem poe ser efinia como a técnica estatística usaa para o cálculo e estimativas
Leia mais4 Sistemas de partículas
4 Sstemas de partículas Nota: será feta a segunte convenção: uma letra em bold representa um vector,.e. b b Nesta secção estudaremos a generalzação das les de Newton a um sstema de váras partículas e as
Leia maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia maisAlgoritmos de Codificação Simétricos
Algortmos de Codfcação Smétrcos Hugo Valente e Ivo Navega SSI TPC. A rede de estel consste numa cfra de bloco com uma estrutura específca, a qual permte trar vantagem do facto de puder ser usada quer para
Leia maisParênteses termodinâmico
Parênteses termodnâmco Lembrando de 1 dos lmtes de valdade da dstrbução de Maxwell-Boltzmann: λ
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda
Leia mais