Resolução de Conflitos

Tamanho: px
Começar a partir da página:

Download "Resolução de Conflitos"

Transcrição

1 Mestrado em Engenhara Informátca Tecnologas do Conhecmento e Decsão Sstemas Baseados em Agentes Resolução de Confltos Abrl de 2008 Realzado por: Ivo Perera

2 Índce Índce Introdução Confltos em Ambentes Cooperatvos Resolução de Confltos em Ambentes Cooperatvos Classfcação de stuações de conflto e cooperação Funconaldades para negocação Funconaldades para resolução de confltos Resolução de Confltos Tpos de nteracção entre agentes Resolução de Confltos Cooperação na Resolução de Confltos Métodos Quanttatvos para a Resolução de Confltos Programação Lnear Teora de Jogos Abordagem de Rede Conclusão Bblografa ISEP, Abrl de

3 1. Introdução Este trabalho surge no âmbto da dscplna de Sstemas Baseados em Agentes do curso de Mestrado em Engenhara Informátca, ramo de Tecnologas do Conhecmento e Decsão, do Insttuto Superor de Engenhara. Devdo ao facto de que, em sstemas ntelgentes mult-agente, os confltos entre agentes são sempre possíves de acontecer, o objectvo deste trabalho é dentfcar os motvos nerentes à sua exstênca assm como processos de resolução e possíves metodologas para essa mesma resolução. O documento encontra-se dvddo em três secções prncpas, na secção 2 é abordada a resolução de confltos em ambentes cooperatvos, sendo apresentada uma classfcação de stuações de conflto e cooperação. Na secção 3 são dentfcados os város tpos de nteracção entre agentes e é feta uma abordagem de resolução de confltos nessas dferentes stuações. Na secção 4 são descrtos alguns métodos quanttatvos para a resolução de confltos. ISEP, Abrl de

4 2. Confltos em Ambentes Cooperatvos 2.1. Resolução de Confltos em Ambentes Cooperatvos O aparecmento de confltos em comundades cooperatvas de agentes é sempre possível, devdo ao facto destes possuírem conhecmento e métodos de resolução dstntos. Os confltos podem surgr durante operações de partlha de tarefas ou operações de partlha de resultados, podendo ser dentfcados como postvos ou negatvos [1]. Os dferentes tpos de confltos podem então ser classfcados como:! Confltos postvos na partlha de tarefas ocorrem sempre que exstam város agentes capazes de executar a mesma tarefa pedda por um agente organzador. Esta stuação compettva tem de ser tratada através de mecansmos de negocação. A selecção do agente ao qual atrbur a responsabldade de execução da tarefa deve ser realzada pelo agente organzador.! Confltos negatvos na partlha de tarefas ocorrem quando não exste nenhum agente que deseje ou possa executar uma tarefa pedda pelo agente organzador. Esta stuação requer que o organzador cre um novo plano vável para que a tarefa se torne exequível.! Confltos postvos na partlha de resultados ocorrem sempre que város agentes, que tentam executar a mesma tarefa, possuam resultados dferentes mas complementares, ou resultados semelhantes mas com graus de credbldade dferentes.! Confltos negatvos na partlha de resultados ocorrem sempre que város agentes, que executem a mesma tarefa, produzam resultados antagóncos ou nconsstentes. A resolução deste tpo de stuações ISEP, Abrl de

5 mplca a capacdade de determnação da qualdade (quanttatva ou qualtatva) da nformação e conhecmento específco do domíno. É necessáro a exstênca de um perto para a resolução destes confltos, que pode ser representado como uma entdade ntelgente solada, ou dstrbuído por todos ou alguns agentes da comundade Classfcação de stuações de conflto e cooperação A exstênca de város tpos de stuações em que agentes necesstam de cooperar para resolverem confltos entre eles deu orgem a uma classfcação alargada de Casos de Cooperação e Confltos (CCCs) [1]. Com esta classfcação pode-se sugerr polítcas apropradas para ldar com cada stuação. Algumas stuações requerem níves de negocação dferentes enquanto que noutras é necessáro a aplcação de técncas de resolução de confltos. A cooperação é necessára quando exstem váras formas dos agentes partlharem quer tarefas quer resultados. Em seguda, usa-se a notação N!M para representar a relação número de organzadores! número de agentes que respondem a peddos. CCC1 Um agente pede ajuda a outro agente que se encontra desocupado. Este é um tpo de cooperação de partlha de tarefas onde pode ser usado o protocolo clente/servdor e consttu uma relação de 1!1. CCC2 Um agente pede ajuda a outro agente que já tem algumas tarefas agendadas. Deve ser estabelecda uma negocação entre ambos, tendo em atenção as prordades das tarefas. Esta stuação de partlha de tarefas é gualmente uma relação de 1!1. CCC3 Um agente solcta um servço a város agentes. Nesta stuação temos város agentes potencas a responder ao agente organzador (relação 1!M) e deverá ser usada uma negocação através de uma rede de contratos. ISEP, Abrl de

6 CCC4 Város agentes com papel de organzadores tentam negocar a execução de tarefas com um únco agente. Esta stuação cooperatva de partlha de tarefas é do tpo N!1. No entanto, anda podem ser descrmnadas algumas possbldades dferentes de nteracção:! O agente que responde a peddos está smultaneamente a ser solctado para a execução de váras tarefas dferentes;! O agente que responde a peddos está a ser solctado por város agentes organzadores para desempenhar a mesma tarefa;! Em ambos os casos anterores, pode acontecer que apenas um agente que responde a peddos esteja a ser solctado por todos os organzadores. Isto pode ser vsto como uma relação N x (1!1);! Pode também acontecer que todas as nteracções entre os agentes organzadores e esse agente específco que responde a peddos sejam apenas parte de uma negocação global levada a cabo smultaneamente. Isto sgnfca que os agentes organzadores podem também estar a tentar negocar com outros agentes. Então, trata-se de uma relação do tpo N!M já que do ponto de vsta do agente que responde a peddos é uma relação N!1 e do ponto de vsta do organzador é uma relação 1!M; CCC5 Um agente recebe váras respostas concdentes provenentes de agentes dferentes. Isto leva a uma stuação de cooperação do tpo de partlha de resultados:! Se estes resultados estverem dsponíves ao mesmo tempo para serem tomados em consderação, o factor da credbldade da nformação é aumentado;! Se os resultados chegam em nstantes dferentes e caso o prmero já esteja a ser utlzado, os restantes podem ser smplesmente gnorados ou então guardados com a etqueta de tempo actualzada. ISEP, Abrl de

7 CCC6 Város resultados (respostas a peddos anterores ou nformação envada voluntaramente) provenentes de város agentes são dferentes. Mas uma vez estamos perante uma stuação de partlha de resultados, podendo anda ser decomposta em:! Os resultados encontram-se em conflto e são completamente antagóncos. A escolha de uma alternatva requer o uso de uma heurístca;! Os resultados estão em conflto porque contêm alguma nconsstênca. Deve ser executada uma negocação entre os agentes para troca de restrções e re-execução de sub-tarefas por, pelo menos, um deles;! Resultados bastante dferentes podem ser vstos como complementares e, como tal, deve, ser ntegrados num únco resultado. CCC7 Um agente não recebeu uma entrada esperada (provenente de outro agente em resposta a um peddo anteror) em tempo útl. Neste caso, o agente organzador tem de ultrapassar esta stuação, por exemplo, escolhendo outro plano. CCC8 Um agente já não se encontra nteressado em nformação solctada anterormente a outros agentes. Nesta stuação, o agente deve comuncar o suceddo aos outros agentes. CCC9 Um agente deduz que não consegurá realzar uma tarefa solctada em tempo útl. Este deve então envar ao agente organzador essa nformação para que este possa encontrar uma solução alternatva para o problema. CCC10 Detecção de um tpo de deadlock, devdo talvez à decomposção ncorrecta de tarefas. ISEP, Abrl de

8 CCC11 A cooperação exste como consequênca de nformação submetda voluntaramente por outros agentes. Estas mensagens, sempre que recebdas, podem despoletar uma nova tarefa ou aperfeçoar a nformação dsponível, através da partlha de resultados. Pode também mplcar que os agentes que respondem a peddos re-executem uma tarefa já executada Funconaldades para negocação Na recepção de um peddo de negocação, a camada de cooperação de um agente produz uma mensagem de lctação expressando o tempo necessáro para ter a tarefa concluída. A prordade da tarefa deve ser calculada e em seguda deve-se consderar a sua nclusão na posção correcta da agenda, sendo verfcado o seu tempo de execução esperado bem como o tempo de execução de outras tarefas com menor prordade, com o tempo lmte em que as tarefas devem estar concluídas. Uma mensagem de lctação deve ser retornada com a nformação sobre a possbldade de acetação da tarefa, o tempo esperado para a execução da tarefa e a qualdade esperada dos resultados. O agente que recebe mensagens de lctação (possvelmente de város executores) avala-as de acordo com a fonte de conhecmento correspondente:! Para todas as lctações cujo tempo esperado de execução seja menor que o prazo lmte, deve ser escolhdo o agente que produz maor qualdade de resultados. ISEP, Abrl de

9 2.4. Funconaldades para resolução de confltos Para cada tarefa que pode ser executada por mas que um agente, deve exstr pelo menos um agente Ag rc capaz de analsar todos os resultados (respostas) dsponíves para essa tarefa. Este agente, perto na resolução de confltos específcos da tarefa, está encarregue de envar o resultado fnal para o organzador (o agente que fez o peddo). Um agente é capaz de se aperceber (através da consulta dnâmca de parte do seu modelo de conhecmento) que outro agente está também a responder ao mesmo peddo (devdo a ambos terem sdo contratados ou terem-se dsposto voluntaramente para ajudar). Quanto sto acontece, os resultados têm de ser envados para o agente Ag rc. Este agente va consultar, no seu modelo, o procedmento aproprado para ldar com esse tpo de conflto, o que pode ser baseado em conhecmento dependente do domíno. O agente Ag rc é responsável pela emssão de um resultado, no prazo lmte de tempo, calculado a partr do tempo restante recebdo. Outro tpo de conflto ocorre sempre que o agente organzador recebe entradas dferentes para a tarefa que pretende executar, e estas dferentes entradas (todas necessáras) são de alguma manera nconsstentes. Esta nconsstênca pode ser causada pelo facto de entradas relaconadas não pertencerem ao mesmo contexto, o que pode ser detectado. Em stuações mas complexas, a detecção de confltos deve ser da responsabldade do sstema ntelgente [1]. ISEP, Abrl de

10 3. Resolução de Confltos Os agentes podem nteragr através de stuações de cooperação, compromsso ou conflto [2]. Caso exsta um estado do mundo que satsfaça os objectvos de todos os agentes, estes podem negocar um plano conjunto que altere o estado do mundo, através do estabelecmento de acordos. Para ultrapassar o problema de operações ndvsíves, os agentes têm de negocar planos conjuntos combnados. Exstem dos tpos de acordos possíves:! Um acordo puro é um plano conjunto " # P, que altera o mundo A P B do estado ncal s para um estado G $ G ; A B! Um acordo é um plano conjunto combnado " P, P #: p;0 ' p ' 1& % sendo " # P, um acordo puro. A P B A B Num acordo entre dos agentes, estes vão desempenhar um plano conjunto " P, P A B #, em que um agente va realzar a parte do plano P A e o outro a parte P, com probabldade p ou então realzam o plano " P, # B B P A com probabldade 1 ( p Tpos de nteracção entre agentes Os tpos de nteracção entre agentes podem ser de cooperação, compromsso ou conflto, sendo que:! Uma stuação de cooperação é aquela em que exste um acordo num conjunto de negocação que é preferdo por um agente para atngr soznho o seu objectvo. Neste caso, o agente apreca a exstênca de outros agentes para em conjunto atngrem um objectvo comum, sendo que esses agentes realzam váras tarefas complementares ou partlham recursos entre eles; ISEP, Abrl de

11 ! Uma stuação de compromsso é aquela em que exstem acordos ndvduas raconas para cada agente. No entanto, um agente pode preferr estar soznho no mundo e atngr o seu objectvo soznho. Mas a partr do momento em que é obrgado a ldar com outros agentes, este agente rá fazer acordos. Para ele, qualquer um dos acordos do conjunto de negocação é melhor do que abandonar o mundo no seu estado ncal;! Uma stuação de conflto mplca uma contradção entre os objectvos dos agentes ou então o custo para que todos os agentes alcancem os seus objectvos é demasado alto. O conjunto de negocação encontra-se vazo não exstndo assm a possbldade de se realzar um acordo raconal. Agentes dferentes podem ter vsões dferentes sobre a mesma nteracção. Por exemplo, uma nteracção pode ser cooperatva para um agente e de compromsso para outro. Contudo, uma stuação de conflto é sempre smétrca. Fgura 1 Stuação Cooperatva Fgura 2 Stuação de Compromsso Fgura 3 Stuação de Conflto ISEP, Abrl de

12 Quando o conjunto de negocação não é vazo consegue-se dstngur entre stuações de compromsso e cooperação de um determnado agente utlzando o segunte algortmo: 1. Se C Custo" s ) # cooperatva; ', então estamos perante uma stuação G 2. Se C Custo" s ) # *, então o agente pode encontrar-se tanto numa G stuação de cooperação como de compromsso. A forma de se dstngur entre ambas é descrta de seguda: * a. Defna-se C + Custo" s ) # G, dexando os custos dos outros agentes ntactos; b. Caso o conjunto de negocação resultante seja vazo, então o agente encontra-se numa stuação de compromsso; c. Caso contráro o agente encontra-se numa stuação de cooperação. Cada uma destas stuações pode ser representada utlzando dagramas. A stuação cooperatva é descrta na Fgura 1 e a stuação de compromsso na Fgura 2. Um ponto no plano representa um estado do mundo, cada oval representa o conjunto de estados do mundo que satsfazem o objectvo de um agente, e s é o estado ncal do mundo. As lnhas trplas provenentes de s representam o plano conjunto que muda o mundo para o estado fnal. Cada agente partcpa na realzação do plano conjunto. A ntersecção entre ovas representa os estados fnas que satsfazem os objectvos dos dos agentes. A dstânca entre s e cada uma das ovas representa o custo assocado ao esforço de um agente transformar o mundo para o estado que satsfaz o seu objectvo. Como se pode verfcar na Fgura 2, a dstânca de s a qualquer uma das ovas dos agentes é menor que a dstânca de s à ntersecção das duas ovas. Nesta stuação sera melhor que cada clente smplesmente satsfzesse o seu própro objectvo, estando assm soznho no mundo. Por outro lado, na Fgura 1, cada agente benefca da exstênca do outro, pelo que unrão esforços para realzar um plano conjunto. ISEP, Abrl de

13 3.2. Resolução de Confltos Tanto em stuações de cooperação como em stuações de compromsso exstem acordos que são raconas para todos os agentes, sendo que estes negoceam sobre quas desses acordos vão ser alcançados, no caso de exstr mas do que um. Surge então a questão do que fazer quando exstem agentes em stuação de conflto e não exste um únco acordo que seja raconal para cada um deles. Neste caso, os agentes têm um conflto real que necessta de ser resolvdo e não meramente a stuação de escolher um acordo que seja acetável para todos. Para ultrapassar este mpasse é necessáro exstr um mecansmo no qual os agentes possam comprar a sua lberdade prometendo aos seus concorrentes acções futuras provetosas para eles. Uma possbldade é a negocação baseada em probabldades. Consdere-se o exemplo do lançamento de uma moeda ao ar em que cada face da moeda tem probabldades dferentes ( q e q j ) de ganhar. Incalmente os agentes negoceam entre s o peso de cada face da moeda. Se os agentes não concordarem com esta forma de negocação o estado do mundo não é alterado. A utldade do agente é normalmente a dferença entre o custo máxmo a que está dsposto a despender para atngr o seu objectvo e o custo que gastará na realdade para atngr o estado fnal do mundo. Caso o agente ganhe o lançamento da moeda este pode alcançar o seu objectvo, sendo a sua utldade gual a q " C ( Custo" s ) G ##,. Caso perca, o agente oponente é que rá satsfazer o seu objectvo, sendo a utldade do agente j gual a q " C ( Custo" s ) G # pelo agente gual a 0. j j j, e o custo despenddo Se os agentes concordarem no lançamento da moeda com uma probabldade q, então a utldade para o agente é de " W ( Custo" s G ## q, ), onde q + q ; q + 1 q. Este acordo pode ser A B B ( vsto grafcamente na Fgura 3 onde uma lnha representa o plano de um agente. ISEP, Abrl de

14 3.3. Cooperação na Resolução de Confltos Os agentes podem achar que, numa stuação de conflto, em vez de smplesmente lançarem uma moeda ao ar, sera melhor para eles unr esforços e cooperatvamente alcançarem um novo estado do mundo (não satsfazendo nenhum dos seus objectvos) e então lançar a moeda ao ar para decdrem que agente fca com o objectvo realmente satsfeto. Um acordo sem-cooperatvo é um tuplo " t J, q#, em que t é um estado do mundo, J é o plano conjunto combnado que move o mundo do estado ncal s para o estado fnal t, e 0 ' q ' 1& % é o peso de cada face da moeda, ou seja a probabldade de um agente atngr o seu objectvo. A dea deste acordo é que os dos agentes realzem conjuntamente o plano combnado J e alterem o estado do mundo para o estado t. Uma vez alcançado o estado t, os agentes lançam a moeda ao ar com o peso q de forma a decdrem quem contnua com o seu plano de forma a atngr o seu objectvo. Defne-se a utldade para a cooperação na resolução de confltos da segunte forma: Utldade, " t, J q# + q " C ( Custo " J #( Custo" t ) G ##( " 1 q # Custo " J # + q ( " C ( Custo " t ) G ## Custo " J # ( O acordo sem-cooperatvo está representado na Fgura 4. De novo, a lnha trpla representa um plano conjunto enquanto que uma únca lnha representa o plano de um únco agente. Fgura 4 Acordo sem-cooperatvo ISEP, Abrl de

15 4. Métodos Quanttatvos para a Resolução de Confltos Num ambente de conflto cada agente representa um perto. De um ponto de vsta de alto nível exstem potencas confltos sempre que as competêncas de agentes com domínos específcos dferentes entram em sobreposção. Estes confltos devem ser resolvdos de forma a assegurar que os agentes cooperam para obter a solução global. Os confltos podem ser representados através de váras abordagens:! Sempre que um conflto é detectado, a nformação relevante é armazenada num objecto de representação do conflto e é envada ao agente responsável pela resolução de confltos. Neste caso não é necessára nteracção entre os agentes em conflto, reduzndo assm a troca de mensagens;! Sempre que um conflto é detectado, o agente reporta o conflto ao agente responsável pela resolução de confltos. Este últmo adqure a nformação relevante sempre que necessáro. Esta abordagem é realzada questonando o agente através de consultas o que complca esta etapa. A vantagem é que não será extraída nformação redundante. Dferentes tpos de confltos requerem dferentes estratégas de resolução de confltos. De seguda, com base na análse de Lo e Wu [3], são descrtos alguns métodos quanttatvos para resolver o problema da exstênca de confltos. ISEP, Abrl de

16 4.1. Programação Lnear Neste método são fetas duas suposções: 1. Os agentes A e B são ndependentes um do outro. Se não fossem, os seus processos de tomada de decsão ram afectar cada um deles; 2. O papel dos agentes A e B é fornecer valores de varáves de decsão. Cada agente fornece, pelo menos, um conjunto de valores de varáves de decsão. Se faltar um conjunto de varáves de decsão então o seu valor será zero. Com base nestas duas suposções, o agente C tem uma função objectvo que é uma função lnear que contém as varáves de decsão. Estas varáves de decsão são fornecdas pelos agentes A e B na segunte forma: " x # + c x - c x -... c x n n f - em que x x,..., x 1, 2 n são varáves de decsão e, 2 n c 1 c,..., c são os seus coefcentes. Um exemplo deste método é uma fábrca de produção. O objectvo da empresa é maxmzar o seu lucro total. Neste caso, x x,..., x 1, 2 n podem representar quantdades dos dferentes produtos a serem produzdos e c 1, c2,..., c n podem ser undades de lucro que cada produto proporcona à empresa. Cada agente pode ser vsto como um departamento (Vendas, Contabldade, Produção, etc.), e neste exemplo consdera-se que o agente A corresponde ao Departamento de Vendas. O seu objectvo é maxmzar os lucros e produzr x 1 undades do produto 1, x 2 undades do produto 2, x 3 undades do produto 3. No entanto, o objectvo do agente B, que corresponde ao Departamento de Contabldade, é maxmzar os lucros e produzr y 1 undades do produto 1, y 2 undades do produto 2, y 3 undades do produto 3. ISEP, Abrl de

17 Como c 1, c 2 e c 3 são valores fxos, o lucro máxmo é dependente das varáves de decsão fornecdas " x x # e " y # 1, 2, x3 y. 1, 2, y3 Exstem então dos conjuntos dferentes de valores para o objectvo, B y c1 y - c y - c y um é f A " x# + c1 Ax1 - c2 Ax2 - c3ax3 e o outro " # B 1 2B 2 3B 3 f +, o que dá orgem a uma stuação de conflto em relação à quantdade de cada produto. Por este motvo, outro agente, denomnado por C, é necessáro para realzar a resolução do conflto. O papel do agente C é comparar os valores de f A " x# e de f B " y# e escolher o maor. Se por exemplo, f " x# f " y# fábrca rá ter de lucro c1a x1 - c2 Ax2 - c3ax3. A * B então a Esta estratéga de resolução de confltos é aplcável quando as equações apresentam lucro. No caso de representarem custo, o valor escolhdo deve ser o menor. Vantagens e Desvantagens Exstem cnco vantagens que devem ser referdas: 1. Smplcdade A programação lnear é baseada na teora das equações e usa apenas polnómos com expoente um. Bascamente, o conceto de equação é bastante smples, logo a representação de Programação Lnear torna-se fácl. 2. Clareza A função objectvo exprme as varáves de decsão e a relação entre elas sendo fácl saber essa relação através da equação. 3. Expansbldade Os agentes podem extender-se a N agentes em largura. Isto é, o agente C pode não só resolver os confltos entre os agentes A e B, mas também confltos entre outros agentes ao mesmo tempo tal como lustra a fgura segunte. ISEP, Abrl de

18 Fgura 5 - Dagrama de Expansbldade 4. Herarqua É smlar à expansbldade. Os agentes podem ter N níves de profunddade. Todos os agentes em cada nível têm um sub-objectvo que pode ser também descrto usando Programação Lnear. Cada agente pode ser vsto como um agente de resolução de confltos cuja função é smular à do agente C. Na fgura segunte está representada esta dea. Agente de Resolução de Confltos Potencal Agente de Resolução de Confltos Agente A Agente C Agente B Potencal Agente de Resolução de Confltos Agente N Potencal Agente de Resolução de Confltos Fgura 6 Dagrama de Herarqua 5. Soldez É baseada em teora quanttatva sólda. Já que esta é muto clara e determnístca, se um modelo for descrto através dela, então pode ser provado. ISEP, Abrl de

19 As desvantagens da Programação Lnear ncluem os seguntes dos pontos: 1. As equações de restrção são dfíces de encontrar, já que na prátca as varáves de decsão podem não ser ndependentes; 2. A Programação Lnear não resolve problemas com ncerteza. Por exemplo, se um agente passar um valor de uma varável de decsão ao agente C, e a probabldade do valor ser 8 é de 90%, não é possível representar a probabldade de 90% através da função objectvo da programação lnear Teora de Jogos No domíno da teora de jogos, os agentes A e B competem um com o outro, por exemplo, fornecem soluções de varáves de decsão ao agente C e dexam que o agente C escolha a melhor solução. Quando os agentes A e B calculam os valores das suas soluções, podem optar por um método cooperatvo para trocarem o seu conhecmento ou podem calcular os valores das soluções ndvdualmente. O papel do agente C é resolver o conflto os agentes A e B de acordo com as regras de decsão. Por esta razão, o agente C tem de construr uma tabela (Tabela 1) de acordo com as regras da teora de jogos e encontrar qual é a melhor solução. Por exemplo, uma organzação pretende realzar o máxmo lucro, e exstem dos agentes A e B na organzação. O agente A fornece duas alternatvas ao agente C denomnadas por A 1 e A 2, cada uma contendo um grupo de varáves de decsão. O agente B, tal como o agente A, fornece da mesma forma ao agente C duas alternatvas, B 1 e B 2. Tanto o agente A como o agente B tentam maxmzar os lucros tanto para a organzação como para s própros exstndo por sso uma stuação de conflto. Assm, o agente C tem de resolver este conflto, sto é, escolher o ponto de equlíbro e assm escolher a melhor alternatva. Consdere-se que os valores na segunte tabela representam os resultados das alternatvas dos agentes A e B. ISEP, Abrl de

20 B B 1 B 2 A A A Tabela 1 Tabela de Decsão Do ponto de vsta do agente A pode-se conclur o segunte: 1. Quando o agente A oferece a prmera alternatva ao agente C, o agente A espera que o agente B escolha a segunda alternatva, pos esta é a alternatva que mnmza a perda (2) para o agente B; 2. Quando o agente A oferece a segunda alternatva, espera que o agente B escolha a prmera, já que a perda do agente B será -1, ou seja, este ganha 1, sendo esta a alternatva que mnmza a perda; 3. Entre as duas alternatvas, o agente A va racocnar que ao oferecer a prmera alternatva ao agente C, rá ganhar pelo menos 2 ao agente B. Esta abordagem é conhecda como estratéga Maxmn. Do ponto de vsta do agente B pode-se conclur o segunte: 1. Quando o agente B oferece a prmera alternatva ao agente C, o agente B espera que o agente A escolha a prmera alternatva, pos esta é a alternatva que maxmza o ganho (3) do agente A; 2. Quando o agente B oferece a segunda alternatva ao agente C, espera que o agente A escolha a prmera alternatva, já que é a que maxmza o seu ganho (2); 3. Comparando os ganhos máxmos que o agente A va obter com as suas escolhas, o agente B va oferecer a segunda alternatva ao agente C. Desta forma o agente A ganhará no máxmo 2, o que é o melhor valor entre as duas alternatvas. Para o agente B estamos na presença de uma estratéga Mnmax. ISEP, Abrl de

21 No exemplo anteror, o agente A va oferecer a prmera alternatva ao agente C e o agente B va oferecer a segunda. Quando a estratéga Maxmn do agente A concde com a estratéga Mnmax do agente B estamos perante um ponto de equlíbro. Vantagens e Desvantagens Exstem duas vantagens no uso da teora de jogos: 1. A própra teora dos jogos é baseada no pressuposto que quem toma as decsões rá tomar uma decsão raconal. Este pressuposto deve exstr em qualquer teora da tomada de decsão; 2. A teora dos jogos é um modelo de decsão que consdera factores parcalmente humanos como lnha orentação. A teora contém factores não controláves que podem afectar a tomada de decsão. As desvantagens da teora de jogos são: 1. Os factores não controláves e ncertos que a teora dos jogos consdera normalmente, não permte uma descrção razoável e exacta, portanto, este modelo não pode ser provado matematcamente; 2. A solução obtda é uma solução razoável mas não necessaramente a melhor. ISEP, Abrl de

22 4.3. Abordagem de Rede A rede é outra abordagem para representar relações entre agentes. Cada nó pode ser vsto como um agente na rede. O nó raz corresponde ao agente que resolve confltos enquanto que os outros nós podem ser vstos como potencas agentes que resolvem sub-confltos. Os nós são lgados por arcos em que cada arco tem assocada uma etqueta que pode ser vsta como um valor da varável de decsão do agente. Agente Raz de Resolução de Confltos Agente Potencal de Resolução de Confltos Arco Agente C x, y, z Arco Agente A x Agente B Arco Arco Arco Arco Agente D y Agente E z Agente F Agente G Fgura 7 Exemplo de Dagrama de Rede Na fgura anteror exstem sete nós, denomnados por A, B, C, D, E, F e G, que representam sete agentes da organzação. O agente C é o agente da resolução de confltos e possuu um objectvo a cumprr. O objectvo pode ser determnar um custo mínmo ou o lucro máxmo para a organzação. Os agentes A, B, D, E, F e G são potencas agentes de resolução de confltos. Os agentes A e B encontram-se no prmero nível em relação ao agente C enquanto que os agentes D, E, F e G se encontram no segundo nível em relação ao agente C. Assuma-se que o agente A va envar três varáves de decsão " x y, z#, ao agente C, sendo o valor de x desconhecdo, mas dependente das outras varáves de decsão y e z que podem ser obtdas através dos agentes D e E. Isto é, o agente D e o agente E envam as varáves y e z para o agente A e ISEP, Abrl de

23 em seguda, dependendo dos valores de y e z, este decde o valor de x e devolve os três valores obtdos ao agente C. O papel do agente A é receber as varáves de decsão dos agentes D e E para obter o valor da outra varável de decsão e passar os três valores ao agente C. É por este motvo que se dz que o agente A é um potencal agente de resolução de confltos. O mesmo pode ser dto no que toca aos restantes agentes. Neste caso o comprmento de cada arco representa o valor da varável de decsão. Exstem dos métodos que podem ser usados para escolher os arcos. O prmero é a árvore geradora mínma e o outro é a árvore geradora máxma. Cada método é escolhdo dependendo do objectvo que se pretende atngr. Caso o gestor pretenda mnmzar os custos para a organzação, o método escolhdo será o método da árvore geradora mínma. Se o objectvo for maxmzar os lucros, o método utlzado é o método da árvore geradora máxma. O método da árvore geradora mínma é usado para mnmzar o comprmento total dos arcos que lgam todos os nós da rede. A solução forma uma árvore geradora mínma que lga todos os nós da rede. Este algortmo é guloso. Qualquer nó é lgado ao nó mas próxmo. Em seguda o nó desconectado com menor dstânca a um nó conectado é lgado à árvore. Após n (1 terações (em que n é o número de nós), todos os nós estarão lgados numa árvore. O objectvo do método de árvore geradora máxma é maxmzar fluxo a partr de um nó orgem até um nó destno num dado período de tempo. O seu algortmo é baseado em encontrar repetdamente camnhos entre um nó orgem e um nó destno e mover o máxmo de fluxo nesses camnhos. ISEP, Abrl de

24 Vantagens e Desvantagens O modelo gráfco de abordagem de rede é representado normalmente através de setas para as actvdades e de nós para os eventos. A sua aplcação é vasta, por exemplo, na lgação telefónca entre cdades, lgação entre termnas de computadores, televsão por cabo, etc. A sua aplcação no que toca à resolução de confltos consdera que cada nó representa o agente que contrbuu para a tomada da decsão fnal. As vantagens da abordagem de rede são: 1. É bastante fácl descrever as relações entre os város agentes. Por mas complcada que seja uma relação entre agentes, esta pode ser descrta através de um arco; 2. A própra abordagem em rede é baseada em teora de grafos e tem uma base matemátca, portanto as teoras árvore geradora máxma e árvore geradora mínma podem ser provadas matematcamente. No entanto, a abordagem de rede tem também algumas desvantagens: 1. É dfícl descrever dados subjectvos e quanttatvos; 2. A abordagem de rede é um método de representação gráfca de um problema de decsão e não um método de decsão. Esta fornece apenas o resultado da análse dos dados ao decsor, sendo anda assm necessáro que o decsor tome a decsão. ISEP, Abrl de

25 5. Conclusão Com a realzação deste trabalho consegu adqurr conhecmento sobre a temátca da resolução de confltos em sstemas ntelgentes mult-agente. Durante o processo de pesqusa fo possível compreender concetos sobre tpos de confltos em ambentes cooperatvos, algumas funconaldades para negocação e resolução de confltos, tpos de nteracção entre agentes, cooperação e competção na resolução de confltos. Fo possível também obter algumas noções acerca de város métodos quanttatvos para a resolução de confltos, nomeadamente sobre a utlzação de programação lnear, teora de jogos e a abordagem em rede aplcada à resolução de confltos. ISEP, Abrl de

26 6. Bblografa [1] Olvera E., Mouta F. e Rocha A. (1993), Negotaton and Conflct Resoluton wthn a Communty of Cooperatve Agents, n Proceedngs of the Internatonal Symposum on Autonomous Decentralzed Agents (ISADS 93), Kawasak, Japan. [2] Zlotkn, G. e Rosenschen, J. S. (1991), Cooperaton and Conflct Resoluton va Negotaton Among Autonomous Agents n Noncooperatve Domans, IEEE Transactons on Systems, Man, and Cybernetcs. Volume 21 pp [3] Lo, C. e Wu, C. (2005), The Survey and Expanson on Quanttatve Methods to Conflct Resoluton, n Proceedngs of the Thrd nternatonal Conference on nformaton Technology and Applcatons (Icta'05) Vol. 2. [4] Wagner T., Shapro J., Xuan, P. e Lesser, V. (1999), Mult-Level Conflct n Mult-Agent Systems, n Proceedngs of the AAAI-99 Workshop on Negotaton n MAS, pp ISEP, Abrl de

Jogos. Jogos. Jogo. Jogo. Óptimo alvo investigação

Jogos. Jogos. Jogo. Jogo. Óptimo alvo investigação Jogos Óptmo alvo nvestgação O seu estado é fácl de representar; As acções são bem defndas e o seu número lmtado; A presença de oponentes ntroduz ncerteza tornando o problema de decsão mas complcado. Estamos

Leia mais

4 Critérios para Avaliação dos Cenários

4 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 mais

Mecanismos de Escalonamento

Mecanismos 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 mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 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 mais

Gestão e Teoria da Decisão

Gestão e Teoria da Decisão Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas

Leia mais

Diferença entre a classificação do PIB per capita e a classificação do IDH

Diferença entre a classificação do PIB per capita e a classificação do IDH Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca

Leia mais

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1 Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A

Leia mais

7 - Distribuição de Freqüências

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 mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade 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 mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

EXERCÍCIO: VIA EXPRESSA CONTROLADA

EXERCÍCIO: VIA EXPRESSA CONTROLADA EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos

Leia mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação 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 mais

3 Algoritmos propostos

3 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 mais

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

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

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO 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 mais

Covariância na Propagação de Erros

Covariância 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 mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 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 mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. 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 mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE 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 mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os 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 mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 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 mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas 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 mais

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.

Responda 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 mais

2 Metodologia de Medição de Riscos para Projetos

2 Metodologia de Medição de Riscos para Projetos 2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem

Leia mais

Testes não-paramétricos

Testes 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 mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

Eletrotécnica AULA Nº 1 Introdução

Eletrotécnica 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 mais

ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS

ANÁLISE 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 mais

Teoremas de Otimização com Restrições de Desigualdade

Teoremas 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 mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. 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 mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. 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 mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.

Universidade 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 mais

Laboratório de Mecânica Aplicada I Determinação de Centros de Gravidade

Laboratório de Mecânica Aplicada I Determinação de Centros de Gravidade Laboratóro de Mecânca Aplcada I Determnação de Centros de Gravdade Em mutos problemas de mecânca o efeto do peso dos corpos é representado por um únco vector, aplcado num ponto denomnado centro de gravdade.

Leia mais

8 - Medidas Descritivas

8 - 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 mais

3 Definição automática de carregamento ótimo

3 Definição automática de carregamento ótimo 3 Defnção automátca de carregamento ótmo A formulação ncal mostrada neste capítulo fo feta por Sérgo Álvares Maffra[11] e parte da mplementação fo feta por Anderson Perera, tendo sofrdo algumas modfcações

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

Modelação com Variáveis Discretas

Modelação com Variáveis Discretas Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos

Leia mais

Representação e Descrição de Regiões

Representação e Descrição de Regiões Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística 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 mais

3 Elementos de modelagem para o problema de controle de potência

3 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 mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot)

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot) Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 2.1 Olgopólo em Quantdades (Cournot) Isabel Mendes 2007-2008 18-03-2008 Isabel Mendes/MICRO II 1 2.1 Olgopólo em Quantdades

Leia mais

Ramos Energia e Automação

Ramos Energia e Automação Mestrado Integrado em Engenhara Electrotécnca e de Computadores Investgação Operaconal Ramos Energa e Automação 2009.01.15 Prova com consulta Alunos admtdos a exame com avalação contínua Duração: 2h30

Leia mais

Algoritmos de Codificação Simétricos

Algoritmos 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 mais

Experiência V (aulas 08 e 09) Curvas características

Experiência V (aulas 08 e 09) Curvas características Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos 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 mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão 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 mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4

FICHA 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 mais

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

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

Interpolação Segmentada

Interpolação 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 mais

INTRODUÇÃO 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 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 mais

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 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 mais

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica

Cap. 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 mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2

FICHA 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 mais

U N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA

U N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA U N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A CLASSIFICAÇÃO DE MONOGRAFIAS UMA PROPOSTA PARA MAIOR OBJECTIVIDADE ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA

Leia mais

Cálculo Numérico BCC760 Interpolação Polinomial

Cálculo 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 mais

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

Leia mais

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015

Leia mais

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na

Leia mais

Psicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo

Psicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos

Leia mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

Cap. 5 Classificação Temática

Cap. 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 mais

Prioridades com Teste de Escalonabilidade

Prioridades 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 mais

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas

18 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 mais

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 ) DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS 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 mais

ELE0317 Eletrônica Digital II

ELE0317 Eletrônica Digital II 2. ELEMENTOS DE MEMÓRIA 2.1. A Lnha de Retardo A lnha de retardo é o elemento mas smples de memóra. Sua capacdade de armazenamento é devda ao fato de que o snal leva um certo tempo fnto e não nulo para

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

FICHA 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 mais

5 Implementação Procedimento de segmentação

5 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 mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 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 mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

FICHA 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 mais

Introdução às Medidas em Física a Aula

Introdução às Medidas em Física a Aula Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca

Leia mais

2 Aproximação por curvas impĺıcitas e partição da unidade

2 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 mais

4 Discretização e Linearização

4 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 mais

Teoria Elementar da Probabilidade

Teoria 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 mais

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente

Leia mais

3 Método Numérico. 3.1 Discretização da Equação Diferencial

3 Método Numérico. 3.1 Discretização da Equação Diferencial 3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando

Leia mais

DISTRIBUIÇÃO DE FREQUÊNCIAS

DISTRIBUIÇÃO 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 mais

Caderno de Fórmulas em Implementação. SWAP Alterações na curva Libor

Caderno de Fórmulas em Implementação. SWAP Alterações na curva Libor Caderno de Fórmulas em Implementação SWAP Alterações na curva Lbor Atualzado em: 15/12/217 Comuncado: 12/217 DN Homologação: - Versão: Mar/218 Índce 1 Atualzações... 2 2 Caderno de Fórmulas - SWAP... 3

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 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 mais

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

Leia mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

ANÁLISE DA VARIÂNCIA DA REGRESSÃO ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos

Leia mais

Capítulo 2. Modelos de Regressão

Capítulo 2. Modelos de Regressão Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros

Leia mais

As leis de Kirchhoff. Capítulo

As 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 mais

Prof. Lorí Viali, Dr.

Prof. 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. UFRGS Insttuto de Matemátca

Leia mais

SÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS.

SÉRIE 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 mais

Flambagem. Cálculo da carga crítica via MDF

Flambagem. 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 mais

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe

Leia mais

3 A técnica de computação intensiva Bootstrap

3 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 mais

3. Estatística descritiva bidimensional

3. Estatística descritiva bidimensional 3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão

Leia mais

Programação Linear 1

Programação 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 mais

UNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Ciências Económicas e Empresariais. Microeconomia I

UNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Ciências Económicas e Empresariais. Microeconomia I UNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Cêncas Económcas e Empresaras Mcroeconoma I Lcencaturas em Admnstração e Gestão de Empresas e em Economa de Abrl de 003 Fernando Branco Exame para Fnalstas

Leia mais

DELINEAMENTOS EXPERIMENTAIS

DELINEAMENTOS EXPERIMENTAIS SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................

Leia mais