REDUÇÃO DE DIMENSIONALIDADE ATRAVÉS DUMA ANÁLISE EM COMPONENTES PRINCIPAIS: UM CRITÉRIO PARA O NÚMERO DE COMPONENTES PRINCIPAIS A RETER
|
|
- Antônia das Neves do Amaral
- 7 Há anos
- Visualizações:
Transcrição
1 REDUÇÃO DE DIMENSIONALIDADE ATRAVÉS DUMA ANÁLISE EM COMPONENTES PRINCIPAIS: UM CRITÉRIO PARA O NÚMERO DE COMPONENTES PRINCIPAIS A RETER REDUCING DIMENSIONALITY BY MEANS OF A PRINCIPAL COMPONENT ANALYSIS: A CRITERION TO CHOOSE HOW MANY PRINCIPAL COMPONENTS SHOULD BE RETAINED Auor: Jorge F. C. L. Cadma - Professor Auxlar - Dearameno de Maemáca - Insuo Sueror de Agronoma RESUMO: A escolha do número de facores a reer, no conexo duma redução de dmensonaldade aravés duma Análse em Comonenes Prncas, em sdo objeco de numerosos créros, em que geralmene são necessáras oções de naureza subjecva or are do ulzador, e/ou hóeses dsrbuconas subjacenes. Nesa comuncação aresena-se um novo créro, que eva os referdos roblemas. O créro basea-se em roredades geomércas, assocadas à esruura do cone de marzes sem-defndas osvas, que sugerem uma dmensonaldade mínma admssível. A esruura do cone, resulane da nrodução do habual roduo nerno marcal, veda deermnadas zonas do cone à resença de marzes de caraceríscas reduzdas. PALAVRAS-CHAVE: Comonenes Prncas, análse facoral, redução de dmensonaldade, cone de marzes sem-defndas osvas. ABSTRACT: There are numerous crera o choose how many Prncal Comonens should be reaned when reducng dmensonaly va a Prncal Comonen Analyss. Subjecve decsons by he user, and/or dsrbuonal hyoheses are usually necessary when alyng hese crera. Ths communcaon rooses a new creron whch avods hese roblems. The creron s based on geomerc roeres of he cone of osve sem-defne marces, ha sugges a smalles admssble dmensonaly. The srucure of he cone, whch s assocaed wh he use of he usual marx nner roduc, recludes he resence of lowrank marces n ceran areas of he cone. KEY-WORDS: Prncal comonens, facoral analyss, dmensonaly reducon, cone of osve semdefne marces.
2 . INTRODUÇÃO Na análse de conjunos de dados mulvarados, a ossbldade de reduzr a dmensonaldade dos dados sem grande erda de nformação desemenha um ael crucal. Caso seja admssível roceder a uma aroxmação em esaços b- ou r-dmensonas, ornarse-á ossível uma vsualzação gráfca aroxmada do conjuno de dados. Mesmo quando não seja ossível uma redução de dmensonaldade ão acenuada, as smlfcações assocadas à consderação de menos dmensões êm rovado ser úes ara a comreensão, exloração e modelação de dados. A redução de dmensonaldade é geralmene efecuada or meo de écncas de análse facoral, e no caso concreo de se analsar uma marz X de observações de varáves sobre n ndvduos, aravés duma Análse em Comonenes Prncas (ACP). Numa ACP conexo que será aqu analsado em ormenor, aesar de muo do que se segue ser ambém váldo ara análses facoras em geral denfcam-se sucessvas combnações lneares das varáves orgnas que sejam de varânca máxma, sujeas às resrções de nãocorrelaconameno com anerores combnações lneares. Esas combnações lneares desgnam-se Comonenes Prncas (CPs) ou facores. Os coefcenes que defnem cada combnação lnear são dados elos elemenos de cada vecor róro da marz Σ de varâncas-covarâncas defnda elos dados (ou ela marz de correlações, caso se oe or rabalhar com dados normalzados). O valor róro assocado a cada vecor róro ndca a varânca da CP corresondene. O quocene desse valor róro sobre a soma dos valores róros (so é, sobre o raço da marz Σ ) desgna-se a roorção da nérca da nuvem de onos defnda ela marz dos dados assocada à CP em quesão. Esa nerreação é exensível a conjunos de CPs. Veja-se (Jollffe, 986) ara uma dscussão mas ormenorzada sobre a Análse em Comonenes Prncas. A quesão que se reende aqu abordar rende-se com a deermnação duma dmensonaldade mínma admssível ara a reresenação dos dados orgnas, so é, a denfcação do número k de Comonenes Prncas (facores) a reer de forma a se oder consderar aceável uma aroxmação k-dmensonal dos dados. Inúmeras regras e créros êm sdo roosos com esa fnaldade. Recenseamenos desses créros, no conexo de ACP, enconram-se em (Jollffe, 986, Caíulo 6), e mas recenemene em (Rchman, Angel & Gong, 99). A dea cenral subjacene a as créros é a de que facores assocados a valores róros róxmos de zero odem ser desrezados sem grande erda de nformação. Os créros roosos odem agruar-se em duas caegoras fundamenas: os créros descrvos, que não consderam qualquer modelo ou dsrbução subjacene, e os créros nferencas, nos quas as hóeses dsrbuconas desemenham um ael cenral. De enre a rmera caegora, refram-se, a íulo de exemlo, o créro de gnorar CPs aós se er angdo uma deermnada roorção cumulava de nérca exlcada (rovavelmene o créro mas frequenemene ulzado); o créro de Kaser, de exclur CPs assocados a valores róros nferores ao valor róro médo (ou a varane de Jollffe, que baxa esse lmar ara 70% do valor róro médo); e créros baseados na análse vsual de gráfcos de valores róros, ou logarmos de valores róros, conra as resecvas ordens (gráfcos scree ou LEV), onde é frequene enconrar um adrão de rádo decréscmo ncal segudo de uma esablzação dos valores róros em orno de valores róxmos de zero, que dá aos gráfcos o aseco duma reca quase horzonal, rocedendo-se à elmnação de CPs assocadas a essa regão do gráfco. De enre a segunda caegora, ce-se o exemlo dum ese A exressão análse facoral é aqu usada no sendo mas lao, redomnane na leraura de orgem francesa, ndcando de forma genérca écncas baseadas em análses esecras ou em valores sngulares. Não deve ser confundda com a écnca mas esecífca, correnemene desgnada or Facor Analyss na leraura anglo-saxónca. Para uma dscussão das relações enre esa úlma écnca e a Análse em Comonenes Prncas, veja-se (Jollffe, 986, Caíulo 7).
3 assnóco à gualdade dos q menores valores róros duma marz de varâncascovarâncas, admndo a mulnormaldade dos dados subjacenes (Jollffe, 986, g.44). No enano, nenhum créro recolhe consenso generalzado. Em relação aos créros nferencas, são evdenes as resrções mosas elas hóeses dsrbuconas, ou modelos exgíves. E a maor generaldade dos créros deermníscos envolve geralmene arecações de naureza subjecva (qual o lmar a arr do qual se consdera admssível uma dada roorção da nérca oal exlcada; qual o lmar ara se consderar um deermnado valor róro como sendo desrezável; qual o lmar a arr do qual um gráfco scree ou LEV se consdera aroxmadamene horzonal; ec.) que odem conduzr a oções dferenes or dferenes ulzadores. Alguns créros são anda de alcação algo rabalhosa. O créro aqu rooso em as vanagens de não exgr hóeses dsrbuconas, de ser de alcação smles e de ser um créro objecvo, no sendo de conduzr a uma dmensonaldade mínma admssível com base em consderações de naureza geomérca que não envolvem oções subjecvas or are do ulzador. Na Secção aresenam-se os resulados eórcos que susenam o créro. Ese úlmo é aresenado na Secção 3. Fnalmene, a Secção 4 dscue o créro.. ALGUMAS PROPRIEDADES DO CONE DE MATRIZES SEMI-DEFINIDAS POSITIVAS Admr a redução de dmensonaldade numa ACP dum conjuno de dados nx equvale a admr que os dados odem ser rojecados sobre um subesaço k-dmensonal sem erda subsancal de nformação. Do ono de vsa da marz de varâncas-covarâncas (ou de correlações) assocada aos dados, essa hóese equvale a consderar que a marz é aroxmadamene de caracerísca k, conceo que será formalzado segudamene. As marzes de varâncas-covarâncas (ou de correlações) são semre marzes semdefndas osvas, ou seja, marzes smércas A x cujas formas quadrácas são semre não-negavas,.e., as que x Ax 0, x R /{ 0}. Conversamene, qualquer marz semdefnda osva (s.d..) é semre uma marz de varâncas-covarâncas ara uma nfndade de marzes de dados (qualquer que seja o número n de ndvíduos observados), elo que os dos conceos se confundem. Relembremos agora o conceo de cone. Defnções. ) Um subconjuno C dum esaço lnear desgna-se um cone se fôr fechado ara + combnações lneares não-negavas: x, y C e α,β R, α x + βy C. 0 ) Num cone C, dado qualquer elemeno V do cone, desgna-se or rao assocado a V ao conjuno de odos os múllos escalares de V, com escalares não-negavos. É fácl de verfcar que o conjuno das marzes sem-defndas osvas de dmensão x forma um cone no esaço lnear das marzes quadradas x, uma vez que se V e W forem marzes s.d.. e α, β 0, enão x ( α V + βw ) x αx Vx + βx Wx 0, x 0. Desgnemos or D o cone das marzes s.d.. de dmensão, cone que é dscudo em mas ormenor or (Hll & Waers, 987). A defnção dum roduo nerno no esaço lnear de marzes x e or consegune no cone D erme defnr o conceo de ângulo enre duas marzes (ou seja, enre os raos
4 defndos or duas marzes). Como se verá segudamene, ese conceo dará uma esruura neressane ao cone, que sugere, de forma naural, uma solução ara o roblema sob consderação. Defnção. Seja M nx o esaço lnear das marzes nx, mundo do habual roduo nerno marcal, defndo or <A,B> r(a B), A, B M nx, onde r desgna o raço. Para A, B 0, defna-se o ângulo enre as marzes A e B como sendo o arco cujo coseno é dado or: cos( A, B) A, B A B onde A r( A A) é a norma nduzda elo roduo nerno. Na esruura do cone D de marzes s.d.., um ael cenral é desemenhado elo rao defndo ela marz dendade x, I. Os resulados segunes, baseados no rabalho de (Tarazaga, 990) e desenvolvdos em (Cadma, 997) snezam a esruura que nos rá neressar. Teorema. Consdere-se o cone D de marzes sem-defndas osvas x. Consdere-se a marz dendade I D, e qualquer oura marz róros sejam os elemenos do vecor ( R + 0 ) ) cos(, I ). Enão: V D, cujos valores V, onde σ ( ) + σ varânca dos valores róros relavos da marz V, so é, dos. j j é a ) cos(, I ) V se e só se V fôr uma marz de caracerísca. k ) Se V é uma marz de caracerísca k, enão cos( V, I ), verfcando-se a gualdade se e só se os k valores róros não-nulos de V forem odos guas. Demonsração. Nesa demonsração serão usadas as conhecdas desgualdades relaconando as normas l e l dum qualquer vecor & Johnson, 985, g. 79). x n R : x x n x (Horn ) Seja V PΛP a decomosção esecral de V, onde L ndca a marz dagonal cuja dagonal é consuída elos elemenos do vecor l (adma-se, sem erda de generaldade, que esão ordenados or ordem decrescene) e P é a marz orogonal cujas colunas são os vecores róros corresondenes. Pela defnção de roduo nerno enre duas marzes, e ela crculardade do raço do roduo marcal, emse:
5 ( ) V, I r V (já que odos os valores róros são não- negavos); V r( V ) r( PΛ P ) r( Λ ) ; e I r( I ). Logo, fca rovada a rmera gualdade. Ora, σ, uma vez que Logo,.. A desgualdade fnal resula + σ drecamene de x x ara qualquer vecor x. ) Tendo em cona, como fo vso, que cos( V, I ), em-se cos( V, I ), onde desgna o vecor - dmensonal dos valores róros relavos,, já que. Nesse caso, em de ser colnear com um dos exos coordenados, ou seja er - coordenadas nulas, e a resane coordenada com valor ±. Como a marz V é sem-defnda osva, e dada a ordenação admda ara os valores róros, sso sgnfcara e 0, >. Assm, V em de ser uma marz de caracerísca. ) Já vmos que cos( V, I ) ara qualquer marz s.d.. V. No caso de V ser de caracerísca k, os úlmos -k valores róros de V serão nulos, elo que k. Desgnando or o vecor k-dmensonal cujos elemenos são os k valores róros relavos não-nulos de V, { k } k, vemos que cos( V, I ), já que k e. A gualdade verfca-se se e só se k, suação que equvale a er odos os elemenos do vecor guas, so é, odos os valores róros não-nulos de V guas. (c.q.d.) O Teorema mosra que o cone de marzes x sem-defndas osvas D em uma esruura esrafcada, com sucessvos sub-cones encaxados, conforme lusrado na Fgura.
6 rao cenral cone de marzes sem-defndas osvas No cenro do cone enconra-se o rao cenral, defndo ela marz dendade I. Na regão que rodea o rao cenral, e que é consuída or marzes cujos raos assocados defnem ângulos com o rao cenral menores que arccos, aenas oderemos enconrar marzes de caracerísca lena (caracerísca ). Esse núcleo é rodeado or uma fronera consuída elas marzes x cujo ângulo com o rao cenral é recsamene arccos. Essas marzes odem ser de caracerísca lena, ou de caracerísca -, mas nese úlmo caso aenas se forem múllos escalares de marzes de rojecção orogonal sobre algum subesaço de dmensão -. Segue-se um esrao consuído or marzes cujo ângulo θ com o rao cenral se enconra no nervalo arccos < θ < arccos. Nesse esrao enconram-se aenas marzes de caracerísca ou -. Na fronera desse esrao consuída elas marzes cujo ângulo com o rao cenral é recsamene arccos enconramos, além de marzes de caracerísca ou -, ambém marzes de caracerísca -, mas aenas se forem múllos escalares de marzes de rojecção sobre subesaços de R de dmensão -. Segue-se um novo esrao, comoso or marzes cujo ângulo θ com o rao cenral sasfaz arccos < θ < arccos, onde resdem marzes de caraceríscas, 3 - e -, ermnando numa fronera defnda or θ arccos 3, onde surgem ambém múllos escalares de marzes de rojecção sobre subesaços de dmensão -3. Sucessvos esraos, defndos de forma análoga à medda que aumena o ângulo θ, rão assar a nclur marzes de caraceríscas cada vez mas baxas. A regão exeror do cone é consuída elas marzes que defnem raos que formam um ângulo arccos com o rao cenral. Essas marzes são recsamene as marzes x de caracerísca, so é, marzes da forma xx ara algum vecor x R e R +. Embora marzes de caraceríscas baxas não se ossam enconrar ero do núcleo cenral do cone, que rodea o exo cenral, odem-se enconrar marzes de caraceríscas elevadas, ou aé de caracerísca lena, em odo o cone (exceo se formam o ângulo máxmo
7 com o rao cenral, admssível exclusvamene ara marzes de caracerísca ). Tal faco não é movo de surresa, os marzes de caracerísca lena odem er valores róros arbraramene róxmos de zero, comorando-se como marzes de caracerísca reduzda do ono de vsa da varânca dos seus valores róros relavos que, como vmos no Teorema, deermna em úlma análse o osconameno angular de cada marz no cone das marzes sem-defndas osvas. E é recsamene ese faco que sugere um créro ara a escolha da redução de dmensonaldade admssível ara um qualquer conjuno de dados. 3. O CRITÉRIO Comecemos or nroduzr o conceo de seudo-caracerísca duma marz semdefnda osva. Defnção. Seja V uma marz x sem-defnda osva. A seudo-caracerísca de k* V é o menor nero k* al que cos( V, I ). Trabalhando com as exressões anerormene obdas ara cos( V, I ) é fácl de verfcar que a seudo-caracerísca duma marz s.d.. é dada or: k* r ( ) V r( V ) (onde x desgna o menor nero maor ou gual a x), já que j j. Tendo em cona a esruura do cone D arás dscuda, a seudo-caracerísca duma marz s.d.. V corresonde à menor caracerísca das marzes s.d.. que se enconram no mesmo esrao do cone que a marz V. Esse osconameno de V sugere que ode fazer sendo reduzr a dmensonaldade de V aé à sua seudo-caracerísca, mas não ulerormene. A íulo lusravo, aresenam-se na Tabela as dmensões e seudo-caraceríscas de algumas marzes de covarâncas e correlações referdas na leraura esaísca. Na Tabela ndcam-se anda as ercenagens cumulavas de nérca assocadas a uma redução ara a dmensonaldade da seudo-caracerísca. Dados To de marz No. varáves seudocaracerísca % nérca cumulava Irs vergnca covarânca 4 90,6 Irs vergnca correlação ,79 Irs seosa covarânca 4 88,4 Irs seosa correlação ,7 Irs verscolor covarânca 4 89,67 Irs verscolor correlação 4 86,8 Almenos Lebar 3 covarânca 7 96,46 Almenos Lebar correlação ,06 Pro 4 correlação ,9 3 Os dados relavos aos líros devem-se a Fsher e enconram-se em numerosas fones, e.g., (Krzanowsk, 988, g. 46). Ese conjuno de dados é dscudo em (Lebar e al, 98).
8 Adelges 5 correlação 9 85,5 Orhem 6 correlação ,75 Lagosns Somers 7 covarânca 3 90,00 Lagosns Somers correlação ,35 Exlorações agrícolas 8 correlação ,80 4. A DISCUSSÃO A escolha da dmensonaldade a reer, or meo da seudo-caracerísca da marz de varâncas-covarâncas Σ (ou de correlações) dos dados sob análse, aresena as segunes vanagens: ) é um créro objecvo, no sendo de não esar sujeo a arecações dferencadas or are de ulzadores dferenes; ) é de cálculo muo fácl, envolvendo aenas os raços de Σ e de Σ ; ) enra em lnha de cona com odos os valores róros de Σ (aravés da varânca dos valores róros a dvdr elo raço de Σ ), e não aenas com alguns, so é, ulza a oaldade da nformação dsonível; v) em uma jusfcação geomérca, ndeendenemene da naureza dos dados sob esudo; v) não exge qualquer hóese dsrbuconal ou modelo subjacene. Algumas desas vanagens (em arcular as úlmas) oderão ser encaradas como desvanagens em suações arculares, como sejam quando se deseja esudar a adequabldade dum deermnado modelo, ou quando a naureza da alcação aconselha ouros créros de escolha. Mas na generaldade das suações onde uma análse facoral se alca como écnca exloraóra, a nexsênca de hóeses révas sobre a naureza dos dados é, sem dúvda, uma vanagem. Como ara qualquer ouro créro, haverá asecos ou suações arculares onde se oderá consderar que a seudo-caracerísca ndca um número excessvamene elevado ou reduzdo de facores (CPs) a reer. Imora sublnhar que a seudo-caracerísca deve ser vsa como uma dmensonaldade mínma admssível, no sendo de ndcar que a marz Σ esá numa regão do cone D que esá vedada a marzes de caraceríscas nferores, mas que nada obsa a que se consderem aroxmações de dmensonaldade sueror. Por ouro lado, o faco de cada esrao do cone ser delmado or froneras onde se enconram marzes de caracerísca nferor (desde que enham odos os valores róros não-nulos guas) crará suações onde odera ser enador consderar dmensonaldades nferores às sugerdas ela seudo-caracerísca. Por exemlo, uma marz de varâncas-covarâncas de dmensão 3 que enha os dos rmeros valores róros guas, erá seudo-caracerísca 3 ara valores arbraramene equenos (mas não-nulos) do úlmo valor róro. No enano, rocurar-se ajusar o créro a fm de obvar a algumas suações dese o é, or um lado, um exercíco condenado anecadamene ao fracasso (haverá semre marzes arbraramene róxmas de qualquer fronera que se quera consderar) e or ouro lado, desró uma das vanagens do créro: a sua naureza objecva Dados dscudos em (Jeffers, 967). Dados dscudos em (Jeffers, 967). Dados aresenados or Orhem e dscudos em (McCabe, 984). Dados dscudos em (Cadma & Jollffe, 00). Dados referdos em (Cadma & Jollffe, 00).
9 Por udo quano fcou do, consdera-se que a seudo-caracerísca da marz de varâncas-covarâncas (ou de correlações) dum conjuno de dados é uma boa escolha ara a dmensonaldade mínma admssível na redução da dmensonaldade desses dados. REFERÊNCIAS BIBLIOGRÁFICAS CADIMA, J. Algumas alcações do Produo Inerno Marcal Usual na Análse de Comonenes Prncas, n A Esaísca a Decfrar o Mundo, Acas do IV Congresso Anual da Socedade Poruguesa de Esaísca, Edções Salamandra, gs , 997. CADIMA, J. & JOLLIFFE, I.T. Varable selecon and he nerreaon of rncal subsaces, Acee ara ublcação no Journal of Agrculural, Bologcal and Envronmenal Sascs, 00. HILL, R.D. & WATERS, S.R. On he cone of osve sem-defne marces, Lnear Algebra and s Alcaons, 90, gs. 8-88, 987. HORN, R. & JOHNSON, C. Marx Analyss, Cambrdge Unversy Press, 986. JEFFERS, J.N.R. Two case sudes n he alcaon of rncal comonen analyss, Aled Sascs, 6, gs. 5-36, 967. JOLLIFFE, I.T. Prncal Comonen Analyss, Srnger-Verlag, 986. KRZANOWSKI, W.J., Prncles of Mulvarae Analyss, Oxford Unversy Press, 988. LEBART, L.; MORINEAU, A. & FÉNELON, J.-P., Tramen des données sasques, Dunod, 98. McCABE, G.P., Prncal Varables, Technomercs, 6(), gs RICHMAN, M.B.; ANGEL, J.R. & GONG, X. Deermnaon of Dmensonaly n Egenanalyss, Proceedngs of he 5h Inernaonal Meeng on Sascal Clmaology, Torono, 99. TARAZAGA, P. Egenvalue esmaes for symmerc marces, Lnear Algebra and s Alcaons, 35, gs. 7-79, 990.
3 Modelo de Amortecimento Direto
3 Modelo de Amorecmeno Dreo 3. Inrodução Alguns os de séres não aresenam bons resulados quando modeladas or funções uramene olnomas. As séres sazonas aresenam esse o de roblema, e denre elas, as séres
Leia maisPCA e IMPCA. Capítulo. 5.1 Considerações Iniciais
Capíulo 5 PCA e IMPCA 5. Consderações Incas A análse de componenes prncpas (PCA) [URK, M. A. & PENLAND, A. P. (99)] é uma ransformação lnear orogonal de um espaço q-dmensonal para um espaço n-dmensonal,
Leia maisAprendizagem Estatística de Dados. Francisco Carvalho
Aprendzagem Esaísca de Dados Francsco Carvalho A função de Densdade Normal Valor Esperado Caso conínuo [ f ] Caso dscreo f p d [ f ] f p D A função de Densdade Normal Caso Unvarado função de densdade p
Leia maisCAPÍTULO 4. Vamos partir da formulação diferencial da lei de Newton
9 CPÍTUL 4 DINÂMIC D PRTÍCUL: IMPULS E QUNTIDDE DE MVIMENT Nese capíulo será analsada a le de Newon na forma de negral no domíno do empo, aplcada ao momeno de parículas. Defne-se o conceo de mpulso e quandade
Leia maisIntrodução à Computação Gráfica
Inrodução à Compuação Gráfca Desenho de Consrução Naval Manuel Venura Insuo Superor Técnco Secção Auónoma de Engenhara Naval Sumáro Represenação maemáca de curvas Curvas polnomas e curvas paramércas Curvas
Leia maisNOTAS DE AULA DA DISCIPLINA CE076
5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura
Leia mais5 Avaliação da Eficiência Computacional
5 Avalação da fcênca Compuaconal 5.1 Inrodução É desejado ncorporar o cálculo dos índces de adequação de ações de conrole de ensão ao programa SAN. O programa SAN esá sendo mplemenado com a esruura aual
Leia maisAPRESENTAÇÃO. Ms. Thiago Bindilatti Inforsato Dr. Roberto Chust Carvalho Dr. Marcelo de Araújo Ferreira
PRESENTÇÃO CÁLCULO E VERIFICÇÃO D RDUR LONGITUDINL DE VIGS PRÉ-TRCIONDS CO SEÇÃO COPOST E CONSIDERNDO S PERDS PROGRESSIVS DE PROTENSÃO. uores: s. Thao Bndla Inforsao Dr. Robero Chus Carvalho Dr. arcelo
Leia mais5 Sistemas Lineares com Coecientes Periódicos
5 Ssemas Lneares com Coecenes Peródcos Ese capíulo raa de forma suscna do esudo da esabldade de soluções peródcas de ssemas dnâmcos não-lneares. Segundo Rand [83], a eora de Floque é a eora mas geral que
Leia maisdefi departamento de física
def deparameno de físca Laboraóros de Físca www.def.sep.pp.p Equações de Fresnel Insuo Superor de Engenhara do Poro Deparameno de Físca Rua Dr. Anóno Bernardno de Almeda, 431 400-07 Poro. Tel. 8 340 500.
Leia maisParte III. Objetivo: estudar o deslocamento de um corpo quando esta rolando
Pare Objevo: esudar o deslocameno de um corpo quando esa rolando 1 Coneúdo programáco: 6. Movmeno de Roação Varáves da roação, Relação enre Cnemáca Lnear e Cnemáca Angular, Energa cnéca de roação, nérca
Leia maisModelagem de Curvas. Prof. Márcio Bueno Fonte: Material do Prof. Jack van Wijk
Modelagem de Curvas Prof. Márco Bueno {cgarde,cgnoe}@marcobueno.com Fone: Maeral do Prof. Jack van Wjk Coneúdo Curvas Paramércas Requsos Conceos Ineolação Lnear Inerolação de Lagrange Curva de Bézer 2
Leia mais2 Programação Matemática Princípios Básicos
Programação Maemáca Prncípos Báscos. Consderações Geras Os objevos dese capíulo são apresenar os conceos de Programação Maemáca (PM) necessáros à compreensão do processo de omzação de dmensões e descrever
Leia maisModulações digitais. Espaços de sinal e regiões de decisão. Funções ortogonais. Ortogonalização de Gram-Schmidt
Modulaçõe dga Epaço de nal e regõe de decão Funçõe orogona Orogonalzação de Gram-Schmd Uma perpecva geomérca do na e ruído (Koelnkov) Um epaço orogonal de dmenõe é caracerzado por um conjuno de ψ () funçõe
Leia maisAGG-232 SÍSMICA I 2011 SÍSMICA DE REFLEXÃO ANÁLISE DE VELOCIDADES
AGG-3 SÍSMICA I 0 SÍSMICA DE REFLEXÃO AÁLISE DE ELOCIDADES O objevo da análse de velocdades é deermnar as velocdades sísmcas das camadas geológcas em subsuperfíce. As velocdades sísmcas são ulzadas em
Leia maisA OTIMIZAÇÃO DOS PESOS DAS OBSERVAÇÕES GEODÉSICAS POR UM PROBLEMA DE VALOR PRÓPRIO INVERSO: SOLUÇÃO PELO MÉTODO DE NEWTON E QUASE NEWTON BFGS.
A OTIMIZAÇÃO DOS PESOS DAS OBSERVAÇÕES GEODÉSICAS POR UM PROBLEMA DE VALOR PRÓPRIO INVERSO: SOLUÇÃO PELO MÉTODO DE NEWTON E QUASE NEWTON BGS. The omzaon of geodec observaons weghs hrough an egenvalue roblem:
Leia maisNeo-fisherianos e teoria fiscal do nível de preços
Anono Lcha 4/março/07 Neo-fsheranos e eora fscal do nível de preços O objevo desas noas é desacar os prncpas elemenos da abordagem neofsherana e da eora fscal do nível de preços. Desacamos 4 pequenos modelos
Leia maisReceita do Método da Aproximação Polinomial Global Aplicado a Problemas. Unidirecionais sem Simetria
Recea do Méodo da Aromação olomal Recea do Méodo da Aromação olomal Global Alcado a roblemas Esruura Geral do roblema: Udrecoas sem Smera y y y F y o domío : 0 < < e >0. Suea às codções de cooro: CC: G
Leia maisPROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE WULU
1 PUCPR- Ponfíca Unversdade Caólca Do Paraná PPGIA- Programa de Pós-Graduação Em Informáca Aplcada PROF. DR. JACQUES FACON IMIARIZAÇÃO POR ENTROPIA DE WUU Resumo: Uma nova écnca de marzação baseada em
Leia maisFILTROS ATIVOS: UMA ABORDAGEM COMPARATIVA. Héctor Arango José Policarpo G. Abreu Adalberto Candido
FILTROS ATIVOS: UMA ABORDAGEM COMPARATIVA Hécor Arango José Polcaro G. Abreu Adalbero Canddo Insuo de Engenhara Elérca - EFEI Av. BPS, 1303-37500-000 - Iajubá (MG) e-mal: arango@ee.efe.rmg.br Resumo -
Leia maisMECÂNICA CLÁSSICA. AULA N o 3. Lagrangeano Princípio da Mínima Ação Exemplos
MECÂNICA CÁSSICA AUA N o 3 agrangeano Prncípo da Mínma Ação Exemplos Todas as les da Físca êm uma esruura em comum: as les de uma parícula em movmeno sob a ação da gravdade, o movmeno dado pela equação
Leia maisIluminação e FotoRealismo: Radiosidade
Ilumnação e oorealsmo: Radosdade Luís Paulo Pexoo dos Sanos hp://gec.d.umnho.p/mcgav/fr Premssas Todas as neracções dos obecos com a luz são dfusas L( x Θ) = L( x), Θ Ω Podemos enão quanfcar a radosdade
Leia mais5 Avaliação do Título Conversível pelo Método de Diferenças Finitas Implícito (DFI)
5 Avalação do Tíulo Conversível pelo Méodo de Dferenças Fnas Implíco (DFI) 5. Meodologa - Premssas Ese modelo desenvolvdo para apreçameno do LYON faz uso da eora de opções desenvolvda por Black and Scholes
Leia mais5 Apreçamento de ESOs com preço de exercício fixo
5 Apreçameno de ESOs com preço de exercíco fxo Ese capíulo rá explorar os prncpas modelos de apreçameno das ESOs ulzados hoje em da. Neses modelos a regra de decsão é esruurada em orno da maxmzação do
Leia maisFísica I. 2º Semestre de Instituto de Física- Universidade de São Paulo. Aula 5 Trabalho e energia. Professor: Valdir Guimarães
Físca I º Semesre de 03 Insuo de Físca- Unversdade de São Paulo Aula 5 Trabalho e energa Proessor: Valdr Gumarães E-mal: valdrg@.usp.br Fone: 309.704 Trabalho realzado por uma orça consane Derenemene
Leia maisSolução numérica de equações diferenciais ordinárias. Problema de valor inicial (PVI)
Solução numérca de equações derencas ordnáras Problema de valor ncal PVI 4 5 Inrodução 4 5 Uma equação derencal ordnára é denda como uma equação que envolve uma unção ncógna e algumas das suas dervadas
Leia maisTráfego em Redes de Comutação de Circuitos
Caracerzação do ráfego nálse de ssemas de esados nálse de ráfego em ssemas de erda nálse de ráfego em ssemas de araso Bloqueo em ssemas de andares múllos Máro Jorge Leão Inenconalmene em branco Caracerzação
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisF-128 Física Geral I. Aula exploratória-10a UNICAMP IFGW
F-8 Físca Geral I Aula exploraóra-a UNICAMP IFGW username@f.uncamp.br Varáves roaconas Cada pono do corpo rígdo execua um movmeno crcular de rao r em orno do exo. Fgura: s=r Deslocameno angular: em radanos
Leia mais5 Programação Matemática Princípios Básicos
5 Programação Maemáca Prncípos Báscos 5. Consderações Geras Ese capíulo em por objevo apresenar os conceos báscos de Programação Maemáca (PM), necessáros à compreensão do processo de omzação de dmensões,
Leia maisCamadas intermediárias ... Figura 3.1: Exemplo de arquitetura de uma rede neural de múltiplas camadas
3 EDES NEUAIS E SVM Nesse caíulo serão nroduzdos conceos de edes Neuras e Máquna de Veores Suore (SVM) necessáros ara comreensão da meodologa desenvolvda. 3. edes Neuras As redes neuras são modelos maemácos
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais2. FUNDAMENTOS DE CORRENTE ALTERNADA
Fundamenos de CA 14. FUNDAENTOS DE CORRENTE ALTERNADA Aé o momeno nos preocupamos somene com ensões e correnes conínuas, ou seja, aquelas que possuem módulo e sendo consanes no empo, conforme exemplos
Leia maisCAPÍTULO 9 MODELOS DE REGRESSÃO COM VARIÁVEIS BINÁRIAS
Economera Semesre 200.0 40 CAPÍTULO 9 MODELOS DE REGRESSÃO COM VARIÁVEIS BINÁRIAS OBJETIVOS Consderar modelos em que uma ou mas varáves explcavas são varáves nomnas (ambém chamadas de ndcadores, varáves
Leia maisCAPÍTULO 2 PLANEJAMENTO DA OPERAÇÃO E FORMAÇÃO DO PREÇO SPOT EM UM MERCADO COMPETITIVO DE ENERGIA ELÉTRICA
CAPÍTULO 2 PLANEJAMEO DA OPERAÇÃO E FORMAÇÃO DO PREÇO SPOT EM UM MERCADO COMPETITIO DE ENERIA ELÉTRICA 2. IRODUÇÃO Ese capíulo apresena um resumo dos prncpas conceos relaconados ao planeameno da operação
Leia maisNOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES
NOTAS DE AULA DA DISCIPLINA CE76 3 DISTRIBUIÇÃO NORMAL MULTIVARIADA 3 DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES A densdade normal multvarada é uma generalação da densdade normal unvarada ara dmensões
Leia maisUFGD 2015 DANIEL KICHESE
Quesão 59: º) Deermnação dos ponos de nerseção: 5 5 º Pono : B 5 5 º Pono : C 5 5 º Pono : B C C º) Deermnação da Área: B 5 5 5 / e 0 e 5 5 5 5 e 0 5 5/ 5 5 0 0 0 5 5 Resposa: E Quesão 60: Número de blhees
Leia maisDíodo: Regime Dinâmico
Díodo: eme Dnâmco (exo apoo ao laboraóro) Inrodução Quando se esabelece m crcuo uma ensão ou correne varáves no empo o pono de funconameno em repouso do díodo ambém va varar no empo. A frequênca e amplude
Leia maisMódulo 2: Métodos Numéricos. (problemas de valores iniciais e problemas de condições-fronteira)
Módulo : Méodos Numércos Equações dferencas ordnáras problemas de valores ncas e problemas de condções-fronera Modelação Compuaconal de Maeras -5. Equações dferencas ordnáras - Inrodução Uma equação algébrca
Leia maisGripe: Época de gripe; actividade gripal; cálculo da linha de base e do respectivo intervalo de confiança a 95%; e área de actividade basal.
Grpe: Época de grpe; acvdade grpal; cálculo da lnha de ase e do respecvo nervalo de confança a 95%; e área de acvdade asal. ÉPOCA DE GRPE Para maor facldade de compreensão será desgnado por época de grpe
Leia maisConceitos Básicos de Circuitos Elétricos
onceos Báscos de rcuos lércos. nrodução Nesa aposla são apresenados os conceos e defnções fundamenas ulzados na análse de crcuos elércos. O correo enendmeno e nerpreação deses conceos é essencal para o
Leia maisContabilometria. Números-Índices
Coablomera Números-Ídces Foes: Seveso (1981) Esaísca Alcada à Admsração Ca. 15 Foseca, Mars e Toledo (1991) Esaísca Alcada Ca. 5 Números-Ídces Sezam modfcações em varáves ecoômcas durae um eríodo de emo
Leia maisIluminação e FotoRealismo: Radiosidade
Ilumnação e oorealsmo: Radosdade Luís Paulo Pexoo dos Sanos hp://gec.d.umnho.p/mcgav/fr Premssas Todas as neracções da luz com os obecos são dfusas L x Θ L x, Θ Ω Expressa em ermos de radosdade W/m 2 r
Leia maisMECÂNICA CLÁSSICA. AULA N o 9. Colchetes de Poisson Simetrias Espaço de Fases Transformações Canônicas (Hamiltoniano)
1 MECÂNICA CLÁSSICA AULA N o 9 Colchetes de Posson Smetras Esaço de Fases Transformações Canôncas (amltonano) O Esaço de Fases tem uma estrutura assocada a s. Esaços ossuem estruturas, que se referem aos
Leia maisLISTA DE EXERCÍCIOS ENGENHARIA DE RESERVATÓRIOS
PÓS-GRADUAÇÃO EM ENGENHARIA DE PETRÓLEO E GÁS NATURAL LISTA DE EXERCÍCIOS ENGENHARIA DE RESERVATÓRIOS 1. Consdere o esquema de searação FLASH mosrado na fura a seur que reresena o rocesso que ocorre em
Leia maisProf. Lorí Viali, Dr. UFRGS Instituto de Matemática - Departamento de Estatística
Prof Lorí Viali, Dr viali@maufrgsbr h://wwwmaufrgsbr/~viali/ Moivação Na ráica, não exise muio ineresse na comaração de reços e quanidades de um único arigo, como é o caso dos relaivos, mas sim na comaração
Leia maisTratamento de Dados 2º Semestre 2005/2006 Tópicos de Resolução do Trabalho 2 = 12
Traaeno de Dados º Seesre 5/6 Tópcos de Resolução do Trabalho Quesão a Para agrupar os dados e classes ora consderados os valores das rendas aé 5. ua vez que a parr dese valor os dados se enconra basane
Leia maisPropagação de dano no modelo de Ising unidimensional
Capíulo 4 Propagação de dano no modelo de Isng undmensonal 4. Propagação de dano O méodo da propagação de dano é uma écnca relavamene nova, nroduzda por Kauffman 68 no conexo dos auômaos celulares, que
Leia maisProposta de resolução do Exame Nacional de Matemática A 2016 (2 ạ fase) GRUPO I (Versão 1) Logo, P(A B) = = = Opção (A)
Proosta de resolução do Eame Naconal de Matemátca A 0 ( ạ fase) GRUPO I (Versão ). P( A B) 0, P(A B) 0, P(A B) 0, P(A B) 0,4 P(A) + P(B) P(A B) 0,4 Como P(A) 0, e P(B) 0,, vem que: 0, + 0, P(A B) 0,4 P(A
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Parca Mara Borolon. Sc. Modelos de ados em Panel Fone: GUJARATI;. N. Economera Básca: 4ª Edção. Ro de Janero. Elsever- Campus 006 efnções Geras Nos dados em panel a mesma undade de core
Leia mais2. A Medição da Actividade Económica Grandezas Nominais e Reais e Índices de Preços
2. A Medção da Acvdade Económca 2.4. Grandezas Nomnas e Reas e Índces de Preços Ouubro 2007, nesdrum@fe.u. Sldes baseados no guão dsonível no se da cadera 1 2.4. Grandezas Nomnas e Reas e Índces de Preços
Leia maisAULA Espaços Vectoriais Estruturas Algébricas.
Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os
Leia maisNOTAÇÕES. x 2y < 0. A ( ) apenas I. B ( ) apenas I e II. C ( ) apenas II e III. D ( ) apenas I e III. E ( ) todas. . C ( ) [ ] 5, 0 U [1, )
NOTAÇÕES C é o conjuno dos números complexos R é o conjuno dos números reais N = {,,,} i denoa a unidade imaginária, ou seja, i = - z é o conjugado do número complexo z Se X é um conjuno, P(X) denoa o
Leia maisOPF básico - Exemplo de aplicação dos conceitos de optimização não linear Notas para a disciplina de DOSE (LEEC-FEUP)
OF básco - Exemlo de alcação dos concetos de otmzação não lnear Notas ara a dsclna de DOSE (EE-FEU Manuel Matos FEU, 4. Introdução A nclusão das equações do trânsto de otêncas no roblema do desacho económco
Leia maisAPÊNDICE A. Rotação de um MDT
APÊNDICES 7 APÊNDICE A Roação de um MDT 8 Os passos seguidos para a realização da roação do MDT foram os seguines: - Deerminar as coordenadas do cenro geomérico da região, ou pono em orno do qual a roação
Leia mais5.1 O Processo TAR. é definida como um processo limiar auto-regressivo com h. regimes se puder ser representada por (5) ). Os termos ,...
5 O Modelo Não-Lnear Como vso no capíulo aneror, há espaço para uma análse mas profunda da função de reação do Banco Cenral do Brasl. Auores como Clarda, Gal e Gerler (2000) e Cogley e Sargen (2001) examnam
Leia maisPágina 293. w1 w2 a b i 3 bi a b i 3 bi. 2w é o simétrico do dobro de w. Observemos o exemplo seguinte, em que o afixo de 2w não
Preparar o Exame 0 0 Matemátca A Págna 9. Se 5 5 é o argumento de z, é argumento de z e 5 5. Este ângulo é gual ao ângulo de ampltude 5 é argumento de z.. Resposta: D w w a b b a b b. a b a a b b b bem
Leia maisDepartamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina:
Deparameno de Informáca Dscplna: Modelagem Analíca do Desempenho de Ssemas de Compuação Fluxos de Enrada Fluxos de Saída Le de Lle Faor de Ulzação rof. Sérgo Colcher colcher@nf.puc-ro.br rocesso de Chegada
Leia maisMAP Cálculo Numérico e Aplicações
MAP0151 - Cálculo Numérco e Aplcações Lsta 5 (Correção Neste ponto, todos já sabemos que todas as questões têm o mesmo valor, totalzando 10.0 pontos. (Questão 1 Fque com vontade de fazer mas do que fo
Leia mais22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos
Razão de crescmento desse temo Imortânca de análse de algortmos Um mesmo roblema ode, em mutos casos, ser resolvdo or város algortmos. Nesse caso, qual algortmo deve ser o escolhdo? Crtéro 1: fácl comreensão,
Leia maisLISTA DE EXERCÍCIOS DE RECUPERAÇÃO 1º TRIMESTRE MATEMÁTICA
LISTA DE EXERCÍCIOS DE RECUPERAÇÃO º TRIMESTRE MATEMÁTICA ALUNO(a): Nº: SÉRIE: ª TURMA: UNIDADE: VV JC JP PC DATA: / /07 Obs.: Esa lsa deve ser enregue resolvda no da da prova de recuperação. Valor: 5,0
Leia maisANÁLISE DE VIBRAÇÕES DE PASSARELAS TUBULARES MISTAS (AÇO- CONCRETO) VIA MÉTODO DOS ELEMENTOS FINITOS
Blucher Mechancal Engneerng roceedngs May 204, vol., num. www.roceedngs.blucher.com.br/eveno/0wccm ANÁLISE DE VIBRAÇÕES DE ASSARELAS TUBULARES MISTAS (AÇO- CONCRETO) VIA MÉTODO DOS ELEMENTOS FINITOS G.
Leia maisFundamentos de Telecomunicações 2004/05
Fundamenos de elecomunicações 4/5 INSIUO SUPERIOR ÉCNICO Série de Prolemas nº 5 Pare I - ransmissão Digial em Banda de Base Prolema. Considere uma sequência inária de símolos esaisicamene indeendenes e
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisMAE 5776 ANÁLISE MULTIVARIADA
MAE 5776 ANÁLISE MULTIVARIADA Júla M Pavan Soler avan@me.us.br º Sem/09 - IME n n j Análse Multvarada Matrz de Dados: Estatístcas descrtvas multvaradas em, e Esódes de Concentração, Boxlot Bvarado, Esaços
Leia maisModelo de Precificação de Capital: Segmento de Commodities Agrícola
Modelo de Precfcação de Capal: Segmeno de Commodes Agrícola Capal Asse Prcng Model: Secor of Agrculural Commodes Táco Auguso Faras 1 Luz Eduardo Nascmeno Fgueredo Fábo Rodrgues Moura 3 Resumo: O objevo
Leia maisOtimização da Programação Operacional de Unidades Hidrelétricas
1 Omzação da Programação Oeraconal de Undades Hdrelércas G. R. Colnago, FEM/UICAMP; P. B. Correa, FEM/UICAMP;. Ohsh FEEC/UICAMP; A. F. R. Araújo, CIn/UFPE; J.. F. Pllon FEM/UICAMP; A. G. Gomes FEM/UICAMP
Leia maisAntónio Costa. Paulo Roma Cavalcanti
Inrodção à Compação Gráfica Geomeria Adapação: Aoria: João alo ereira Anónio Cosa Cladio Esperança alo Roma Caalcani onos e Vecores (2D) ono: Denoa posição no plano ( Vecor: Denoa deslocameno, iso é, incli
Leia maisProposta de resolução do Exame Nacional de Matemática A 2017 (2 ạ fase) GRUPO I (Versão 1) Assim, 2! 3! 4 = 48 é a resposta pedida.
Proosta de resolução do Eame Naconal de Matemátca A 7 ( ạ fase) GRUPO I (Versão ) P P I I I. 3 3! 3! = 6 = 8 Estem quatro maneras dstntas de os algarsmos ares estarem um a segur ao outro (PPIII ou IPPII
Leia mais4 Procedimentos de solução
4 Procedimenos de solução De acordo com Leis e chrefler (998), os roblemas de acolameno fluido mecânico odem ser resolvidos aravés de esraégias acoladas ou desacoladas. As soluções acoladas dividem-se
Leia maisDinâmica Estocástica. Instituto de Física, outubro de 2016
Dnâmca Esocásca Insuo de Físca ouubro de 206 Dnâmcas esocáscas com mudança de um sío Dnâmca de Meropols e dnâmca de Glauber para o modelo de Isng 2 Dnâmcas esocáscas para o modelo de Isng Ssema defndo
Leia maisNota Técnica sobre a Circular nº 2.972, de 23 de março de 2000
Noa Técnca sobre a rcular nº 2.972, de 23 de março de 2000 Meodologa ulzada no processo de apuração do valor da volaldade padrão e do mulplcador para o da, dvulgados daramene pelo Banco enral do Brasl.
Leia maisANÁLISE DE PAVIMENTOS DE CONCRETO ARMADO COM A CONSIDERAÇĂO DA NĂO-LINEARIDADE FÍSICA
ANÁLISE DE PAVIMENTOS DE CONCRETO ARMADO COM A CONSIDERAÇĂO DA NĂO-LINEARIDADE FÍSICA Rchard Sarz Olvera & Márco Robero Slva Corrêa Resumo Ese rabalho raa da evolução naural do modelo de cálculo em regme
Leia maisMétodos de Agrupamento e Componentes Principais: Teoria e Aplicações
Métodos de Agruamento e Comonentes Prncas: Teora e Alcações Danele Barroca Marra Alves Enuce Menezes de Souza Faculdade de Cêncas e Tecnologa - UNESP 96-9, Presdente Prudente, SP E-mal: danbarroca@yahoo.com.br,
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisAula 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 mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisCAPÍTULO IV PROPRIEDADES GEOMÉTRICAS DA SEÇÃO TRANSVERSAL
CPÍTULO IV PROPRIEDDES GEOMÉTRICS D SEÇÃO TRNSVERSL Propredades Geométrcas da Seção Transversal 4. Propredades Geométrcas da Seção Transversal 4.. Introdução O presente trabalho é desenvolvdo paralelamente
Leia maisUma análise da não-linearidade da função de reação do Banco Central do Brasil: Avesso a Inflação ou a Recessão?
Uma análse da não-lneardade da função de reação do Banco Cenral do Brasl: Avesso a Inflação ou a Recessão? Terence de Almeda Pagano José Luz Ross Júnor Insper Workng Paper WPE: 88/9 Coprgh Insper. Todos
Leia maisDESESPERANÇA DE VIDA: HOMICÍDIO EM MINAS GERAIS, RIO DE JANEIRO E SÃO PAULO 1981 A
DESESPERANÇA DE VIDA: HOMICÍDIO EM MINAS GERAIS, RIO DE JANEIRO E SÃO PAULO 98 A 997 Mônca Vegas Andrade 2 Marcos de Barros Lsboa 3 RESUMO Esse rabalho em como objevo esudar o comorameno da axa de homcído
Leia maisEN3604 FILTRAGEM ADAPTATIVA
EN3604 FILTRAGEM ADAPTATIVA Processameno de Snas em Arranjos Técncas de processameno consderando snas provenenes de um grupo de sensores espacalmene dsrbuídos. Poencal para melhorar SNR/ Cancelameno de
Leia maisCAPÍTULO 1 REPRESENTAÇÃO E CLASSIFICAÇÃO DE SISTEMAS. Sistema monovariável SISO = Single Input Single Output. s 1 s 2. ... s n
1 CAPÍTULO 1 REPREENTAÇÃO E CLAIFICAÇÃO DE ITEMA 1.1. Represenação de ssemas 1.1.1. semas com uma enrada e uma saída (IO) e sema monovarável IO = ngle Inpu ngle Oupu s e = enrada s = saída = ssema 1.1..
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais3 Análise de Demanda Condicionada
3 Análse de Demanda Condconada 3.1 Inrodução A análse Condconada da Demanda é uma écnca que quebra o consumo resdencal em pares, cada uma assocada a um uso fnal ou a um deermnado equpameno em parcular.
Leia maisProblemas de engenharia
Análse de Sstemas de otênca Análse de Sstemas de otênca ( AS ) Aula 3 Operação Econômca de Sstemas de otênca 03//008 roblemas de engenhara Análse de Sstemas de otênca ( AS ) ANÁLISE Defndo o sstema, determnar
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisMESTRADO EM CIÊNCIAS DE GESTÃO/MBA. MÉTODOS QUANTITATIVOS APLICADOS À GESTÃO V Funções Exponencial, Potência e Logarítmica
MESTRADO EM IÊNIAS DE GESTÃO/MBA MÉTODOS QUANTITATIVOS APIADOS À GESTÃO V Funções Eponencal, Poênca e ogaríca V- FUNÇÕES EXPONENIA, POTÊNIA E OGARÍTMIA. U capal, coposo anualene a ua aa de juro anual durane
Leia mais3 Dados e Modelo Econométrico 3.1. A amostra de funcionários públicos
3 Dados e Modelo Economérco 3.1. A amosra de funconáros públcos Os dados usados nese esudo êm como fone a Pesqusa Naconal de Amosra por Domcílo (PNAD, uma pesqusa domclar realzada anualmene no Brasl pelo
Leia maisMatemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t
Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,
Leia maisPROF. DR. JACQUES FACON
PUCPR- Ponifícia Universidade Caólica Do Paraná PPGIA- Programa de Pós-Graduação Em Informáica Alicada PROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE RENYI Resumo: Segmenação de imagem é um méodo
Leia mais1 Equação de Transporte de Quantidade de Movimento
Equação de Transore de Quandade de Momeno. Inrodução A equação de ransore de quandade de momeno em a forma de qualquer equação de eolução: d d ssema βdv βdv ( β. n) da (Fluo dfuso) (Fones - Poços) c surface
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisMECÂNICA CLÁSSICA. AULA N o 4. Carga de Noether- Simetrias e Conservação
MECÂNIC CLÁSSIC UL N o 4 Carga de Noeher- Smeras e Conservação Vamos ver o caso de uma parícula movendo-se no plano, porém descrevendo-a agora em coordenadas polares: r r d dr T T m dr m d r d d m r m
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia mais2. Circuitos de rectificação monofásicos
EECTÓNICA E POTÊNCIA Crcuos de recfcação monofáscos Colecção de Problemas 2.1 2. Crcuos de recfcação monofáscos Exercíco nº2.1 eermne a expressão da ensão na ressênca e o seu dagrama emporal, em função
Leia maisUniversidade Estadual do Sudoeste da Bahia
Universidade Esadual do Sudoese da Bahia Dearameno de Ciências Exaas e Naurais.1- Roações, Cenro de Massa e Momeno Física I Prof. Robero Claudino Ferreira Índice 1. Movimeno Circular Uniformemene Variado;.
Leia mais3.2 Processo de Wiener
3. Proceo de Wener Proceo de Wener, ou Movmeno Brownano, é um po parcular de Proceo de Markov, muo ulzado na fíca para decrever o movmeno de uma parícula que eá ujea a um grande número de pequeno choque
Leia mais2.1. Modelos Baseados em Premissas de Distribuições Simulação de Monte Carlo
2 Value-a-Rsk Anes de adenrar na seara que raa o ermo cenral dese capíulo, é neressane realzar uma cação da evolução hsórca do esudo do rsco. Joron (2003, p. 10) resume os prncpas rabalhos aravés da abela
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia mais