UMA GENERALIZAÇÃO DE GRAFOS CAMINHO E LEQUE: O ESTUDO DA SUBCOLORAÇÃO
|
|
- Lucas Gabriel Ribas
- 4 Há anos
- Visualizações:
Transcrição
1 UMA GENERALIZAÇÃO DE GRAFOS CAMINHO E LEQUE: O ESTUDO DA SUBCOLORAÇÃO Llan Markenzon Núcleo de Computação Eletrônca Unversdade Federal do Ro de Janero markenzon@nce.ufrj.br Chrstna F. E. M. Waga Insttuto de Matemátca e Estatístca Unversdade do Estado do Ro de Janero waga@me.uerj.br RESUMO Uma subcoloração é uma partção de vértces na qual cada classe de cor nduz em G uma unão de clques dsjuntas. Neste trabalho, duas subfamílas de grafos cordas são defndas, os grafos k-serpentna e os grafos k-leque. Prova-se que os grafos k-serpentna são 2-subcoloríves e os grafos k-leque são 2 ou 3-subcoloríves, dependendo do caso. A dstrbução de graus dos vértces das duas famílas é também exbda. PALAVRAS CHAVE. subcoloração; grafos k-camnho; subfamílas de grafos. Área Prncpal: Teora e Algortmos em Grafos ABSTRACT A subcolorng s a vertex colorng of a graph n whch every color class nduces a dsjont unon of clques. In ths paper two subfamles of chordal graphs are defned, the k-streamer graphs and the k-fan graphs. It s proved that the subchromatc number of the k-streamer s 2 and the subchromatc number of the k-fan s 2 or 3, dependng on the case. The degree dstrbuton of the vertces of these famles s also shown. KEYWORDS. subcolorng; k-path graphs; specal graph famles. Man Area: Theory and Algorthms n Graphs 4126
2 1. Introdução Uma k-coloração de um grafo G é uma partção de seus vértces em k conjuntos dsjuntos dos a dos V 1,..., V k tal que cada classe de cor V, = 1,..., k, é consttuída por vértces solados ou é um conjunto ndependente de vértces. O número cromátco χ(g) é o menor ntero para o qual G possu uma k-coloração. Para grafos conexos não trvas, 2 χ(g) n. As gualdades se verfcam para os camnhos P n com χ(p n ) = 2 e para os grafos completos K n, χ(k n ) = n. O conceto de coloração pode ser generalzado de dversas maneras: subcoloração, cocoloração e coloração completa, por exemplo. A subcoloração e número subcromátco foram ntroduzdos por Albertson et al. (1989). Uma partção V 1,..., V k dos vértces de G é denomnada uma k-subcoloração do grafo quando cada classe de cor nduz em G uma unão de clques dsjuntas. O número subcromátco χ s (G) é o menor ntero para o qual G possu uma k-subcoloração. É fácl ver que para qualquer grafo G, χ s (G) χ(g). Esta gualdade se verfca para grafos l-partdos completos K l,...,l. Além dsso, tem-se que χ(g) χ s (G)ω(G) sendo ω(g) o número de clque de G, sto é, a cardnaldade da maor clque do grafo. O grafo que satsfaz a gualdade pode ser encontrado em Gmbel e Hartman (2003). A subcoloração tem dversas aplcações nas áreas de escalonamento de tarefas, computação dstrbuída e otmzação combnatóra, vde Gandh et al. (2010). Reconhecer se um grafo é k-subcolorível é um problema NP-completo para grafos em geral. Portanto, dentfcar famílas de grafos em que se consga resolver este problema em tempo polnomal é um tópco relevante de pesqusa. Stacho (2008a,2008b) apresentou dos resultados para grafos cordas: exste um algortmo com complexdade de tempo de O(n 3 ) para 2-subcoloração e, para todo k 3, decdr se o grafo é k-subcolorível é NP-completo. Um resultado medato é a subcoloração de camnhos e de grafos completos. O prmero apresenta χ s (P n ) = χ(p n ) = 2 e o segundo, χ s (K n ) = 1, levando a uma questão nteressante: como a exstênca de subgrafos completos maxmas faclmente reconhecíves afeta a subcoloração? Neste trabalho, duas subfamílas de grafos cordas são defndas, os grafos k-serpentna e os grafos k-leque. Prova-se que os grafos k-serpentna são 2-subcoloríves e os grafos k-leque, 2 ou 3-subcoloríves, dependendo do caso estudado. A dstrbução de graus dos vértces das duas famílas é também exbda. 2. Concetos Báscos Assume-se a famlardade com os concetos báscos de grafos cordas que podem ser encontrados em Blar e Peyton (1993) e Golumbc (2004). Nesta seção, serão revstos os concetos mas mportantes. Seja G = (V, E) um grafo com ordem V = n > 0 e tamanho E = m. A vznhança de um vértce v V é o conjunto N(v) = {w V vw E}. Para qualquer subconjunto S V, G [S] é o subgrafo de G nduzdo por S. Um conjunto S é uma clque quando G [S] é um grafo completo. Um vértce v V é smplcal em G se N(v) é uma clque e é unversal em G se N(v) = n 1. Um grafo cordal é aquele em que todo cclo smples de comprmento maor ou gual a quatro possu uma corda, sto é, uma aresta lgando dos vértces não consecutvos do cclo. O grafo de nterseção de clques de um grafo cordal conexo G é o grafo conexo valorado tal que seus 4127
3 vértces são as clques maxmas de G e suas arestas lgam vértces que correspondem a clques não dsjuntas. A cada aresta é atrbuído um peso ntero, dado pela cardnaldade do conjunto nterseção das clques maxmas que correspondem às suas extremdades. Uma árvore geradora de peso máxmo deste grafo é chamada árvore de clques de G. Uma k-árvore, k > 0, pode ser ndutvamente defnda da segunte forma: Todo grafo completo com k vértces é uma k-árvore. Se G = (V, E) é uma k-árvore, v / V e Q V é uma k-clque de G, então G = (V {v}, E {vw w Q}) é também uma k-árvore. Nada além dsso é uma k-árvore. Uma observação nteressante é que as k-árvores são uncamente (k + 1)-coloríves. É possível defnr grafos k-camnho de forma semelhante. Um grafo k-camnho, k > 0, pode ser ndutvamente defndo por: Todo grafo completo com k vértces é um grafo k-camnho. Se G = (V, E) é um grafo k-camnho, v / V e Q V é uma k-clque de G contendo pelo menos um vértce smplcal, então G = (V {v}, E {vw w Q}) é também um grafo k-camnho. Nada além dsso é um grafo k-camnho. Reconhecer se uma k-árvore é um grafo k-camnho é fácl devdo à caracterzação apresentada no próxmo teorema de Markenzon et al. (2006). Teorema 1 Seja G = (V, E) uma k-árvore com n > k + 1 vértces. G é um grafo k-camnho se, e somente se, G tem exatamente dos vértces smplcas. Consdere G = (V, E) um grafo k-camnho, Q seu conjunto de clques maxmas. Então, 1. Q = k + 1, para toda clque Q Q, 2. Q = n k e 3. Se Q, Q Q são vértces adjacentes em uma árvore de clques de G então Q Q = k. Um grafo G = (V, E) é um grafo de ntervalo se a cada vértce v V pode ser atrbuído um ntervalo I v da reta real e tal que vw E quando I v I w. O resultado a segur estabelece uma mportante nclusão e pode ser encontrado em Perera et al. (2008). Teorema 2 Todo grafo k-camnho é um grafo de ntervalo. Os grafos k-camnho têm uma únca árvore de clques. Como as árvores de clques de um grafo de ntervalo são camnhos, a únca árvore de clques de um grafo k-camnho é um camnho. 4128
4 3. Resultados sobre a subcoloração de grafos k-camnho Como os grafos k-camnho são grafos de ntervalo, os resultados conhecdos para os grafos de ntervalo são também aplcáves. Broersma et al. (2002) apresentam o segunte lmte para o número subcromátco, sendo G um grafo de ntervalo, χ s (G) log 2 (n + 1). Para um grafo k-camnho G tem-se ω(g) = k + 1 e este lmte pode ser reescrto: χ s (G) mn{k + 1, log 2 (n + 1) }. Duas novas subfamílas de grafos k-camnho apresentam resultados nteressantes em relação ao problema da subcoloração de vértces, melhorando sensvelmente este lmte. A prmera famíla a ser defnda são os grafos k-camnho serpentna ou smplesmente k-serpentna, uma extensão dos grafos serpentna apresentados em Rodrgues et al. (1999). Consdere uma famíla de grafos defnda pela propredade P e G um grafo de ordem n pertence à famíla. O grafo G é (n, r)-maxregular quando G tem o maor número possível de vértces de grau r dentre todos os grafos de ordem n da famíla. Naturalmente, todo grafo regular é (n, r)-maxregular pos todos os n vértces têm grau r. Dentre os k-camnhos, os grafos k-serpentna atendem à condção de maxregulardade. Defnção 3 Um grafo k-camnho G é uma k-serpentna, k 1, quando é (n, 2k)-maxregular. Observe que o grafo 1-serpentna é o grafo camnho usual e, para n e k dados, o grafo k-serpentna de ordem n é únco. Além dsso, qualquer grafo k-serpentna pode ser construído através da substtução do segundo tem da defnção ndutva de grafo k-camnho apresentada anterormente: Se G = (V, E) é um grafo k-serpentna, v / V e Q V é uma k-clque de G contendo os vértces mas recentemente ncluídos, então G = (V {v}, E {vw w Q}) é também um grafo k-serpentna. Por exemplo, o grafo da Fgura 1(a) é uma 3-serpentna com 10 vértces, cuja cadea de escolhas de 3-clques é: E que, {a, b, c}, {b, c, d}, {c, d, e}, {d, e, f}, {e, f, g}, {f, g, h}, {g, h, }. Q = {{a, b, c, d}, {b, c, d, e}, {c, d, e, f}, {d, e, f, g}, {e, f, g, h}, {f, g, h, }, {g, h,, j}}. Baseado na Defnção 3, os graus dos vértces de um grafo k-serpentna, k 1, de ordem n fcam determnados. Se n = k + 2, dos vértces têm grau k e k vértces têm grau k + 1. Se o grafo tem ordem n = k + 2 +, com 1 k 2, exstem k vértces de grau k e dos vértces cada para os graus k + j com 0 j k + n (+1) 2. Se n > 2k, os graus e o número de vértces estão ndcados abaxo: Graus k k + 1 k k 1 2k Num. vértces n 2k 4129
5 A 3-serpentna da Fgura 1(a) tem a segunte dstrbução de graus. Graus Num. vértces Os grafos completos de ordem k e k + 1 são k-serpentnas e têm número subcromátco gual a um. O número subcromátco dos grafos k-serpentna com n > k + 1 é apresentado no próxmo teorema, bem como uma subcoloração possível. Teorema 4 Seja G = (V, E) um grafo k-serpentna com k 2 e n > k + 1. Então, χ s (G) = 2. Prova: Vamos consderar, sem perda de generaldade, V = {v 1,..., v n } o conjunto de vértces sendo v 1 e v n os vértces smplcas. Sabe-se que, pelas propredades de grafos k-camnho e pela defnção de k serpentna, as clques maxmas têm cardnaldade k + 1 e podem ser denotadas por Q = {v,..., v +k }, = 1,..., n k. Sejam q and r nteros postvos tas que n = q(k + 1) + r com 0 r < k + 1 e as q clques maxmas {v 1,..., v k+1 }, {v k+2,..., v 2(k+1) },..., {v (q 1)k+q,..., v q(k+1) }. Novamente, pela defnção de k-serpentna, estas clques são dsjuntas e podem ser ncluídas alternadamente em duas classes de cores C 1 e C 2. Agora, consdere a clque Q formada pelos r vértces restantes. Dos casos devem ser analsados. Se q é par então Q é ncluída na classe C 1 pos dentre os r vértces restantes, alguns são adjacentes a certos vértces da clque {v (q 1)k+q,..., v q(k+1) } C 2. Caso contráro, Q é ncluída na classe C 2. Assm, χ s (G) = 2. Voltando à 3-serpentna da Fgura 1(a), as classes de cores, com as clques ndcadas, são C 1 = {{a, b, c, d}, {, j}} e C 2 = {{e, f, g, h}}. b d f h a c e g a c e g b d f h j j (a) (b) Fgura 1: Grafos k-camnho A segunda subfamíla é composta pelos grafos k-camnho leque ou smplesmente k-leque. Sua defnção será feta utlzando-se a operação de junção de grafos que pode ser encontrada em Gross e Yellen (2003). A junção dos grafos G 1 = (V 1, E 1 ) e G 2 = (V 2, E 2 ) é o grafo G 1 + G 2 = (V 1 V 2, E 1 E 2 {uv u V 1 e v V 2 }). 4130
6 Defnção 5 Um grafo k-camnho G é um k-leque, k 2, quando é a junção do grafo completo K l com 1 l k 1 e de uma (k l)-serpentna. Os grafos 2-leque são os grafos leque usuas da lteratura. Consdere o par (l, k l) que especfca o tpo da junção do k-leque. Para um dado n > 2k + 1, exstem (k 1) k-leques não somorfos especfcados pelos pares (1, k 1), (2, k 2),..., (k 1, 1). Para n > 13 fxo, os possíves tpos de 6-leques não somorfos são (1, 5), (2, 4), (3, 3), (4, 2) e (5, 1). A partr dos grafos utlzados na junção, é possível determnar os graus dos vértces de um grafo k-leque, k 2, de ordem n. Os l vértces do grafo completo K l têm grau n 1 e os graus dos vértces da (k l)-serpentna estão determnados e devem ser acrescdos de l. Consdere, por exemplo, o 4-leque de ordem 10 da Fgura 1(b) obtdo pela junção de um grafo K 2 com uma 2-serpentna com 8 vértces, é o únco 4-leque com 10 vértces do tpo (2, 2). Os graus da 2-serpentna são: Assm, os graus do 4-leque são: Graus Num. vértces Graus Num. vértces Em relação à subcoloração, os k-leques que são grafos completos de ordem k e k + 1 têm número subcromátco gual a um. O número subcromátco dos grafos k-leque com n k + 2 e uma subcoloração são apresentados no teorema abaxo. Teorema 6 Seja G = (V, E) um grafo k-leque com k 2, n k + 2 e n l = q(k l + 1) + r com 0 r < k l + 1. Então, { 2, q < 3 ou q = 3 e r = 0 χ s (G) = 3, nos outros casos. Prova: Consdere as classes de cores C 1, C 2 e C 3, e os seguntes casos. Se q = 1, a clque maxmal pertence à C 1 e os r vértces restantes e o grafo completo K l à C 2. Se q 1, pelo Teorema 4, duas classes C 1 e C 2 são utlzadas para subcolorr as q clques maxmas da (k l)-serpentna. Se q = 2, os r vértces restantes pertencem à classe C 1 e os vértces do grafo K l são ncluídos na classe C 2. Se q = 3 e r = 0, os vértces do grafo K l são ncluídos também na classe C 2. Então, para todos estes, tem-se χ s (G) = 2. Em qualquer outra stuação, os r vértces restantes e os vértces do grafo completo K l formam uma clque e devem pertencer necessaramente à classe C 3. Logo, χ s (G) =
7 Uma 2-subcoloração do 4-leque da Fgura 1(b) com as clques ndcadas é C 1 = {{a, b, c}, {g, h}} e C 2 = {{d, e, f,, j}}. 4. Consderações fnas O estudo apresentado neste trabalho evdencou que as propredades estruturas dos grafos k-camnho podem resultar em lmtes bem mas precsos do que os fornecdos na lteratura para grafos de ntervalo. Como as demonstrações dos Teoremas 4 e 6 são construtvas, os algortmos para a subcoloração do grafo dado decorrem de medato. As subcolorações propostas para as k-serpentnas e para os k-leques determnam classes de cores com clques maxmas, sto é, as maores possíves. É possível analsar, por exemplo, a subcoloração em que as clques não sejam maxmas no grafo. Uma proposta de estudo complementar é a obtenção de algortmos para subcoloração de subfamílas mas abrangentes. Agradecmentos: O prmero autor agradece ao CNPq (Processo /2009-2) pelo fnancamento parcal desta pesqusa. Referêncas Albertson, M.O., Jamson, R.E., Hedetnem, S.T., Locke, S.C. (1989), The subchromatc number of a graph, Dscrete Mathematcs 74 (1-2), Blar, J.R.S., Peyton, B. (1993), An ntroducton to chordal graphs and clque trees. In: George, J.A., Glbert, J. R., Lu, J. W. H. (Eds.), Graph theory and sparse matrx computaton. Sprnger Verlag, IMA 56, Broersma, H.J., Fomn, F. V., Nesetrl, J., Woegnger, G. J. (2002), More about subcolorng, Computng 69, Gandh, R., Greenng Jr., B., Pemmaraju, S., Raman, R. (2010), Sub-colorng and hypo-colorng nterval graphs, Dscrete Mathematcs, Algorthms and Applcatons 2(3), Gmbel, J., Hartman, C. (2003), Subcolorngs and the subchromatc number of a graph, Dscrete Mathematcs 272 (2-3), Golumbc, M.C. (2004), Algorthmc graph theory and perfect graphs, 2 nd edton, Academc Press, New York. Gross, J.L., Yellen, J. (eds) (2003), Handbook of graph theory, CRC Press, Boca Raton, Florda. Markenzon, L., Justel, C., Pacornk, N. (2006), Subclasses of k-trees: characterzaton and cecognton, Dscrete Appled Mathematcs 154, Perera, P.R.C., Markenzon, L., Vernet, O. (2008), A clque-dfference encodng scheme for labelled k-path graphs, Dscrete Appled Mathematcs 156, Rodrgues, R.M.N.D., Abreu, N.M.M., Markenzon, L. (1999), Maxregularty and maxmal outerplanar graphs, Electronc Notes n Dscrete Mathematcs 3, Stacho, J. (2008a), On 2-subcolorng of chordal graphs. In: LATIN 2008: Latn Amercan Conference on Theoretcal Informatcs, Lecture Notes n Computer Scence 4957, Stacho, J. (2008b), Complexty of Generalzed Colorngs of Chordal Graphs, PhD Thess, Smon Fraser Unversty. 4132
7 - 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 maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
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 maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
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 maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
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 maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia maisMétodos Probabilísticos e Algébricos em Combinatória
Métodos Probablístcos e Algébrcos em Combnatóra Domngos Dellamonca Jr. Orentador: Yoshharu Kohayakawa 1 de junho de 2004 Resumo Este é um projeto de ncação centífca cuja fnaldade é estudar métodos probablístcos
Leia maisLista de Matemática ITA 2012 Números Complexos
Prof Alex Perera Beerra Lsta de Matemátca ITA 0 Números Complexos 0 - (UFPE/0) A representação geométrca dos números complexos que satsfaem a gualdade = formam uma crcunferênca com rao r e centro no ponto
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 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 mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
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 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 mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
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 maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisPágina 293. w1 w2 a b i 3 bi a b i 3 bi. 2w é o simétrico do dobro de w. Observemos o exemplo seguinte, em que o afixo de 2w não
Preparar o Exame 0 0 Matemátca A Págna 9. Se 5 5 é o argumento de z, é argumento de z e 5 5. Este ângulo é gual ao ângulo de ampltude 5 é argumento de z.. Resposta: D w w a b b a b b. a b a a b b b bem
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 maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia maisANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS
DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End
Leia maisPalavras Chaves: Linear Combination of Atomic Orbitals, LCAO, Molecular Orbitals, MO, Atomic Orbitals, AO.
Dego da Slva Manoel Insttuto de Físca de São Carlos, Unversdade de São Paulo, São Carlos-SP, Brasl Resumo Neste trabalho abordamos a descrção dos Orbtas Moleculares (MO), obtdos va Combnação Lnear dos
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
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 maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisSobre Cortes em Grafos Aresta-Coloridos
Vtóra, ES, 7 a 30 de setembro de 06. Sobre Cortes em Grafos Aresta-Colordos Luerbo Fara, Rubens Sucupra IME/UERJ UERJ, Ro de Janero, RJ, Brasl luerbo@cos.ufrj.br, rasucupra@gmal.com Sulamta Klen IM/UFRJ
Leia maisDISTRIBUIÇÃO DE FREQUÊNCIAS
Núcleo das Cêncas Bológcas e da Saúde Cursos de Bomedcna, Ed. Físca, Enermagem, Farmáca, Fsoterapa, Fonoaudologa, Medcna Veternára, Muscoterapa, Odontologa, Pscologa DISTRIBUIÇÃO DE FREQUÊNCIAS 5 5. DISTRIBUIÇÃO
Leia maisPROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC)
PROBLEMS SOBRE PONTOS Dav Máxmo (UFC) e Samuel Fetosa (UFC) Nível vançado Dstrbur pontos num plano ou num espaço é uma tarefa que pode ser realzada de forma muto arbtrára Por sso, problemas sobre pontos
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisGARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS
GARANIA DE EXCELENE INERCAMBIALIDADE E REDUÇÃO DE CUSOS ARAVÉS DA ANÁLISE ESAÍSICA DE OLERÂNCIAS Edvaldo Antono Bulba* *Prof. Dr. da Fatec SP FEI e Unversdade São Judas E mal: bulba@fe.edu.br Resumo Numa
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 maisCap. 6 - Energia Potencial e Conservação da Energia Mecânica
Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma magem dgtal r é a função f(r) aplcada a todo pxel
Leia maisRadiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)
Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisAprendizagem de Máquina
Introdução Aprendzagem de Máquna Alessandro L. Koerch Redes Bayesanas A suposção Naïve Bayes da ndependênca condconal (a 1,...a n são condconalmente ndependentes dado o valor alvo v): Reduz a complexdade
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
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 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 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 maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisHOMOTETIAS, COMPOSIÇÃO DE HOMOTETIAS E O PROBLEMA 6 DA IMO 2008 Carlos Yuzo Shine Nível Avançado
HMTETIS, MPSIÇÃ DE HMTETIS E PREM 6 D IM 008 arlos Yuzo Shne Nível vançado ntes de começar a dscussão, vamos enuncar o problema 6 da IM 008, que é a motvação prncpal desse artgo. Problema 6, IM 008. Seja
Leia maisAs leis de Kirchhoff. Capítulo
UNI apítulo 11 s les de Krchhoff s les de Krchhoff são utlzadas para determnar as ntensdades de corrente elétrca em crcutos que não podem ser convertdos em crcutos smples. S empre que um crcuto não pode
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisUM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO
Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Paula Marana dos Santos (UFV) paula-maranna@hotmal.com
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 maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisa distribuição de um momento aplicado em um nó de um pórtico por parcelas de momentos fletores equilibrantes nas barras adjacentes (Seção 2);
PROCESSO E CROSS os pontos báscos que fundamentam o método: a dstrbução de um momento aplcado em um nó de um pórtco por parcelas de momentos fletores equlbrantes nas barras adjacentes (Seção ); a solução
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 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 maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
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 maisUSO DA SIMILARIDADE ENTRE CAMINHOS PARA O PROBLEMA DE CAMINHO MÍNIMO COM PARÂMETROS FUZZY
USO DA SIMILARIDADE ENTRE CAMINHOS PARA O PROBLEMA DE CAMINHO MÍNIMO COM PARÂMETROS FUZZY Fábo Hernandes Unversdade Estadual do Centro-Oeste - UNICENTRO Departamento de Análse de Sstemas - DESIS 85.05-40,
Leia maisAULA Espaços Vectoriais Estruturas Algébricas.
Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
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 maisDISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL
DISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL Dstrbuton of the wnd acton n the bracng elements consderng
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisUMA REPRESENTAÇÃO COMPACTA PARA GRAFOS CORDAIS
UMA REPRESENTAÇÃO COMPACTA PARA GRAFOS CORDAIS Clíca V. P. Frdmann FFP-UERJ clcavp@trra.com.br Abl R. G. Lozano FFP-UERJ arglozano@trra.com.br Llan Marknzon NCE-UFRJ marknzon@nc.ufrj.br Paulo Rnato da
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
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 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 maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisOtimização em Redes. Árvore Geradora Mínima. Geraldo Robson Mateus DCC - UFMG
Otmzação em Redes Árvore Geradora Mínma Geraldo Robson Mateus DCC - UFMG Árvore Geradora Mínma Desea-se construr uma rede de comuncação entre váras cdades a custo mínmo. abe-se que o custo de qualquer
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia mais18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas
01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia maisALGORITMOS APROXIMADOS PARA O PROBLEMA DO MAIOR CONJUNTO CONTROLADO GENERALIZADO
ALGORITMOS APROXIMADOS PARA O PROBLEMA DO MAIOR CONJUNTO CONTROLADO GENERALIZADO Ivarton Montero Santos, Carlos Alberto Martnhon, Luz Satoru Och santos@c.uff.br, mart@dcc.c.uff.br, satoru@dcc.c.uff.br
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisAlgoritmos de Escalonamento para a Síntese de Alto Nível
4 Algortmos de Escalonamento para a Síntese de Alto Nível Francsco Asss M. Nascmento* Resumo: Neste capítulo são apresentados os prncpas algortmos de escalonamento empregados em ferramentas de automação
Leia maisEm muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.
.4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo
Leia maisINTRODUÇÃO À PROBABILIDADE
INTRODUÇÃO À ROBABILIDAD Conetos básos xpermento aleatóro ou fenômeno aleatóro Stuações ou aontementos ujos resultados não podem ser prevstos om erteza. Um expermento ou fenônemo que, se for observado
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisMecânica. Sistemas de Partículas
Mecânca Sstemas de Partículas Mecânca» Sstemas de Partículas Introdução A dnâmca newtonana estudada até aqu fo utlzada no entendmento e nas prevsões do movmento de objetos puntformes. Objetos dealzados,
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
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 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 mais