3.2 Modulações não-binárias (MPSK)

Tamanho: px
Começar a partir da página:

Download "3.2 Modulações não-binárias (MPSK)"

Transcrição

1 odulações dgtas 3 odulações dgtas lneares com detecção coerente 3. odulações não-bnáras (SK)

2 QSK: formas de onda e componentes em fase e em quadratura E π s() t = cos π fct ( ) T 4 t T =,,3, 4 f c = nc, n c ntero T Desenvolvendo: E s() t = cos( π fct ( ) π 4) = T E E = cos [( ) π 4] cosπ fct+ sen [( ) π 4] sen π fct = T T ± ET ± ET [ ] [ ] = Ecos ( ) π 4 ψ( t) + Esen ( ) π 4 ψ( t) s = s () t BSK s = s () t BSK I Q Vectores: [ π ] [ π ] Ecos ( ) 4 s =. Dstânca entre pontos: d = E Esen ( ) 4 Constelação: E ψ E E E d ψ 3 4 E Temos dos canas BSK ndependentes (um em fase e outro em quadratura). Dstânca entre pontos de cada canal: d E =. O mapeamento bts símbolos deve obedecer à codfcação de Gray para mnmzar a probabldade de bt errado. Detecção coerente de SK

3 QSK: probabldades de erro robabldade de bt errado em cada canal BSK: d E = Q = Q N N robabldade de decsão correcta em cada canal BSK: robabldade de decsão correcta nos dos canas BSK ndependentes: = ( ) c robabldade de decsão ncorrecta nos dos canas: = = e c ( ) ( ) = Q E N Q E N Se EN podemos desprezar o termo quadrátco: ( ) Q E N e Ora E = e E b B e = = e com codfcação de Gray. Logo, k ( ) e E b B QSK = Q = B( BSK) N Conclusões: tendo a mesma razão Eb N deve-se escolher QSK face a BSK porque ara a mesma bt rate QSK precsa de metade da largura de banda ara a mesma largura de banda QSK enva o dobro dos bts por segundo Detecção coerente de SK 3

4 Geração de QSK a partr de dos snas BSK Desejamos obter o snal QSK correspondente à sequênca bnára. Como fazer? Formamos duas sub-sequêncas, uma com os bts de ordem ímpar e outra com os bts de ordem par Cada subsequênca dará orgem a um snal de SK bnáro, o prmero em fase e o segundo em quadratura. Cada um dos bts das sub-sequêncas tem a duração de T segundos. Ordem ímpar Ordem par Snal QSK Haykn, 4ª ed. s() t = s ψ () t + s ψ () t Detecção coerente de SK 4

5 Dagramas de blocos de emssor e receptor coerente QSK Emssor Bts de ordem ímpar BSK (,3,5, ) sequênca bnára {,} ± E Conversor b Dstrbudor ψ () t = T cos π fct bnáro-polar (desmultplexador) ψ () t = T sen π fct Bts de ordem par (,4,6, ) BSK s ψ () t s QSK ψ () t Receptor coerente Snal recebdo Canal em fase ψ () t ψ () t Canal em quadratura T T γ = γ = Estmatva dos bts de ordem ímpar ultplexador Estmatva dos bts de ordem par Estmatva da sequênca bnára transmtda Detecção coerente de SK 5

6 QSK: espectro de potênca E E s( t) = cos [( ) π 4] cosπ fct sen [( ) π 4] senπ fct T T ± ET=± gt () ± ET A densdade espectral de potênca (d.e.p.) da componente em fase é gual à densdade espectral de energa de g(t) (= quadrado da transformada de Fourer de g(t)) a dvdr pelo ntervalo T: ET E g(t) Área =. T T T t d.e.p. = E T snc Tf T T = E snc Tf Do mesmo modo a d.e.p. da componente em quadratura é E snc Tf. As componentes em fase e em quadratura são ndependentes, logo, a d.e.p. de QSK é gual à soma das d.e.p. de cada canal: b SB( f) = Esnc ( Tf) = 4E snc ( Tb f) (em banda-base) S( f) = [ SB( f fc) + SB( f + fc )] (na banda do canal) 4 Espectro de QSK S B (f)/4e b - -,5,5 ft b A maor parte da potênca está contda no lobo prncpal, logo: Largura de banda de snas QSK: B = T b = R b ( bt rate ) (em BSK é o dobro para a mesma bt rate : B=/T b ) Detecção coerente de SK 6

7 Forma de onda de QSK com snalzação rectangular Vamos usar snalzação rectangular (polar) ±: ensagem Dados em fase Dados em quadratura Dados em fase [+, -, +, +] Snal em fase (BSK) Dados em quadratura [+, +, -, -] Snal em quadratura (BSK) Snal QSK Os snas em fase e em quadratura (ambos BSK) são combnados de modo a formar um snal QSK. Detecção coerente de SK 7

8 Forma de onda de QSK com snalzação de cosseno elevado Vamos usar snalzação com mpulsos de cosseno elevado (α =,3) e a mesma sequênca de há pouco (): Dados em fase [+, -, +, +] Snal em fase (BSK) Dados em quadratura [+, +, -, -] Snal em quadratura (BSK) Snal QSK Esta envolvente não é constante A envolvente de QSK não é constante. rejudca a utlzação de amplfcação não-lnear. Os snas prolongam-se para lá de quatro ntervalos de tempo. Detecção coerente de SK 8

9 Forma de onda de QSK com snalzação de cosseno elevado (cont.) O traçado I-Q no espaço de snal Notem-se as dversas passagens por zero Estas passagens correspondem a mudanças de fase de 8º. Uma manera de reduzr, ou até elmnar, as passagens por zero é deslocar temporalmente um dos snas (em fase ou em quadratura) relatvamente ao outro. Dados em fase Dados em quadratura (deslocados de meo símbolo) À modulação obtda dá-se o nome de Offset QSK. Detecção coerente de SK 9

10 Offset QSK (OQSK) Suponhamos que a sequênca de dados é a anteror () e que os mpulsos são de cosseno elevado com α =,3. QSK OQSK Agora a envolvente é mas suave! Com outra sequênca de dados obteríamos o segunte traçado I-Q: Dados: I: Q: QSK OQSK 5 mudanças de fase de 8º Em OQSK dexou de haver mudanças de fase de 8º Detecção coerente de SK

11 Dagramas de blocos de emssor e receptor coerente OQSK Emssor sequênca bnára Conversor ± E b Dstrbudor ψ () t = T cos π fct bnáro-polar (desmultplexador) ψ () t = T sen π fct OQSK Atraso T/ Receptor coerente Canal em fase ψ () t T γ = Atraso T/ Snal OQSK recebdo ψ () t T ultplexador Estmatva da sequênca bnára transmtda Canal em quadratura γ = Atenção à posção dos blocos de atraso no emssor e no receptor! Detecção coerente de SK

12 SK multfase (SK) Devemos ter em conta os seguntes compromssos: Largura de banda/robabldade de erro/relação Eb N n representa o menor vector de ruído que provoca um erro na detecção faz car o vector recebdo numa outra regão de decsão. Consderando vectores de snal com a mesma energa, o aumento de torna o sstema mas vulnerável ao ruído. O vector de ruído mínmo dmnu com o aumento de. ara que o vector n fosse o mesmo (em ampltude) com o aumento de, teríamos de aumentar a energa do snal. Num sstema de fase múltpla, à medda que aumenta, uma melhor performance em largura de banda pode ser atngda à custa da degradação de b. Se não qusermos degradar b teremos de aumentar E b /N. Detecção coerente de SK

13 Algo mas sobre probabldades de erro Invarânca da probabldade de erro à rotação e à translação ψ d ψ ψ d ψ ψ d ψ A probabldade de símbolo errado é gual nas três constelações mas a tercera é a menos efcente em energa (a energa não é mínma). A probabldade de erro só depende da forma e tamanho das regões de decsão e não da sua localzação no espaço de snal. Qualquer transformação que modfque a constelação do snal sem alterar a forma e o tamanho das suas regões de decsão não muda a probabldade de erro. Rotações, translações ou reflexões da constelação do snal não mudam e (pelo menos nos desmoduladores óptmos). É desejável que a energa méda do snal seja mínma. Energa méda de uma constelação: E E = = s = = A energa méda é mínma se o centro de gravdade dos pontos de snal estver na orgem, ou seja, se s = = Detecção coerente de SK 3

14 robabldades de erro: exemplos Snalzação bnára. s ψ d s ψ d ψ s s ψ Confguração de energa não-mínma Confguração de energa mínma (antpodal) A probabldade de erro é a mesma, a energa é que não!. Snas que fazem subr ou descer de f d a frequênca f c de uma portadora snusodal (sendo ( f ± f ) T ) c d s () t = Acos π ( f f ) t s () t = Acos π ( f + f ) t c c d d t T = = T () = T () = A E E s tdt s tdt T T Coefcente de correlação: ρ = s () ts() tdt= snc(4 Tf d ) EE ρ -.,36.5 Tf d Valor mínmo de ρ, E (mn) b E b Q ( ρ) = Q, N N b Notas: se fd = T ρ = FSK de Sunde se f = 4T ρ = SK d Detecção coerente de SK 4

15 ajorantes da probabldade de símbolo errado Consdere-se uma constelação de símbolos s (de probabldades ) e ruído gaussano branco adtvo (AWGN). A probabldade méda de erro vem dada no caso geral por e = = (decsão errada s envado) = e = e Nem sempre é fácl de obter uma expressão exacta para e (depende, é claro, da constelação). esmo assm, é possível estabelecermos majorantes para essa probabldade baseando-nos no segunte facto, conhecdo da teora das probabldades: A probabldade de uma unão fnta de acontecmentos é nferor ou gual à soma das probabldades dos acontecmentos ndvduas. Assm, e tomando como referênca o símbolo s, teremos e Q dk k = N k (d = k s s k dstânca eucldana entre os pontos s e s k ) O resultado é o chamado majorante da unão ( unon bound ): d k Q = k= N k e (expressão geral) Se os símbolos forem equprováves ( = ): e = k= k Q d k N Detecção coerente de SK 5

16 ajorantes da probabldade de símbolo errado (cont.) e = k= k Q d k N d k Seja d e d = mn dk k a dstânca entre s e o seu vznho mas próxmo. Então d Q k d Q N e, portanto, N (*) d e Q = N Se d mn = mn d for a dstânca mínma entre quasquer dos pontos da constelação então d d mn para qualquer. Logo, d d mn d ( ) mn e Q Q = Q N N N = que é um majorante mas smples mas mas frouxo que (*): d (**) mn e ( ) Q N Fórmula aproxmada: dado que mas grosseramente) que x Q ( x) e também podemos escrever (embora π e exp π d mn 4N Detecção coerente de SK 6

17 ajorantes da probabldade de símbolo errado (cont.) O majorante dos vznhos mas próxmos N d mn e N medq N = N med = N nº de vznhos que fazem frontera com s Este majorante é bastante apertado (mas próxmo do valor verdadero que o majorante (*) e o majorante da unão (**)). Noutras constelações mas complcadas obtém-se uma aproxmação de e (dexa de ser um majorante) consderando apenas os vznhos que estão à dstânca mínma d mn e não os que fazem frontera: N Q d N, onde N é o número médo de vznhos a d e med ( mn ) ode encontrar mas pormenores no Apêndce. Caso especal: constelação com geometra smétrca med Se a constelação tver uma geometra smétrca, como acontece em e SK, todos os são guas. Assm, = = e a probabldade méda de símbolo errado é majorada por em que e ( dk N ) k = k e e = Q (para qualquer ) Se E N só precsaremos de reter as parcelas mas sgnfcatvas: s E Q ( s >> ) N mn dk e k = N k é o número de snas à dstânca dmn do ponto s. mn Fórmula aproxmada: mn e exp( dmn 4 ) N ( Es N ) π Detecção coerente de SK 7 e mn.

18 robabldade méda de símbolo errado Um exemplo de utlzação do majorante da unão.: Qual é o valor máxmo da probabldade méda de símbolo errado em -SK, admtndo que E s /N o >>? R.: (tomando = 8) = 8 ψ s 3 s 4 E s s Lmte da regão de decsão s 5 - E s π/ s E s ψ s 6 - E s s 8 Lmte da regão de decsão s 7 A constelação exbe geometra smétrca. Então podemos selecconar um ponto qualquer. Seja s. ara o ponto s exstem dos pontos que lhe estão mas próxmos, s e s 8 :. mn = Dstânca eucldana entre s e os pontos mas próxmos: d = d 8 = E s sen π O majorante da unão conduz à aproxmação e Q d + Q d 8 N N = Q E s sen π N Detecção coerente de SK 8

19 odulação dgtal SK robabldade de símbolo errado em SK com detecção coerente robabldade de símbolo errado, e = ,6dB -5 3 E b /N o (db) O aumento do número de fases degrada a probabldade de símbolo errado, se se mantver E b N constante. O aumento do número de fases não altera a largura de banda ocupada. Em contrapartda, como os símbolos contêm mas bts o aumento de permte usar débtos bnáros mas elevados, sto é, a efcênca espectral aumenta. Detecção coerente de SK 9

20 odulações dgtas com estados robabldade de símbolo errado com detecção coerente SK Snalzação SK com fases Detecção coerente Snas equprováves e E s π Q sen N FSK Snalzação ortogonal Detecção coerente E ( ) s e Q N Snas equprováves A energa de cada símbolo, E s, está relaconada com a energa de cada bt,, através de E b E s = E b log = ke b Detecção coerente de SK

21 robabldade de símbolo errado em modulações não-bnáras robabldade de símbolo errado em SK com detecção coerente robabldade de símbolo errado, e = ,6dB -5 3 E b /N o (db) robabldade de símbolo errado em FSK com detecção coerente robabldade de símbolo errado, e ,6dB. = E b /N o (db) Detecção coerente de SK

22 Comparação entre a probabldade de bt errado e a probabldade de símbolo errado Snalzação multfase (SK) Cada um dos símbolos de k = log bts não está à mesma dstânca eucldana dos outros, ao contráro do que acontece em FSK. Se um símbolo recebdo estver errado o mas provável é que o símbolo verdadero lhe seja adjacente no espaço de snal. Num símbolo errado nem todos os bts poderão estar errados. ara mnmzar o número de bts errados usa-se a codfcação de Gray, na qual as palavras bnáras correspondentes a símbolos adjacentes dferem entre s em apenas um bt. Numa palavra bnára de k bts é mas provável haver apenas um bt errado do que dos, ou do que três, etc.: (, k ) > (, k) > (3,k ) > ( (,k) probabldade de haver erros em k bts) A proporção de bts errados em símbolos errados é, portanto, de cerca de k. Logo, B Exemplo: = 8, k = 3 e log = e k (se e <<) (com códgo de Gray) Símbolo transmtdo Símbolo transmtdo Se for escolhdo orgna 3 bts errados Códgo bnáro Se for escolhdo só orgna bt errado Códgo de Gray Detecção coerente de SK

23 Comparação entre b e e em SK robabldade de símbolo errado, e = ,6dB -5 3 E b /N o (db) - robabldade de bt errado, B =, robabldade de erro B. e 6-SK -,6dB E b /N o (db) -5 3 E b /N o (db) Um facto a salentar é o das probabldades de bt errado em BSK e QSK serem guas. Detecção coerente de SK 3

24 robabldade de bt errado em modulações não-bnáras robabldade de bt errado em SK com detecção coerente - robabldade de bt errado, B =, ,6dB -5 3 E b /N o (db) robabldade de bt errado em FSK com detecção coerente robabldade de bt errado, B ,6dB = E b /N o (db) Detecção coerente de SK 4

25 Espectros de potênca de snas SK Espectros de potênca de snas SK ( =, 4 e 8) B = b b S ( f) E log snc ( T f log ) (SK) 6 SB(f)/Eb = 8 = 4 (QSK) = (BSK) ft b Comparação dos espectros de potênca de snas QSK e SK (nmum Shft Keyng) = b b S ( f) 4E snc ( T f) S B B 3E ( f ) = π b cos(πt ) b f 6Tb f 4 QSK (QSK) (SK) 3 SB(f)/Eb SK.5.75 ft b Detecção coerente de SK 5

26 Apêndce: majorantes da probabldade de símbolo errado Consdere-se uma constelação de símbolos s (de probabldades gaussano branco adtvo (AWGN). A probabldade méda de símbolo errado é gual a ) e ruído = (decsão errada s envado) e = = e = e () Consoante a constelação, pode ser dfícl obter uma expressão exacta para e. É possível, contudo, estabelecer lmtes superores, ou majorantes, para essa probabldade baseando-nos no segunte facto, conhecdo da teora das probabldades: A probabldade de uma unão fnta de acontecmentos é nferor ou gual à soma das probabldades dos acontecmentos ndvduas. ( ) ( ) ( ) ( ) ( ) Sejam ou não ndependentes: ( ) ( ) Exemplo: A B = ( A) + ( B) A B Se acontecmentos A e B forem ndependentes: A B = A B. A B = ( A) + ( B) A B ( A) + ( B) Assm, e tomando como referênca o símbolo s, teremos d k e = ( estmado envado) sk s Q () k N k= k d k = s s k dstânca eucldana entre os pontos s e sk ( k estmado envado) = ( k ) s s Q d N O resultado é o majorante da unão ( unon bound ): d k e Q (3) = k= N k geral. Em seguda vamos encontrar város lmtes superores dervados desta expressão Detecção coerente de SK 6

27 Apêndce: majorantes da probabldade de símbolo errado (cont.) Q d e k = k= k ( N ). Seja d = mn a dstânca entre s e o seu vznho mas próxmo. Então d d, k d k ( k ) ( ) Q d N Q d N e d e ( ) Q (4) = N. Se d mn = mn d for a dstânca mínma entre quasquer dos pontos então d dmn e ou ( ) ( mn ) Q d N Q d N. Logo, ( ) ( mn ) ( ) Q d N ( ) Q d N e = d (5) mn e ( ) Q N k Este majorante (mutas vezes desgnado por majorante da unão, também) é mas frouxo que o anteror. 3. Encontramos um lmte superor mas apertado que o da Eq. () se consderarmos as regões R k que fazem frontera (são adjacentes) com cada símbolo s : e d k Q k A N, A { k: Rk faz frontera com R} = (6) A é o conjunto dos valores de k para os quas a regão de decsão de s k é adjacente à regão de decsão de s. Substtundo em (): d k e = e Q (7) = = k A N Detecção coerente de SK 7

28 Apêndce: majorantes da probabldade de símbolo errado (cont.) N 4. Se for o número de elementos de A (sto é, o número de fronteras de s ) o somatóro de funções Q tem N parcelas. Como Q( d k N) Q( d N) (vsto d k d ), então d Q N Q N dk = k A N = e obtemos um novo majorante: d e NQ (8) = N 5. as d d e, portanto, mn d d Q Q mn, pelo que N N N Q Q d dmn e = N N N = Defnndo N = N med = como o número médo de vznhos adjacentes (fronterços) obtemos fnalmente o majorante dos vznhos mas próxmos: d mn e N medq (9) N Em regra, quanto mas apertado for o majorante mas complcada é a sua expressão. Detecção coerente de SK 8

29 Apêndce: majorantes da probabldade de símbolo errado (cont.) Noutras constelações mas complexas, em que não é fácl estabelecer as regões de decsão, obtém-se uma aproxmação de e (atenção: dexa de ser um majorante!) consderando apenas os vznhos que estão à dstânca mínma d mn e não os que fazem frontera. É a Aproxmação dos vznhos mas próxmos: d mn e N medq () N N número médo de vznhos à dstânca d med mn. Caso especal: constelação com geometra smétrca e Se a constelação tver uma geometra smétrca, como acontece em SK, todos os são guas. Assm, e e = = = e e d k e Q N k= k Se E s N só retemos as parcelas mas sgnfcatvas: mn d k Es e Q ( N N >> ) k= k em que mn é o número de snas à dstânca dmn do ponto s. Detecção coerente de SK 9

30 Apêndce: resumo de majorantes da probabldade de símbolo errado d k d d mn e Q N Q NmedQ = k A N = N N (7) (4) (5) (8) (9) d d ( ) ( ) mn Q Q = N N Com símbolos equprováves ( = ): d k d d mn e Q NQ N Q = k A N = N med N (7) d d mn Q ( ) Q = N N (4) (5) (8) (9) Expressões mas usadas: d ( ) mn e Q N d mn e NmedQ N majorante da unão majorante dos vznhos mas próxmos d e N Q mn med aproxmação dos vznhos mas próxmos N Detecção coerente de SK 3

4.1 Modulações binárias (FSK e MSK)

4.1 Modulações binárias (FSK e MSK) Modulações digitais 4 Modulações digitais não-lineares com detecção coerente 4. Modulações inárias (FSK e MSK) O espaço de sinal em FSK multifrequência (M-FSK) Em M-FSK a informação está contida na frequência

Leia mais

Estatística I Licenciatura MAEG 2006/07

Estatística I Licenciatura MAEG 2006/07 Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral. DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou

Leia mais

Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.

Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005. Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação

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

Modulações digitais. Quadrature Amplitude Modulation (QAM) Detecção coerente e probabilidade de erro

Modulações digitais. Quadrature Amplitude Modulation (QAM) Detecção coerente e probabilidade de erro Modulações digitais 5 Quadrature Amplitude Modulation (QAM Detecção coerente e probabilidade de erro Quadrature Amplitude Modulation (QAM Sinal M-QAM: E0 E0 0 i( = icosπ c + isenπ c s t a f t b f t T T

Leia mais

Ângulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)

Ângulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s) 4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo

Leia mais

Parênteses termodinâmico

Parênteses termodinâmico Parênteses termodnâmco Lembrando de 1 dos lmtes de valdade da dstrbução de Maxwell-Boltzmann: λ

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

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

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

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

Variável discreta: X = número de divórcios por indivíduo

Variável discreta: X = número de divórcios por indivíduo 5. 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

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

3.1 Modulações binárias (ASK e PSK)

3.1 Modulações binárias (ASK e PSK) Modulações digitais 3 Modulações digitais lineares com detecção coerente 3.1 Modulações binárias (ASK e PSK) Detecção de modulações digitais al como na modulação analógica (AM e FM), também na modulação

Leia mais

Módulo I Ondas Planas. Reflexão e Transmissão com incidência normal Reflexão e Transmissão com incidência oblíqua

Módulo I Ondas Planas. Reflexão e Transmissão com incidência normal Reflexão e Transmissão com incidência oblíqua Módulo I Ondas Planas Reflexão e Transmssão com ncdênca normal Reflexão e Transmssão com ncdênca oblíqua Equações de Maxwell Teorema de Poyntng Reflexão e Transmssão com ncdênca normal Temos consderado

Leia mais

Capítulo V - Modulação

Capítulo V - Modulação Capítulo V - Modulação Mutos são os meos físcos utlzados como canas de transmssão, tas como pares de fos, cabos coaxas, fbras ótcas, canas de mcroondas, etc. Todos estes meos são de natureza nerentemente

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

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

Análise Numérica (4) Equações não lineares V1.0, Victor Lobo, 2004

Análise Numérica (4) Equações não lineares V1.0, Victor Lobo, 2004 Análse Numérca (4 V.0, Vctor Lobo, 004 Não Lneares Problema da determnação de zeros de funções f(=0 Aparece em mutas stuações! Determnar pontos de equlíbro térmco, químco, de forças... Soluções analítcas

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

MATEMÁTICA A - 12o Ano N o s Complexos - Potências e raízes Propostas de resolução

MATEMÁTICA A - 12o Ano N o s Complexos - Potências e raízes Propostas de resolução MATEMÁTICA A - 1o Ano N o s Complexos - Potêncas e raízes Propostas de resolução Exercícos de exames e testes ntermédos 1. Smplfcando a expressão de z na f.a., como 5+ ) 5 1 5, temos: z 1 + 1 ) + 1 1 1

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

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

CIRCUITO LINEAR Um circuito linear é aquele que obedece ao princípio da sobreposição:

CIRCUITO LINEAR Um circuito linear é aquele que obedece ao princípio da sobreposição: . Crcutos não lneares.. Introdução... Defnção de crcuto lnear CIRCUITO LINEAR Um crcuto lnear é aquele que obedece ao prncípo da sobreposção: y f (x) Se x for a entrada do crcuto e y a saída Consderando

Leia mais

Capítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes

Capítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75

Leia mais

Filtros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências.

Filtros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências. 1 Fltros são dspostvos seletvos em freqüênca usados para lmtar o espectro de um snal a um determnado ntervalo de freqüêncas. A resposta em freqüênca de um fltro é caracterzada por uma faxa de passagem

Leia mais

Sílvio A. Abrantes DEEC/FEUP

Sílvio A. Abrantes DEEC/FEUP Sstemas de espalhamento espectral por sequênca drecta (DS/SS) Sílvo A. Arantes DEEC/FEUP Sequênca drecta e BPSK (DS/BPSK) Emssor: Mensagem nára Modulador BPSK Snal DSSS-BPSK (t) (t) c(t) s(t) Snal PN,

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

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

Dados ajustáveis a uma linha recta

Dados ajustáveis a uma linha recta Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:

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

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

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

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

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

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia 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

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min) PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

Optimização com variáveis discretas

Optimização com variáveis discretas Engenhara de Processos e Sstemas Optmzação com varáves dscretas Fernando Bernardo Fev 2013 mn f ( x,, θ ) x, s. t. h( x,, θ ) = 0 g( x,, θ ) 0 x x x L U x real, {0,1} Por que necesstamos de varáves dscretas?

Leia mais

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

2 Teoria da Informação no Sistema MIMO

2 Teoria da Informação no Sistema MIMO Teora da Informação no Sstema MIMO esta sessão são apresentados os fundamentos teórcos relaconados à capacdade de um sstema com múltplas antenas no transmssor e receptor, procurando-se nterpretar os resultados

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

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2) Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,

Leia 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

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

Medidas de Tendência Central. Prof.: Ademilson Teixeira

Medidas de Tendência Central. Prof.: Ademilson Teixeira Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central

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

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 011 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. Aula 8 Regressão Linear Simples Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos

Leia mais

Classificação de Padrões

Classificação de Padrões Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

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

CURSO de ESTATÍSTICA Gabarito

CURSO de ESTATÍSTICA Gabarito UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com

Leia mais

Modulação Digital em Banda Passante

Modulação Digital em Banda Passante Modulação Digital em Banda Passante Luis Henrique Assumpção Lolis 27 de maio de 2014 Luis Henrique Assumpção Lolis Modulação Digital em Banda Passante 1 Conteúdo 1 Introdução - Modulação Digital em Banda

Leia mais

Modulações digitais. Detecção não coerente de DPSK e MFSK. Probabilidades de erro.

Modulações digitais. Detecção não coerente de DPSK e MFSK. Probabilidades de erro. Modulações digitais 6 Detecção não coerente de DPSK e MFSK Proailidades de erro. Detecção não-coerente de FSK inário O sinal receido é r(t) = E cos(ω it + θ) + n(t ), em que θ é uma amostra de uma variável

Leia mais

UNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)

UNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores) UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara

Leia mais

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão

Leia mais

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas Mestrado Integrado em Engenhara Cvl Dscplna: TRANSPORTES Prof. Responsável: José Manuel Vegas Sessão Prátca 7 (Tpo A): Dmensonamento de ntersecções semaforzadas smples Curso 2008/09 1/22 INTERSECÇÕES Introdução

Leia mais

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método

Leia mais

Aula Características dos sistemas de medição

Aula Características dos sistemas de medição Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes

Leia mais

Algoritmos Genéticos com Parâmetros Contínuos

Algoritmos Genéticos com Parâmetros Contínuos com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75

Leia mais

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria.

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria. Elementos de Engenhara Químca I II. Frações e Estequometra (problemas resolvdos) Problemas Propostos. Frações másscas, volúmcas ou molares. Estequometra.. Em 5 moles de Benzeno (C 6 H 6 ) quanto é que

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

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

4 Sistemas de partículas

4 Sistemas de partículas 4 Sstemas de partículas Nota: será feta a segunte convenção: uma letra em bold representa um vector,.e. b b Nesta secção estudaremos a generalzação das les de Newton a um sstema de váras partículas e as

Leia mais

Comunicações Digitais Prof. André Noll Barreto Prova /2 (22/10/2013)

Comunicações Digitais Prof. André Noll Barreto Prova /2 (22/10/2013) Prova 013/ (/10/013) Aluno: Matrícula: Instruções A prova consiste de cinco questões discursivas A prova terá a duração de h30 A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas

Leia mais

FUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores

FUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos

Leia mais

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

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

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

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

Variáveis indexadas, somatórios e produtórios

Variáveis indexadas, somatórios e produtórios 1 Computação MIEC - FEUP complado por Ana Mara Faustno Varáves ndexadas, somatóros e produtóros Varáves ndexadas Quando se pretende estudar váras característcas de um conjunto de ndvíduos convém armazenar

Leia mais

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro

Leia mais

2 - Análise de circuitos em corrente contínua

2 - Análise de circuitos em corrente contínua - Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;

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

Atividade em Soluções Eletrolíticas

Atividade em Soluções Eletrolíticas Modelo de solução eletrolítca segundo Debye-Hückel. - A le lmte de Debye-Hückel (LLDH) tem o lmte que está em: I 0,01. log z.z A I 1/ valêncas do íons + e do eletrólto I 1 [ z b / b ] constante que depende

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

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores. Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.

Leia mais

TRANSPORTES. Sessão Prática 11 Dimensionamento de Interseções Semaforizadas

TRANSPORTES. Sessão Prática 11 Dimensionamento de Interseções Semaforizadas Mestrado Integrado em Engenhara Cvl TRANSPORTES Prof. Responsável: Lus Pcado Santos Sessão Prátca 11 Dmensonamento de Interseções Semaforzadas Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl

Leia mais

Integração com splines integração com splines cúbicos

Integração com splines integração com splines cúbicos Integração com splnes ntegração com splnes cúbcos Um modo de obter regras de ntegração semelhante às compostas é utlzando splnes. A utlzação de splnes de grau zero conduz às regras do rectângulo compostas,

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

Transmissão de impulsos em banda-base

Transmissão de impulsos em banda-base ransmissão de impulsos em banda-base ransmissão de impulsos através de um canal com ruído aditivo.3 O filtro adaptado e o correlacionador ransmissão de sinais em canais banda-base Introdução Consideremos

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente

Leia mais

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados

Leia mais

0.5 setgray0 0.5 setgray1. Mecânica dos Fluidos Computacional. Aula 7. Leandro Franco de Souza. Leandro Franco de Souza p.

0.5 setgray0 0.5 setgray1. Mecânica dos Fluidos Computacional. Aula 7. Leandro Franco de Souza. Leandro Franco de Souza p. Leandro Franco de Souza lefraso@cmc.usp.br p. 1/1 0.5 setgray0 0.5 setgray1 Mecânca dos Fludos Computaconal Aula 7 Leandro Franco de Souza Leandro Franco de Souza lefraso@cmc.usp.br p. 2/1 Equações Dferencas

Leia mais

Aula 3 - Classificação de sinais

Aula 3 - Classificação de sinais Processamento Dgtal de Snas Aula 3 Professor Marco Esencraft feverero 0 Aula 3 - Classfcação de snas Bblografa OPPENHEIM, AV; WILLSKY, A S Snas e Sstemas, a edção, Pearson, 00 ISBN 9788576055044 Págnas

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

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para

Leia mais

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária. Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados

Leia 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

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite 5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar

Leia mais

GABARITO ERP19. impedância total em pu. impedância linha em pu; impedância carga em pu; tensão no gerador em pu.

GABARITO ERP19. impedância total em pu. impedância linha em pu; impedância carga em pu; tensão no gerador em pu. GABARITO ERP9 Questão mpedânca total em pu. mpedânca lnha em pu; mpedânca carga em pu; tensão no gerador em pu. Assm, tem-se que: ( ). Mas, ou seja: : ( ).. Logo: pu. () A mpedânca da carga em pu,, tem

Leia mais

Aerodinâmica I. Asas Finitas Teoria da Linha Sustentadora Método de Glauert

Aerodinâmica I. Asas Finitas Teoria da Linha Sustentadora Método de Glauert α ( y) l Método de Glauert Γ( y) r ( y) V c( y) β b 4 V b ( y) + r dy dγ y y dy Método de resolução da equação ntegro-dferencal da lnha sustentadora através da sua transformação num sstema de equações

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