Introdução ao problema de escalonamento e pré-despacho

Tamanho: px
Começar a partir da página:

Download "Introdução ao problema de escalonamento e pré-despacho"

Transcrição

1 Itrodção ao problema de escaloameto e pré-despacho potametos para a dscpla de DOSE Mael tóo Matos FEU 2000

2 ídce. INTRODUÇÃO DESCRIÇÃO DO ROBLEM CUSTOS RESTRIÇÕES CONTRTOS DE FORNECIMENTO DE COMBUSTÍVEL MODELO DO ROBLEM DE ESCLONMENTO METODOLOGIS ORDEM DE MÉRITO ROGRMÇÃO DINÂMIC Estados Trajectóras Fórmla de recorrêca Resolção Dfcldades RELXÇÃO LGRNGEN Modelo fdametal Sbproblemas rocesso teratvo Covergêca MÉTODOS RECENTES COORDENÇÃO HIDRO-TÉRMIC BIBLIOGRFI...4

3 . Itrodção O cojto de decsões qe leva à atrbção de ma certa carga a cada m dos geradores do sstema eléctrco de eerga começa pela defção das máqas qe, m determado período, estarão em fcoameto. Esta fase é ecessára, pos a cada máqa em fcoameto (mesmo a potêca míma) fca assocado m csto costate ão desprezável, ão sedo ecoómco mater em fcoameto m úmero excessvo de máqas. cohecda varação dára do dagrama de cargas leva, por otro lado, à ecessdade de r lgado e deslgado grpos ao logo do da, o qe evolve cstos assocados à lgação e deslgação, exstdo também dversas restrções téccas qe lmtam as opções de qem toma as decsões (tempos de arraqe, tempos mímos de paragem, etc.). Trata-se, portato, de m problema mlt-temporal, ormalmete resolvdo para a semaa segte, com tervalos típcos de ma hora. Falmete, é ecessáro prever ma folga, desgada por reserva grate, etre a carga prevsta m dado tervalo e a potêca total dspoível as máqas em fcoameto para esse tervalo, seja para ter em cota ametos esperados de carga, seja para mater o servço em caso de avara de m grpo. elas mesmas razões, defem-se ada otras reservas (reserva qete, reserva de mtos), correspodetes à potêca qe pode fcar dspoível em tempo redzdo (máqas de arraqe rápdo, como grpos hídrcos e trbas a gás), o caso da reserva exstete ão se revelar sfcete. Todos os aspectos referdos têm, portato, qe ser tdos em cota o problema de escaloameto dos grpos (mtas vezes, sa-se a desgação glesa de t commtmet), ode se faz também o pré-despacho, o seja, ma atecpação grossera da carga a atrbr a cada grpo, com o tto de tomar em cosderação os cstos de fcoameto, assocados ao cosmo de combstível. O presete texto é ma trodção ao problema e aos métodos de resolção mas tlzados, a sa versão clássca, ode apeas ma etdade é resposável pela gestão ecoómca do sstema. actal trasformação do sector, a Uão Eropea, os Estados Udos e em mtos otros países, para m mercado de electrcdade ode actam város partcpates, tato a oferta como a procra, será também abordada em secção própra. Note-se, o etato, qe o problema clássco cota a colocar-se em sstemas solados (por exemplo lhas) e em países ode ão se assst à lberalzação do sector. 2. Descrção do problema Essecalmete, o problema de escaloameto e pré-despacho é m problema de optmzação: procra-se satsfazer as cargas prevstas, com ma certa reserva, a csto mímo, respetado todas as restrções téccas. 2.. Cstos Os cstos assocados aos grpos térmcos depedem, obvamete, do tpo de máqa Estamos a spor m sstema exclsvamete costtído por grpos térmcos. coordeação hdro- -térmca, e a cosderação de otras fotes reováves, tem especfcdades qe serão abordadas mas adate.

4 prmára (trba a vapor, trba a gás, grpo desel) e de otros aspectos, como o processo de geração do vapor (fel-ol, carvão, clear) o a dade da máqa, o qe mplca ma aálse caso a caso em problemas reas. De forma abrevada, os cstos assocados são os qe se apresetam a segr: Csto de fcoameto: csto assocado ao cosmo de combstível para prodção de eerga, tpcamete ão lear. fção csto cl o poto (0,0), correspodete ao estado de paragem, o qe a tora descotía, como é patete a Fgra 2. Este csto é o mesmo qe se tlza o despacho (embora esse caso ão se cosdere, como se sabe, a hpótese do grpo estar parado). fção csto é mtas vezes aproxmada polomalmete (2º o 3º gra). Csto ($/h) m Fgra - Fção csto (csto de fcoameto) - Csto de arraqe: depedetemete da potêca qe os grpos verem a prodzr, exste m csto de arraqe assocado, qe depede, o caso das cetras com trba a vapor, do tempo de paragem ateror e do facto de se materem o ão as calderas qetes drate o período de paragem. No prmero caso (bag), o csto de arraqe tem ma expressão do tpo: C () t = C c. t + ode C ($) é o csto fxo de arraqe, depedete do tempo decorrdo, e c t ($/h) é o csto horáro assocado ao cosmo de combstível para mater a temperatra ecessára. Na segda hpótese (coolg), o csto depede do tempo decorrdo desde a paragem do grpo (e corte do combstível), com a segda parcela a teder expoecalmete para o csto C F de arraqe a fro: t α () = C + C. ( e ) C t Repare-se qe a escolha etre os dos tpos de paragem é, em s, m problema teressate. Como se vê a Fgra 2, a prmera hpótese é melhor para parages crtas (algmas horas), dexado de o ser a partr de m poto de eqlíbro qe depede, obvamete, dos parâmetros das expressões aterores. F t 2 No caso de trbas a vapor complexas, a crva da fgra é ma aproxmação covexa de ma fção csto real "mal-comportada", sada para facltar os processos de optmzação. 2

5 Csto ($) bag C F coolg C Tempo Fgra 2 - Cstos de arraqe de cetras com trba a vapor No caso dos grpos desel, o arraqe pode assmr formas complexas, podedo clr patamares de aqecmeto termédo, mdaças de combstível, etc, pelo qe o csto de arraqe pode ão ser smples de descrever aaltcamete. Daí qe se sem, mtas vezes, modelos smplfcados. - Csto de paragem: qado se modelza o csto de arraqe de forma smplfcada (em vez de sar as formlações dcadas atrás), os cstos assocados a mater codções para m arraqe a qete (bag) são modelzados como cstos de paragem. Também podem ter qe ser cosderados cstos de paragem em certos tpos de grpo desel Restrções restrção fdametal a cosderar é, como habtalmete os sstemas eléctrcos de eerga, a satsfação da carga, o seja, a potêca total dspoível (soma das potêcas máxmas de todos os grpos escalados) tem qe ser speror à carga total prevsta, em todos os tervalos. Como se dsse, a dfereça tem qe ser speror à reserva grate defda para cada tervalo, de acordo com m dos prcípos segtes: - Valor gal a ma percetagem da carga prevsta para o tervalo; - Valor gal à potêca máxma da maor dade em fcoameto; - Reserva qe garata m rsco de perda de carga feror a m certo valor, tedo em cota as probabldades de avara dos grpos. Os grpos térmcos, sobretdo aqeles em qe a máqa prmára é a trba a vapor, ão podem ser lgados de forma prodzrem medatamete a potêca qe se pretede, em podem deslastrar medatamete a carga qe lhes está atrbída. Há também motvos téccos qe exclem o fcoameto o paragem drate períodos crtos. De forma abrevada, as restrções assocadas são os qe se apresetam a segr: - Tempo de arraqe: para cada tpo de grpo, defe-se m tempo mímo de arraqe qe depede do tempo de paragem ateror e está relacoado com a ecessdade de aqecer calderas, obter pressões de vapor e otros codcoalsmos téccos. Em coseqêca, a decsão de tlzar o grpo pode ter de ser tomada mto ates da hora a qe a potêca respectva va ser ecessára. - Tempos mímos de paragem e de fcoameto: por razões fdametalmete de ordem técca, os períodos de paragem e fcoameto ão devem ser demasado 3

6 redzdos. Valores mímos típcos para grpos com trbas a vapor são 2 a 2 horas para o tempo de paragem e a 8 horas para o tempo de fcoameto. Os restates tpos de máqas apresetam tempos mímos meores. - Lmtes de prodção: valores máxmo e mímo da potêca prodzda pelo grpo, fxados por razões téccas e ecoómcas. or exemplo, os grpos Desel, a prodção a potêcas baxas é ecoomcamete vável, embora fosse possível teccamete (sado óleo desel em vez de fel-ol). Valores típcos da potêca míma para grpos com trba a vapor são 40 a 70% da potêca máxma. Estes lmtes também se tlzam o despacho. - Taxas máxmas de tomada e deslastre de carga: ão sedo possíves varações mto rápdas da potêca prodzda pelos grpos, defem-se taxas máxmas de tomada e deslastre de carga (MW/h) qe codcoam as alterações de prodção em tervalos de tempo scessvos. No despacho horáro assocado ao escaloameto, desgado ormalmete por pré-despacho, estes lmtes têm sobretdo flêca os períodos cas e fas de fcoameto. Estas restrções também são tlzadas o despacho mlt-período, ormalmete sob a forma de jaelas de operação (máxma varação etre períodos segtes). Os aspectos focados, omeadamete a qestão dos tempos de arraqe, mostram qe o prédespacho tem ma escala temporal completamete dferete da do despacho, possdo, além dsso, mto maor certeza a defção das cargas e maor complexdade a formlação matemátca, dada a preseça de varáves teras (ter o ão lgado cada grpo em cada período) e de fções csto ão covexas. Falmete, ma referêca a das restrções m poco dferetes, mas qe também podem ter qe ser cosderadas: - Restrções de pessoal: ma cetral com dversos grpos prodtores, podem srgr restrções ao arraqe smltâeo de város grpos por ão exstr pessoal sfcete para efectar todas as operações ecessáras. Esta restrção tem dmído de mportâca devdo à progressva atomatzação do processo de arraqe. - Grpos obrgatóros (mst-r):por dversas razões, podem exstr dcações de qe certos grpos estão obrgatoramete lgados em certos períodos do horzote de escaloameto. Este tpo de restrções pode ametar o csto global, mas favorece a rapdez da resolção do problema, por dmr o úmero de varáves teras Cotratos de forecmeto de combstível Embora mtas vezes ão mecoados, os cotratos de forecmeto de combstível devem ser tdos em cota as aplcações dstras para escaloameto e despacho, ma vez qe trodzem restrções adcoas com flêca ecoómca. Não sedo do âmbto do presete texto o desevolvmeto deste tópco, fca de qalqer modo a referêca às prcpas stações: - Cotratos a crto prazo: esta hpótese, qe ão é a mas freqete, correspode à aqsção de combstíves a preços de mercado (spot), de acordo com as varações as bolsas de mercadoras. Não acarreta grades codcoametos ao problema, mas tem assocada ma grade certeza ftra, o qe é evtado com os cotratos de logo prazo. - Cotratos tae-or-pay: esta modaldade de cotrato a logo prazo, a compaha prodtora obrga-se a adqrr qatdades mímas em certos períodos. Isso sgfca qe, a partr de m certo poto, as popaças obtdas o cosmo de combstível 4

7 ão correspodem a ma efectva popaça ecoómca, pos a empresa paga o combstível, mesmo qe ão o cosma 3. - Cotratos zoados: otra possbldade de cotrato a logo prazo, a qal são defdos patamares de preço para m certo período e m certo cosmo de eerga, como se esboça a Fgra 3. Faclmete se compreede qe a trajectóra de cosmo ao logo do tempo (o plao Eerga x Tempo) tem flêca o csto total de ma certa qatdade de combstível. Trajectóra de cosmo Csto Tempo > Eerga > Fgra 3 - Cotratos zoados de forecmeto de combstível 2.4. Modelo do problema de escaloameto Tpcamete, o problema do escaloameto é defdo sado tervalos horáros, para m horzote de 3 a 7 das, depededo do tpo de restrções exstetes. Sedo o sstema costtído por grpos prodtores (spostos todos térmcos), e defdo m horzote de h períodos, a fção csto a mmzar será: C = h h 0 V ( C + T ) = [ ( C + C ( ) + C.(, ) + ( )(, ). C ] = = = ode C e T dcam, respectvamete, os cstos totas de fcoameto e trasção em 0 V cada período, C é o csto fxo de fcoameto do grpo m período, C ( ) é o csto varável (combstível) do grpo e C e C são respectvamete os cstos de arraqe e paragem do grpo (spostos costates para smplfcar). Falmete, é ma varável bára (0 o ) qe dca o estado (deslgado, lgado) do grpo o tervalo. Note-se qe, devdo aos cstos de trasção, é ecessáro defr o estado cal (=0), o seja, todos os 0 (=..), ão sedo obvamete clídos os cstos varáves respectvos. s restrções são aqelas apotadas a secção 2.2, sobressado as codções fdametas 3 ode pesar-se qe, ão cosmdo, a empresa podera armazear esse combstível, mas as capacdades de armazeameto também são lmtadas, para além de exstr m csto assocado. 5

8 de reserva e, sobretdo, de eqlíbro etre prodção e carga: =. =. = + reserva,, s restates restrções estão essecalmete relacoadas com lmtes, pelo qe ão se jstfca represetá-las todas aq explctamete, o qe se faz apeas para os lmtes à prodção: m..,, Trata-se, portato, de m problema de optmzação ão lear com restrções, com varáves teras, de resolção exacta mpossível a partr de m certo úmero de grpos. Na secção segte, serão abordadas algmas das téccas tlzadas para obter ma solção próxma da óptma. 3. Metodologas Sem carácter exastvo, descrevem-se a segr os prcpas aspectos das metodologas mas vlgares de abordagem ao problema. Ressalta-se, desde logo, qe a emeração de todas as possíves alteratvas ão pode ser tlzada, dada a explosão combatóra assocada. Como exemplo smples, veja-se qe, com apeas 0 grpos, teríamos (023) combações possíves em cada tervalo; spodo apeas 24 tervalos (m da), o úmero total de alteratvas sera (> 0 72 ). Claro qe em todas as combações são váves 4, mas sso ão chega para torar a emeração vável, excepto em sstemas de dmesão trval. 3.. Ordem de mérto O problema de escaloameto fo calmete abordado através de herístcas baseadas ma ordem de mérto, qe procravam calclar m ídce smples qe permtsse defr a ordem de etrada em servço dos grpos. Um dcador poplar, qe correspode ao csto total por dade de potêca prodzda 5, é: M C = 0 + C V ( ) Os grpos são etão escalados por ordem crescete dos respectvos M, e retrados pela ordem cotrára. defção da escala de servço parte deste prcípo, spodo os grpos à potêca máxma, e é depos mas o meos afada para ter em cota as restrções dcadas aterormete. lgmas abordages clem herístcas de aplcação local para elmar stações de paragem segda de arraqe e otras smlares, de modo a dmr o csto total. O seja, este caso ão se cosdera o modelo matemátco dcado a secção 4 5 É de esperar qe todas as combações com m úmero redzdo de grpos ão cosgam satsfazer a carga, a maor parte dos períodos. Este ídce ão deve ser cofddo com o csto varável por dade de potêca, às vezes tlzado em metodologas smplfcadas de despacho, ode o csto fxo já ão tem flêca. 6

9 ateror. Este tpo de abordages tem a vatagem da smplcdade, mas dexa de fora algs parâmetros mportates do problema, codzdo a solções sb-óptmas. O algortmo descrto a segr recorre aos prcípos descrtos para decdr a paragem de grpos, os períodos em qe a carga está a dmr. Nos períodos em qe a carga está a ametar, bastará aplcar a ordem de mérto para r lgado os grpos ecessáros. Herístca para qado a carga dm Seleccoar o grpo lgado qe tem maor M. Verfcar se a sa paragem permte ada almetar a carga, com sfcete reserva. Se ão for possível, mater o escaloameto e avaçar para o próxmo período. Verfcar se o úmero de horas qe decorre até ao grpo ser de ovo ecessáro é feror ao tempo mímo de paragem do grpo. Se for, mater o escaloameto e avaçar para o próxmo período. Comparar o csto de mater o grpo a fcoar (até ser de ovo ecessáro) com o csto de paragem e arraqe (tedo em cota o úmero de horas ateror). Se o prmero csto for meor, mater o escaloameto e avaçar para o próxmo período. arar o grpo e repetr o procedmeto rogramação dâmca tlzação da programação dâmca este tpo de problemas permte redzr mto o espaço de pesqsa, ao evtar repetções de cálclos qe ocorrem a emeração total de solções (mesmo lmtada a solções váves em cada tervalo). Salete-se, o etato, qe em sstemas de grade dmesão (mtos grpos, mtos períodos), também esta técca acaba por ão poder ser tlzada, devdo à cohecda maldção da dmesoaldade. Não sedo objectvo deste texto a descrção dos prcípos e fdametos da programação dâmca, passamos drectamete a ma das formlações possíves (pesqsa para a frete), com algmas smplfcações para permtr ma melhor exposção da metodologa Estados Em cada m dos períodos, desga-se por estado cada ma das combações dos grpos, em qe s estão lgados e otros deslgados. O úmero total de combações é, como já se dsse, 2, mas em todas são admssíves, o seja, em mtas delas a potêca total dspoível ão é sfcete. Em cada m destes estados, será ecessáro dstrbr a carga total 6 pelos dversos grpos, realzado aqlo qe se desga por pré-despacho, de forma a calclar o csto de fcoameto assocado à combação em casa. O pré-despacho pode ser efectado através de ma regra baseada a ordem de mérto (dades com meor M fcoado à plea carga 7, até ser satsfeta toda a potêca ecessára) o por recrso aos cstos margas (como se faz o despacho 8 ), sem volar os lmtes das máqas. Em cada período haverá etão város estados possíves, cada m caracterzado pelos grpos qe estão lgados e por m csto total de fcoameto Nesta descrção, ão se cosderam as perdas em as restrções ao trâsto de potêcas mpostas pelos lmtes de trasmssão. Neste caso, o cálclo do ídce ão cl o csto fxo (cf. Nota 5) specto ão desevolvdo este texto. ode ser vsto em qalqer dos lvros dcados a bblografa. 7

10 Trajectóras Fgra 4 dá ma dea da stação depos de defdos os estados em cada período. odem ser defdas dversas trajectóras, cada ma correspodete à selecção de m estado em cada período, fcado assocado a cada trajectóra m csto global qe é a soma dos cstos totas de fcoameto de todos os estados e dos cstos de trasção etre cada par de estados cosectvos. O problema passa a ser ecotrar a trajectóra óptma, o seja, aqela qe apreseta o csto global mímo. Na fgra, spõem-se apeas qatro períodos 9, e represetam-se os estados váves por qadrados. s trajectóras estão represetadas por setas (de espessra dferete) qe percorrem todos os períodos. p p2 p3 p Fgra 4 - eríodos, estados e trajectóras Mesmo cosderado só os estados váves, o úmero total de trajectóras pode ser mto grade em problemas reas (este caso: 3x2x2x3=36), pelo qe a resolção por emeração está fora de casa Fórmla de recorrêca resolção através da programação dâmca basea-se o estabelecmeto de ma fórmla de recorrêca como a segte (pesqsa para a frete): ( j) = m[ C(, j) + T(, ) (, j) ) + F(, ) ] F, ode é o período, j o estado actal e dca aos dversos estados do período ateror. F(,j) é o csto total (desde o íco) assocado ao estado j, C(,j) é o csto total da combação j o período (depede da carga) e T represeta o csto de trasção etre os estados e (pode ser lo, se ão hover arraqes o parages). Em aplcações smplfcadas, T é smplesmete a soma dos cstos de arraqe (spostos costates) com os cstos de paragem. Na Fgra 5, mostra-se o esqema de cálclo de ( 2,) = C( 2,) + m{ F(,), [ T( 2 2) + F(,2) ], [ T( 3 2) F(,3) ]} F + otado-se qe, qado a combação de grpos escalados se matém, ão há lgar a cstos de trasção. 9 Repare-se qe o 2º e 3º períodos a carga será com certeza speror à dos otros. 8

11 p F T -2 =0 T 2-2 p2 C 2 F 2 2 T 3-2 F 3 Fgra 5 - Esqema do cálclo de F(2,) Note-se, por ser fote de erros, qe ão há qalqer teresse em calclar o mímo dos F(,j) m determado período, excepto se ão hover cstos de trasção, o qe ca acotece Resolção aplcação do prcípo da optmaldade qe é a base da programação dâmca está mplícta a forma de recorrêca. Em termos smplfcados, dr-se-á qe qalqer trajectóra, caddata a óptma, qe vá dm certo estado termédo até ao fm, terá qe ter tdo m percrso óptmo os períodos aterores. No caso da Fgra 5, por exemplo, a melhor trajectóra qe cote a partr de (2,) daq terá qe passar, o prmero período, pelo estado assocado ao mímo ecotrado. ara dar ma dea da dmção do esforço de cálclo em relação à emeração, veja-se o úmero de operações a realzar: - Calclar F para os três estados do prmero período, o seja, F(,), F(,2) e F(,3). Como é o período cal, ão há cstos do estado ateror, mas devem ser cosderados os cstos de trasção em relação à stação ateror ao estdo. - Calclar F(2,) e F(2,2). Em cada m destes dos casos, fca determado o melhor estado ateror. - Calclar F(3,) e F(3,2). Em cada m destes dos casos, fca determada a melhor sb-trajectóra ateror. - Calclar F(4,), F(4,2) e F(4,3). O meor destes valores é o csto óptmo, e fca também determada a trajectóra óptma. Como se vê, há lgar a 0 cálclos do valor de F (úmero total de estados). No caso da emeração, a avalação de cada trajectóra evolva 4 cálclos semelhates, o seja, havera qe realzar o eqvalete a 4x36=44 avalações de F Dfcldades Qado o úmero de grpos e de períodos tem dmesão real, a aplcação da programação dâmca ocasoa tempos de execção comportáves. ara além da possível tlzação de otros métodos (ver 3.3 e 3.4), pode sar-se ma versão da programação dâmca em qe se cosdera, em cada período, apeas m úmero lmtado das sb-trajectóras com meor csto, gorado-se as restates. Isto pode dmr bastate o úmero de avalações (e o tempo de execção), mas dexa de ser garatda a obteção da solção óptma. 0 Nessa hpótese, o problema sera separável por períodos, torado-se mtíssmo mas smples. 9

12 3.3. Relaxação lagrageaa O termo "relaxação" apota para o prcípo básco desta metodologa, qe cosste em gorar temporaramete as restrções =. =, o qe permte torar o problema separável em relação aos grpos, ma vez qe estas são as úcas restrções de lgação etre eles. O processo de resolção sa optmzação dal para r mpodo (teratvamete) restrções aos sbproblemas dos grpos, com base o gra de satsfação das restrções relaxadas, até ser ecotrada ma solção fal qe satsfaça as restrções, e qe é óptma. pesar de certa exgêca técca, esta metodologa, ao ão sofrer das lmtações da programação dâmca, tem característcas apropradas aos problemas reas Modelo fdametal dervação do modelo da relaxação lagrageaa parte da expressão já mecoada C = h 0 V [ ( C + C ( ) + C.(, ) + ( )(, ). C ] = = podedo dzer-se qe estamos perate o segte problema de optmzação (gorado de mometo as restrções de reserva): m sj: C = m.. = 0.,,, ode etão escrever-se a expressão do lagrageao (admtdo qe as restrções de lmte de potêca são verfcadas a posteror: L h (, U,λ ) = C + λ. = = ode é a matrz qe reúe os, U é a matrz qe reúe os e λ é o vector dos λ. Em vez de atacar o problema prmal m L(,U,λ), a relaxação lagrageaa resolve o problema dal, começado por defr-se: e chegado-se ao óptmo através de: q( λ ) = m L(,, λ ) q, U 0 () λ = q() λ λ 0.

13 metodologa da relaxação cosste em resolver teratvamete o problema, partdo de m valor cal para o vector λ, o qe permte smplfcar o cálclo de q(λ), como se verá. actalzação de λ (por exemplo através do gradete) permte etão avaçar a drecção do óptmo. ara se compreeder a alteração o cálclo de q(λ) qado λ é fxado, cosdere-se a expressão completa de L, ode C é a fção csto total (C 0 +C V ) da máqa : L = h h [ ( ( ) ( ) ( )( ) ] C + C., +,.C + λ. = = Reestrtrado a expressão, obtém-se, scessvamete, L = = = h h [ ( C( ) + C. (, ) + ( )(, ).C ] λ. + = = = =. λ. e L = h h [ ( ( ) ( ) ( )( ) ] C λ + C., +,.C + = = = λ. O poto essecal é qe, qado λ é fxado, a prmera parcela é separável para cada máqa, eqato qe a segda é costate, ão tedo portato terferêca a mmzação de L. Tem-se assm, para q(λ) : q(λ ) = m, U L(,, λ ) = h m [ ( C ( ) λ + C.(, ) + ( )(, ).C ] =, = ode é o vector qe reúe os (=..h) e reúe os (=..h) Sbproblemas partr da últma expressão, é etão possível defr sbproblemas para cada grpo, ode voltam a ser cosderados os lmtes de prodção. O seja, para cada grpo, terá qe se resolver: m, h [ ( C( ) λ + C. (, ) + ( )(, ).C ] = sj :. m., O resltado da resolção de cada m destes sbproblemas é, fdametalmete, o escaloameto da máqa os dversos períodos (o seja, o vector ) em face dos valores propostos para os λ respectvos. Natralmete, também é determado o prédespacho codcoal para cada período (os ) sem tlzação posteror. Note-se a versão dos somatóros, qe realça a separabldade por grpo.

14 resolção dos sbproblemas é feta, em geral, por programação dâmca, beefcadose do facto de, em cada período, haver apeas dos estados para o grpo, como se mostra a Fgra 6, ode se spõe qe, calmete, o grpo estava deslgado. = =0 = =2 =3 =0 Fgra 6 - Dagrama de estados para m sbproblema ( 0 =0) O desevolvmeto do processo é portato bastate fácl, otado-se qe o csto própro de todos os estados da lha de baxo (grpo deslgado) é C 0 =0. No qe respeta aos estados da lha de cma (grpo lgado), o csto própro é o qe correspode a. m o 2 d C ( ) { C ( ) λ } d λ = obtém-se m valor de qe deve ser sjeto, posterormete, às restrções de lmte de potêca. Tem-se etão, para o sbproblema: m { C ( ) λ } C = C C m ( ) ( ) ( ) λ λ λ partr daq, o processo sege como habtalmete a programação dâmca, tedo qe ser adcoados os cstos de trasção rocesso teratvo Como se dsse, o processo começa pela defção de m valor cal para os cstos margas, λ 0 (por exemplo λ 0 =0), com o qal se resolvem os sbproblemas, obtedo-se o escaloameto (todos os ). É possível etão fazer o despacho em cada período, do qal resltam as prodções corrgdas ', podedo calclar-se o correspodete csto total, com a expressão já cohecda: 0 m,,, m m C 0 = h ' [ ( C( ) + C. (, ) + ( )(, ).C ] = = 2 Note-se qe os λ podem ser terpretados como os preços a qe sera paga a eerga prodzda. 2

15 Se o processo de optmzação segr o método do gradete, o próxmo passo é calclar a dervada de q(λ) 3 : d q( λ ) d = dλ dλ h h [ ( C ( ) λ + C.(, ) + ( )(, ).C ] + = = = λ. e d q( λ ) dλ = = (. ), o seja, o valor da dervada é smplesmete o défce (o excesso) de carga em cada período. actalzação de λ faz-se etão através de: r λ + r dq( λ ) = λ + α dλ sedo α m factor de cotrolo do passo do método, qe tem qe ser stozado caso a caso 4, e r o cotador de terações. Os ovos valores dos cstos margas permtem recomeçar o processo, sedo de otar a terpretação segte: os períodos com défce de carga, a dervada é postva, pelo qe o respectvo λ ameta, levado a qe apareçam mas grpos a prodzr (cf. Nota 2). Iversamete, os períodos com excesso de prodção, a dervada egatva faz dmr o úmero de grpos escalados. O seja, o processo de relaxação lagrageaa, embora desevolvdo para optmzar a gestão cetralzada, reprodz de certa maera o fcoameto de m mercado em qe cada prodtor se propõe prodzr mas o meos, cosoate os preços qe o mercado lhe oferece. or otro lado, os preços sobem o descem de acordo com a varação da oferta (este caso a procra é fxa, o elástca em relação aos preços), tededo-se para m eqlíbro qe costtrá a solção óptma em ambos os casos. Repare-se qe sera possível clr o modelo cargas varáves com o preço, de forma semelhate à qe se desevolve para os prodtores, mas com crvas em qe a procra decresce com o preço (p.ex. (λ )= -.λ ). Dessa forma, reprodzr-se-a completamete a stação de mercado Covergêca Deleado o processo teratvo, resta defr o crtéro de covergêca. ara tal, começamos por defr o tervalo dal (dal gap) em cada teração r (excepto a prmera, ode ormalmete q=0): r C q g = r q r evolção do tervalo dal permte avalar a proxmdade da solção óptma, ode, em 3 4 Note-se qe λ é m vector. Mtas vezes, sam-se valores dferetes para o caso de dervada postva e egatva (meor este caso). 3

16 prcípo, ele se alara. No etato, em problemas com varáves teras, tal ca scede exactamete, pelo qe podemos assstr a stações em qe o prologameto do processo teratvo provoca m ovo afastameto do óptmo. Daí qe teham mportâca os processos de estmação do valor do tervalo dal, realzados ates de car o processo teratvo, e dspesáves para o cotrolo da covergêca em problemas de dmesão real. Trata-se, o etato, de matéra qe trascede o carácter trodtóro deste texto, pelo qe ão será desevolvdo Métodos recetes emergêca de métodos de cálclo para problemas combatóros baseados em meta- -herístcas (smlated aealg, tab search) e comptação evolcoára (algortmos geétcos, programação evolcoára) ocasoo aplcações ovadoras ao problema de escaloameto. Os resltados apresetados a lteratra são bastate ecorajadores, sedo de esperar o desevolvmeto desta lha de abordagem os próxmos aos. 4. Coordeação hdro-térmca Uma últma referêca para a cosderação dos grpos hídrcos, ma vez qe a descrção qe se fez, correspodete aos modelos mas vlgarzados, se refere camete aos grpos térmcos. Normalmete, é realzado m pré-despacho separado para o sb-sstema hídrco, ode são tdas em cota as prevsões de aflêcas e as restrções própras dos sstemas hdroeléctrcos e são fxados valores fas para os volmes armazeados as albferas, decorretes de estdos eergétcos a logo prazo. atreza dâmca do problema geral de escaloameto, e as relações etre os sb-sstemas térmco e hídrco, partclarmete o qe respeta à bombagem, têm levado, o etato, a ma tetatva de tegração em modelos completos (coordeação hdro-térmca), ão abordada este texto. 5. Bblografa Bertseas, D., Costraed Optmzato ad Lagrage Mltpler Methods, thea Scetfc, 996. Bra, H., "Ut Commtmet ad Thermal Optmzato - roblem Statemet", Optmzato lag ad Operato of Electrc ower Systems, SVOR/SRO, Th, 992. Cheg, C-, L, C-W, L, C-C, "Ut Commtmet by Lagraga Relaxato ad Geetc lgorthms", IEEE Tras. ower Systems, Vol.5, No.2, Grager, J., Steveso W., ower Systems alyss, McGraw-Hll, 994. Matos, M., Eqadrameto do problema de despacho óptmo, (Nota para a dscpla de álse de Sstemas Eléctrcos I), FEU, 996. Slva, J.L., ré-despacho optmzado em sstemas prodtores hdrotérmcos com elevada compoete hídrca, Dssertação de dotorameto, FEU, 985. Sterlg, M.J., ower System Cotrol, IEE, Lodo, 978. Wood,.J, Wolleberg, B.F., ower Geerato, Operato ad Cotrol, Joh Wley,

5. Funções teste. L 2 ( )= {u :? ; Borel mensurável com u 2 dx < 8 }

5. Funções teste. L 2 ( )= {u :? ; Borel mensurável com u 2 dx < 8 } 5. Fções teste Até agora estvemos tratado tesvamete com a tegração. Uma cosa qe temos vsto é qe, cosderado espaços das, podemos pesar as fções como fcoas. Vamos rever brevemete esta déa. osdere a bola

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. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

e represente as no plano Argand-Gauss.

e represente as no plano Argand-Gauss. PROFESSOR: Cládo Das BANCO DE QUESTÕES MATEMÁTICA ª SÉRIE ENSINO MÉDIO ============================================================================================== - Determe o módlo dos segtes úmeros

Leia mais

Capítulo V - Interpolação Polinomial

Capítulo V - Interpolação Polinomial Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos iterativos. Capítulo O Método de Jacobi Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método

Leia mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

Leia mais

Capítulo 3. Métodos para alocação de perdas. 3.1 Linearização dos trânsitos de potência. Capítulo 3

Capítulo 3. Métodos para alocação de perdas. 3.1 Linearização dos trânsitos de potência. Capítulo 3 Capítlo 3 Métodos para alocação de perdas Este capítlo, qe se ecotra fraccoado em três grades partes, apreseta m coto de metodologas qe permtem efectar a alocação de perdas das redes de dstrbção etre os

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

Forma padrão do modelo de Programação Linear

Forma padrão do modelo de Programação Linear POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO HIPERGEOMÉTRICA 7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Testes à Estabilidade dos Parâmetros de um Modelo de Regressão: Uma Aplicação Especial dos Regressores Dummy

Testes à Estabilidade dos Parâmetros de um Modelo de Regressão: Uma Aplicação Especial dos Regressores Dummy R EVISTA DE E STATÍSTICA 4ª P A GINA º QUADRIMESTRE DE Testes à Establdade dos Parâmetros de m Modelo de Regressão: Uma Aplcação Especal dos Regressores Dmm Atores: Patríca Oom do Valle Efgéo Rebelo VOLUME

Leia mais

Reconhecimento de Padrões. Reconhecimento de Padrões

Reconhecimento de Padrões. Reconhecimento de Padrões Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

Potenciais termodinâmicos, critérios de espontaneidade e condições de equilíbrio

Potenciais termodinâmicos, critérios de espontaneidade e condições de equilíbrio Potecas termodâmcos crtéros de espotaedade e codções de equlíbro O Prcípo da Etropa Máxma váldo para um sstema solado estabelece um crtéro para determarmos o setdo em que ocorrem os processos de forma

Leia mais

8 Programação linear 78

8 Programação linear 78 8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos

Leia mais

1. Revisão Matemática

1. Revisão Matemática 1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

Problema geral de interpolação

Problema geral de interpolação Problema geral de terpolação Ecotrar p() que verfque as codções: f j ( ) y,,,,,, j,,, m ( j) ( ) dervada de ordem j ós valores odas Eemplo: ecotrar p() que verfque:, f () 4 3, f( 3) 3, f'(3) 4 3 p() 3

Leia mais

CADERNO 1 (É permitido o uso de calculadora gráfica.)

CADERNO 1 (É permitido o uso de calculadora gráfica.) Nome: Ao / Trma: N.º: Data: - - Não é permtdo o so de corretor. Deves rscar aqlo qe pretedes qe ão seja classfcado. A prova cl m formláro. As cotações dos tes ecotram-se o fal do ecado da prova. CADERNO

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

2. NOÇÕES MATEMÁTICAS

2. NOÇÕES MATEMÁTICAS . NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si. Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

Hipóteses do Modelo de Regressão Linear Clássico

Hipóteses do Modelo de Regressão Linear Clássico Uversdade Federal da Baha Facldade de Cêcas coômcas Departameto de cooma CO 66 Itrodção à coometra Hpóteses do Modelo de Regressão Lear Clássco Gerváso F. Satos Propredades dos estmadores de MQO As estmatvas

Leia mais

Se A = ( a ij ) é tal que aij = 0 para todo i e j então a matriz A é dita nula e é

Se A = ( a ij ) é tal que aij = 0 para todo i e j então a matriz A é dita nula e é ARIZES E VEORES PROGRAA DE ENGENHARIA QUÍICA/COPPE/UFRJ NIVELAENO -. Sc. - 6 Álgebra Vetoral e atrcal -)CONCEIOS BÁSICOS Os cálclos/operações assm como cocetos evolvedo matrzes e vetores costtem a base

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Atividades relacionadas à ManjarBrancoG

Atividades relacionadas à ManjarBrancoG Atdades relacoadas à MajarBracoG Neste cojto de atdades está oblzado o estdo da ção ajar braco, sto é, a ção qe o doío é o teralo echado [0,] e asse alores o cojto dos úeros reas. Essa ção é deda coo o

Leia mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 2ª Atividade Formativa UC ECS Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução

Leia mais

Exercícios - Sequências de Números Reais (Solução) Prof Carlos Alberto S Soares

Exercícios - Sequências de Números Reais (Solução) Prof Carlos Alberto S Soares Exercícos - Sequêcas de Números Reas (Solução Prof Carlos Alberto S Soares 1 Dscuta a covergêca da sequẽca se(2. Calcule, se exstr, lm se(2. Solução 1 Observe que se( 2 é lmtada e 1/ 0, portato lm se(2

Leia 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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado

Leia mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com

Leia mais

Apêndice 1-Tratamento de dados

Apêndice 1-Tratamento de dados Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação

Leia mais

Prof. Eugênio Carlos Stieler

Prof. Eugênio Carlos Stieler http://www.uemat.br/eugeo Estudar sem racocar é trabalho 009/ TAXA INTERNA DE RETORNO A taa tera de retoro é a taa que equalza o valor presete de um ou mas pagametos (saídas de caa) com o valor presete

Leia mais

Centro de massa, momento linear de sistemas de partículas e colisões

Centro de massa, momento linear de sistemas de partículas e colisões Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

Momento Linear duma partícula

Momento Linear duma partícula umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Mometo lear de uma partícula e de um sstema de partículas. - Le fudametal da dâmca para um sstema de partículas. - Impulso

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais. MÉTODOS NM ÉRICOS PARA E QAÇÕES DIFEREN CIAIS PARCIAIS - Método de Dfereças Ftas Aplcado às Eqações Dferecas Parcas..- Apromação de Fções...- Apromação por Polômos...- Aste de Dados: M ímos Qadrados..-

Leia mais

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos 4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um

Leia mais

Mecânica Computacional no Balanceamento

Mecânica Computacional no Balanceamento 4 Mecâca Comptacoal o Balaceameto 4. Hstórco A grade maora das téccas exstetes para se fazer balaceameto de seções geológcas é baseada em metodologas empírcas, o seja, parte-se de premssas geológcas e

Leia mais

MATRIZES E VETORES 1) CONCEITOS BÁSICOS

MATRIZES E VETORES 1) CONCEITOS BÁSICOS PARE DO CURSO DE NIVELAMENO 9 - PEQ/COPPE/UFRJ PROF. EVARISO MARIZES E VEORES ÁLGEBRA VEORIAL E MARICIAL ) CONCEIOS BÁSICOS Os cálclos/operações assm como cocetos eoledo matrzes e etores costtem a base

Leia mais

Física IV Poli Engenharia Elétrica: 8ª Aula (28/08/2014)

Física IV Poli Engenharia Elétrica: 8ª Aula (28/08/2014) Físca IV Pol Egehara Elétrca: 8ª Aula (8/08/014) Prof. Alvaro Vaucc Na últma aula vmos: Resolução de Images: segudo o crtéro estabelecdo por Raylegh que quado o máxmo cetral devdo à dfração das odas do

Leia mais

Complexidade Computacional da Determinação da Correspondência entre Imagens

Complexidade Computacional da Determinação da Correspondência entre Imagens Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br

Leia mais

Aula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte

Aula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação

Leia mais

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

Leia mais

7 Análise de covariância (ANCOVA)

7 Análise de covariância (ANCOVA) Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se

Leia mais

Perguntas Freqüentes - Bandeiras

Perguntas Freqüentes - Bandeiras Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor

Leia mais

16 - PROBLEMA DO TRANSPORTE

16 - PROBLEMA DO TRANSPORTE Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

Material Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio

Material Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio Materal Teórco - Módulo de MATEMÁTICA FINANCEIRA Facametos Prmero Ao do Eso Médo Autor: Prof Fracsco Bruo Holada Autor: Prof Atoo Camha Muz Neto 20 de agosto de 2018 1 Itrodução Neste materal, remos aplcar

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

Avaliação de Empresas Profa. Patricia Maria Bortolon

Avaliação de Empresas Profa. Patricia Maria Bortolon Avalação de Empresas MODELO DE DIVIDENDOS Dvdedos em um estáo DDM Dscouted Dvded Model Muto utlzados a precfcação de uma ação em que o poto de vsta do vestdor é extero à empresa e eralmete esse vestdor

Leia mais

Objetivos. O Modelo Linear Geral (GLM - General Linear Model) suporta, também, variáveis categóricas dependentes.

Objetivos. O Modelo Linear Geral (GLM - General Linear Model) suporta, também, variáveis categóricas dependentes. Prof. Lorí Val, Dr. http://www. ufrgs.br/~val val/ val@mat.ufrgs.br Obetvos álse de varâca (NOV) É utlzada para mostrar os efetos prcpas de varáves categórcas depedetes (deomadas de fatores) sobre uma

Leia mais

( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito.

( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito. PMR 40 Mecâca Computacoal Método Implícto No método mplícto as dfereças são tomadas o tempo ao vés de tomá-las o tempo, como o método explícto. O método mplícto ão apreseta restrção em relação ao valor

Leia mais

GAMO - Um algoritmo genético componente de modelos de gestão (optimização-simulação)

GAMO - Um algoritmo genético componente de modelos de gestão (optimização-simulação) I Cogresso de Estatístca e Ivestgação Operacoal da Galza e Norte de Portugal VII Cogreso Galego de Estatístca e Ivestgacó de Operacós Gumarães 26, 27 e 28 de Outubro de 2005 GAMO - Um algortmo geétco compoete

Leia mais

( ) Editora Ferreira - Toque de Mestre. Olá Amigos!

( ) Editora Ferreira - Toque de Mestre. Olá Amigos! Olá Amgos! Hoje coloco à dsposção de vocês aqu a seção Toque de Mestre da Edtora Ferrera (www.edtoraferrera.com.br) as questões de Matemátca Facera cobradas o últmo cocurso da axa Ecoômca Federal (EF),

Leia mais

II. Propriedades Termodinâmicas de Soluções

II. Propriedades Termodinâmicas de Soluções II. Propredades Termodâmcas de Soluções 1 I. Propredades Termodâmcas de Fludos OBJETIVOS Eteder a dfereça etre propredade molar parcal e propredade de uma espéce pura Saber utlzar a equação de Gbbs-Duhem

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se

Leia mais

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

FINANCIAMENTOS UTILIZANDO O EXCEL

FINANCIAMENTOS UTILIZANDO O EXCEL rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas

Leia mais

Probabilidade II Aula 10

Probabilidade II Aula 10 Probabldade II Aula 0 Mao de 009 Môca Barros, D.Sc. Coteúdo Esperaça Matemá (Valores esperados) Mometos e Mometos Cetras Valores esperados de uma fução de Covarâca e Correlação Matrz de covarâca, matrz

Leia mais

PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS

PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS Prof José Leoardo Noroha M Eg Departameto de Egehara de Prodção Escola Federal de Egehara de Itabá EFEI RESUMO: Neste trabalho

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

Leia mais

Arquitetura da ART Controle 1 Controle 2

Arquitetura da ART Controle 1 Controle 2 Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme

Leia mais

50 Logo, Número de erros de impressão

50 Logo, Número de erros de impressão Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de

Leia mais

Técnicas Não Paramétricas

Técnicas Não Paramétricas Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze Em mutos problemas prátcos As abordages de estmação

Leia mais

O mercado de renda fixa e a estrutura da taxa de juro

O mercado de renda fixa e a estrutura da taxa de juro O mercado de reda fxa e a estrtra da taxa de jro No Brasl, a egocação o mercado de reda fxa egloba títlos públcos e títlos prvados. O strmeto para a expressão da remeração e/o o valor de mercado de cada

Leia mais

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo

Leia mais

Econometria: 4 - Regressão Múltipla em Notação Matricial

Econometria: 4 - Regressão Múltipla em Notação Matricial Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo

Leia mais

Física do Calor - 24ª Aula. Prof. Alvaro Vannucci

Física do Calor - 24ª Aula. Prof. Alvaro Vannucci Físca do Calor - 24ª Ala Pro. Alvaro Vacc Na últma ala vmos : Problema evolvedo bolas de blhar 6 bolas meradas qe qeremos colocar as 6 caçaas de ma mesa de blhar. De qatas maeras cosegmos azer sto? Sedo

Leia mais

MIEEC Supervisão e Controlo de Sistemas Eléctricos. Despacho Óptimo (incluindo limites de produção e perdas) Introdução

MIEEC Supervisão e Controlo de Sistemas Eléctricos. Despacho Óptimo (incluindo limites de produção e perdas) Introdução MIEEC Supervão e Cotrolo de Stema Eléctrco Depacho Óptmo (cludo lmte de produção e perda Itrodução Relembrado o problema de depacho óptmo: M cuto de produção M Z ΣC(g Suj. Σg load (ão havedo retrçõe de

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

Redes de Petri. Definições:

Redes de Petri. Definições: Redes de Petr Defnções: Uma Rede de Petr (PN) é m grafo dreto bpartdo o qal tem dos tpos de nós denomnados lgares (qe representam estados) e transções (qe representam eventos). O estado é alterado pelo

Leia mais

Coordenação directa de pontos novos, a partir de um ponto conhecido, medindo-se um ângulo e uma distância.

Coordenação directa de pontos novos, a partir de um ponto conhecido, medindo-se um ângulo e uma distância. Irradada Smples Coordeação drecta de potos ovos, a partr de um poto cohecdo, meddo-se um âgulo e uma dstâca. P N M M M V E P P P V E P E R EN α c M V M M ser C P cos R C EV EV R EV R EN α c dstâca cartográfca

Leia mais

AULA Os 4 espaços fundamentais Complemento ortogonal.

AULA Os 4 espaços fundamentais Complemento ortogonal. Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas

Leia mais