Uma Introdução à Otimização sob Incerteza Aula 3
|
|
- Raquel Mota Salgado
- 6 Há anos
- Visualizações:
Transcrição
1 Uma Introdução à Otimização sob Incerteza Aula 3 Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento de Matemática Aplicada Universidade Federal Fluminense III Bienal da SBM Universidade Federal de Goiás 6 a 10 de novembro de 2006 B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 1
2 Quem fez o dever de casa? (Exercício [05] do Capítulo 3) A solução está valendo um chocolate! B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 2
3 Quem fez o dever de casa? minimizar x 1 + x 2 + q 1 E ω1 [(ω 1 x 1 + x 2 7) ] + q 2 E ω2 [(ω 2 x 1 + x 2 4) ] sujeito a x 1 0, x 2 0, é equivalente a minimizar g(x 1, x 2 ) = x 1 + x 2 + Q(x 1, x 2 ) sujeito a x 1 0, x 2 0, onde [ { ω Q(x 1, x 2 ) = E min q 1 y 1 + q 2 y 1 x 1 + x 2 + y y 1 0, y 2 0 ω 2 x 1 + x 2 + y 2 4 } ] B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 3
4 Otimização estocástica Espere e Veja (Wait and See) Aqui e Agora (Here and Now) 1 Eliminar incertezas 2 Incorporar riscos nas restrições (chance constraints) a Níveis de confiabilidade individuais b Nível de confiabilidade conjunto 3 Aceitar inadmissibilidade penalizando déficits B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 4
5 O problema da produção Minimizar do custo de produção c x sob a restrição de que a produção x atenda à demanda ω: minimizar f (x) = c x sujeito a x = ω, x 0, A demanda ω é uma variável aleatória contínua não-negativa, com B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 5
6 O problema da produção Minimizar do custo de produção c x sob a restrição de que a produção x atenda à demanda ω: minimizar f (x) = c x sujeito a x = ω, x 0, A demanda ω é uma variável aleatória contínua não-negativa, com 1 Média: µ = E [ω] 2 Variância: σ 2 = E [ (ω E [ω]) 2] 3 Função distribuição: F (t) = P (ω t), com t R B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 6
7 O problema da produção Abordagem espere e veja Se o agente de decisão pode esperar pela realização da demanda ω antes de escolher o valor da produção x, então o problema é fácil se resolver: x (ω) = ω e v (ω) = c x (ω) = c ω B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 7
8 O problema da produção Abordagem espere e veja Se o agente de decisão pode esperar pela realização da demanda ω antes de escolher o valor da produção x, então o problema é fácil se resolver: x (ω) = ω e v (ω) = c x (ω) = c ω Abordagem aqui e agora 1 Abolir incertezas Substituir ω por ω = µ ou ω = µ + (com = σ ou = 2 σ) Probabilidade de que a demanda seja satisfeita (nível de serviço): P (ω µ + ) = F (µ + ) B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 8
9 O problema da produção Abordagem aqui e agora 2 Incorporar riscos nas restrições Construir uma restrição probabilística do tipo P (x = ω) α não é conveniente B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 9
10 O problema da produção Abordagem aqui e agora 2 Incorporar riscos nas restrições Construir uma restrição probabilística do tipo P (x = ω) α não é conveniente Para valores adequados de α 1 e α 2, também não é conveniente construir restrições probabilísticas combinadas: P (x ω) α 1 e P (x ω) α 2 B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 10
11 O problema da produção Abordagem aqui e agora 2 Incorporar riscos nas restrições Construir uma restrição probabilística do tipo P (x = ω) α não é conveniente Para valores adequados de α 1 e α 2, também não é conveniente construir restrições probabilísticas combinadas: P (x ω) α 1 e P (x ω) α 2 É preciso estabelecer prioridades: escolha α (1/2, 1) e modele o problema da mistura como { min {cx P (x ω) α} = min cx x F 1 (α) } x 0 x 0 cuja solução é, evidentemente, x = F 1 (α) B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 11
12 O problema da produção Abordagem aqui e agora 3 Aceitar inadmissibilidade, penalizando desvios Penalizamos superávits e déficits: Q(x) = E [ h (ω x) + q (ω x) +], onde z = { 0, se z 0, z, se z < 0, e z + = { z, se z 0, 0, se z < 0, O problema original fica então assim: minimizar f (x) = c x + Q(x) sujeito a x 0, B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 12
13 O problema da produção Abordagem aqui e agora 3 Aceitar inadmissibilidade, penalizando desvios Como f (x) = c + Q (x) = c q + (q + h) F (x), segue-se que a solução ótima é dada por ( ) q c x = F 1 q + h B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 13
14 O problema da produção Abordagem aqui e agora 3 Aceitar inadmissibilidade, penalizando desvios Como f (x) = c + Q (x) = c q + (q + h) F (x), segue-se que a solução ótima é dada por ( ) q c x = F 1 q + h Se h = 0, esta solução coincide com a solução obtida por chance constraints se q c = 1 1 α B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 14
15 O problema da produção Abordagem aqui e agora 3 Aceitar inadmissibilidade, penalizando desvios α (nível de confiabilidade) q/c (custo de déficit/custo de produção) Esta tabela é interessante: ela nos dá uma idéia de que valores escolher para o custo q em termos do nível de confiabilidade α B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 15
16 Modelos de Recurso B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 16
17 Motivação: programação linear por metas min {cx Ax = b e Tx h} x X onde X = {x R n x x x} ou X = {x R n 0 x < + }, c R n, A é m n, b R em, T é m n, h R m, cx = c 1 x 1 + c 2 x c n x n = n i=1 c i x i, o símbolo representa uma das relações =, (componente a componente) e B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 17
18 Motivação: programação linear por metas min {cx Ax = b e Tx h} x X Restrições rígidas : Ax = b B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 18
19 Motivação: programação linear por metas min {cx Ax = b e Tx h} x X Restrições rígidas : Ax = b Restrições flexíveis: Tx h B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 19
20 Motivação: programação linear por metas min {cx Ax = b e Tx h} x X Restrições rígidas : Ax = b Restrições flexíveis: Tx h A idéia é penalizar os desvios de meta z = h Tx das restrições flexíveis através de uma função de penalidade z v(z) que é incorporada à função objetivo do problema de otimização original: min {cx + v(h Tx) Ax = b} x X = min {cx + v(z) Ax = b e Tx + z = h} x X B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 20
21 Como escolher a função de penalidade v? Notação T = t 1 t 2, h = h 1 h 2 e z = z 1 z 2 t m h m z m Tx h z = h Tx 0 t i x h i z i = h i t i x 0 i = 1,, m B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 21
22 Como escolher a função de penalidade v? Notação T = t 1 t 2, h = h 1 h 2 e z = z 1 z 2 t m h m z m Tx h z = h Tx 0 t i x h i z i = h i t i x 0 i = 1,, m t i x h i z i = h i t i x 0 B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 22
23 Como escolher a função de penalidade v? Notação T = t 1 t 2, h = h 1 h 2 e z = z 1 z 2 t m h m z m Tx h z = h Tx 0 t i x h i z i = h i t i x 0 i = 1,, m t i x h i z i = h i t i x 0 B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 23
24 Como escolher a função de penalidade v? Notação T = t 1 t 2, h = h 1 h 2 e z = z 1 z 2 t m h m z m Tx h z = h Tx 0 t i x h i z i = h i t i x 0 i = 1,, m t i x = h i z i = h i t i x = 0 B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 24
25 Função de penalidade com custos individuais v(z) = m v i (z i ) = i=1 m ( ) q i z + i + q i z i }{{} v i (z i ) i=1 Como escolher q i e q i? B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 25
26 Função de penalidade com custos individuais v(z) = m v i (z i ) = i=1 m ( ) q i z + i + q i z i }{{} v i (z i ) i=1 Como escolher q i e q i? Restrição do tipo t i x = h i (isto é, z i = 0): Penalizamos superávits escolhendo q i > 0 e penalizamos déficits q i > 0 A função v i é convexa como soma de funções convexas B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 26
27 Função de penalidade com custos individuais v(z) = m v i (z i ) = i=1 m ( ) q i z + i + q i z i }{{} v i (z i ) i=1 Como escolher q i e q i? Restrição do tipo t i x h i (isto é, z i 0): Penalizamos superávits escolhendo q i > 0 e premiamos déficits escolhendo q i < 0 A função v i é convexa se q i + q i 0 B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 27
28 Função de penalidade com custos individuais v(z) = m v i (z i ) = i=1 m ( ) q i z + i + q i z i }{{} v i (z i ) i=1 Como escolher q i e q i? Restrição do tipo t i x h i (isto é, z i 0): Premiamos superávits escolhendo q i < 0 e penalizamos déficits escolhendo q i > 0 A função v i é convexa se q i + q i 0 B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 28
29 Função de penalidade com custo conjunto Supondo que todas as restrições são da forma z i 0: v(z) = v(z 1, z 2,, z m ) = q 0 max{z 1, z 2,, z m} A função v é convexa se q 0 0 B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 29
30 Função de penalidade via ações de recurso Ingredientes necessários para construir a função de penalidade: 1 Uma estrutura de recurso (q, W) Aqui q R p (vetor de custos) e W é m p (matriz de recurso) 2 Um conjunto Y de variáveis de recurso Y = {y R p y y y} ou Y = {y R p 0 y + } = R p + A função de recurso v é então definida por: v(z) = min {qy Wy z} y Y B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 30
31 Função de penalidade via ações de recurso Escolhendo-se uma estrutura de recurso adequado, é possível recuperar a função de penalidade com custos individuais e com custo conjunto definidas anteriormente! B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 31
32 Função de penalidade via ações de recurso v i (z i ) = q i z + i + q i z i B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 32
33 Função de penalidade via ações de recurso v i (z i ) = q i z + i + q i z i q = ( q i, q i ) R R = R 2, W = [ +1 1 ] 1 2, Y = R + R + = R 2 + B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 33
34 Função de penalidade via ações de recurso v i (z i ) = q i z + i + q i z i q = ( q i, q i ) R R = R 2, W = [ +1 1 ] 1 2, Y = R + R + = R 2 + v i (z i ) = min y Y {qy Wy = z i} B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 34
35 Função de penalidade via ações de recurso v i (z i ) = q i z + i + q i z i q = ( q i, q i ) R R = R 2, W = [ +1 1 ] 1 2, Y = R + R + = R 2 + v i (z i ) = min {qy Wy = z i} y Y { [ ] [ y = min q q y 0,y 0 y ] [ +1 1 ] [ y y ] = [ z i ] } B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 35
36 Função de penalidade via ações de recurso v i (z i ) = q i z + i + q i z i q = ( q i, q i ) R R = R 2, W = [ +1 1 ] 1 2, Y = R + R + = R 2 + v i (z i ) = min {qy Wy = z i} y Y { [ ] [ y = min q q y 0,y 0 y = min { } qy + qy y y = zi y 0,y 0 ] [ +1 1 ] [ y y ] = [ z i ] } B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 36
37 Função de penalidade via ações de recurso v i (z i ) = q i z + i + q i z i q = ( q i, q i ) R R = R 2, W = [ +1 1 ] 1 2, Y = R + R + = R 2 + v i (z i ) = min {qy Wy = z i} y Y { [ ] [ y = min q q y 0,y 0 y = min { } qy + qy y y = zi y 0,y 0 ] [ +1 1 ] [ y y ] = [ z i ] } = q i z + i + q i z i B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 37
38 Função de penalidade via ações de recurso v(z) = v(z 1, z 2,, z m ) = q 0 max{z 1, z 2,, z m} B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 38
39 Função de penalidade via ações de recurso v(z) = v(z 1, z 2,, z m ) = q 0 max{z 1, z 2,, z m} q = ( q 0 ) R, W = 1 1 m 1, Y = R + B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 39
40 Função de penalidade via ações de recurso v(z) = v(z 1, z 2,, z m ) = q 0 max{z 1, z 2,, z m} q = ( q 0 ) R, W = 1 1 m 1, Y = R + v(z) = min {qy Wy z} y Y B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 40
41 Função de penalidade via ações de recurso v(z) = v(z 1, z 2,, z m ) = q 0 max{z 1, z 2,, z m} q = ( q 0 ) R, W = 1 1 m 1, Y = R + v(z) = min y Y = min y 0 {qy Wy z} [ ] [ ] 1 q0 y 1 [ y ] z 1 z m B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 41
42 Função de penalidade via ações de recurso v(z) = v(z 1, z 2,, z m ) = q 0 max{z 1, z 2,, z m} q = ( q 0 ) R, W = 1 1 m 1, Y = R + v(z) = min y Y = min y 0 {qy Wy z} [ ] [ ] 1 q0 y 1 [ y ] = min y 0 {qy y z 1,, y z m } z 1 z m B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 42
43 Função de penalidade via ações de recurso v(z) = v(z 1, z 2,, z m ) = q 0 max{z 1, z 2,, z m} q = ( q 0 ) R, W = 1 1 m 1, Y = R + v(z) = min y Y = min y 0 {qy Wy z} [ ] [ ] 1 q0 y 1 [ y ] = min y 0 {qy y z 1,, y z m } = q 0 max{z 1, z 2,, z m}, z 1 z m B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 43
44 Modelos de recurso em otimização estocástica min {cx Ax = b e T(ω)x h(ω)} x X B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 44
45 Modelos de recurso em otimização estocástica min {cx Ax = b e T(ω)x h(ω)} x X ESTÁGIO 1 ESTÁGIO 2 decisão em x ocorre ω ação corretiva y B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 45
46 Modelos de recurso em otimização estocástica min {cx Ax = b e T(ω)x h(ω)} x X ESTÁGIO 1 ESTÁGIO 2 decisão em x ocorre ω ação corretiva y onde min {cx + E [v(z, ω)] Ax = b} x X v(z, ω) = min {q(ω)y W(ω)y h(ω) T(ω)x} y Y B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 46
47 Modelos de recurso em otimização estocástica min {cx + Q(x) Ax = b} x X onde [ ] Q(x) = E [v(z, ω)] = E min {q(ω)y W(ω)y h(ω) T(ω)x} y Y }{{} LP de segundo estágio B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 47
48 Modelos de recurso em otimização estocástica min {cx + Q(x) Ax = b} x X onde [ ] Q(x) = E [v(z, ω)] = E min {q(ω)y W(ω)y h(ω) T(ω)x} y Y }{{} LP de segundo estágio Perguntas: O problema de segundo estágio sempre está bem definido? A esperança (uma integral!) sempre é finita? Q é uma função simpática? B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 48
49 Modelos de recurso em otimização estocástica Perguntas: O problema de segundo estágio sempre está bem definido? A esperança (uma integral!) sempre é finita? Q é uma função simpática? B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 49
50 Modelos de recurso em otimização estocástica Perguntas: O problema de segundo estágio sempre está bem definido? Resposta: Sim, se W é de recurso completo ou de recurso simples, isto é, se z R m, y 0 Wy = z (recurso completo) ou W = [ +I I ] (recurso simples) A esperança (uma integral!) sempre é finita? Q é uma função simpática? B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 50
51 Modelos de recurso em otimização estocástica Perguntas: O problema de segundo estágio sempre está bem definido? Resposta: Sim, se W é de recurso completo ou de recurso simples, isto é, se z R m, y 0 Wy = z (recurso completo) ou W = [ +I I ] (recurso simples) A esperança (uma integral!) sempre é finita? Resposta: Sim, se ω tem segundos momentos finitos Q é uma função simpática? B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 51
52 Modelos de recurso em otimização estocástica Perguntas: O problema de segundo estágio sempre está bem definido? Resposta: Sim, se W é de recurso completo ou de recurso simples, isto é, se z R m, y 0 Wy = z (recurso completo) ou W = [ +I I ] (recurso simples) A esperança (uma integral!) sempre é finita? Resposta: Sim, se ω tem segundos momentos finitos Q é uma função simpática? Resposta: Sim! Q é convexa e diferenciável de ω tem distribuição contínua B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 52
53 A forma extensa { [ ] min cx + E min {q(ω)y W(ω)y = h(ω) T(ω)x} Ax = b} x X y Y B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 53
54 A forma extensa { [ ] min cx + E min {q(ω)y W(ω)y = h(ω) T(ω)x} Ax = b} x X y Y minimizar x X y 1,y 2,,y S Y cx + p 1 q 1 y 1 + p 2 q 2 y p S q S y S sujeito a Ax = b, T 1 x + Wy 1 h 1, T 1 x + Wy 2 h 2, T S x + Wy S h S, p s = P ( ω = ω S), q s = q(ω s ), y s = y(ω s ), T s = T(ω s ), h s = h(ω s ), W(ω) = W (recurso fixo) B K Pagnoncelli, H J Bortolossi Uma Introdução à Otimização sob Incerteza 54
Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2
Uma Introdução à Otimização sob Incerteza Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento de Matemática
Leia mais3. Otimização sob Incerteza
3. Otimização sob Incerteza Os problemas de otimização tentam resolver, de forma eficiente, situações do mundo real por meio de modelos matemáticos que utilizam parâmetros incertos. Pode-se encontrar na
Leia mais3 Otimização Sob Incerteza
3 Otimização Sob Incerteza Os problemas de otimização tentam resolver de forma eficiente situações do mundo real através de modelos matemáticos e comumente estão associados a parâmetros incertos, como
Leia maisBernardo Kulnig Pagnoncelli. Humberto José Bortolossi. XI Simpósio de Pesquisa Operacional e Logística da Marinha
Uma Introdução à Otimização sob Incerteza Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Bernardo Kulnig Pagnoncelli Departamento de Matemática Pontifícia
Leia maisJogos de soma zero com dois jogadores
Jogos de soma zero com dois jogadores Problema: Dada uma matriz A m n, encontrar um equilíbrio de Nash (de estratégias mistas). Jogador 1 quer encontrar p que maximize v sujeito a i p i = 1 sujeito a (pa)
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisControle Ótimo - Aula 2 (Exemplos 2, 3 e 4)
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4) Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Sistemas dinâmicos discretos no tempo O Problema
Leia maisABORDAGEM ESTOCÁSTICA COM RECURSO EM DOIS ESTÁGIOS APLICADA A UM PROBLEMA DE PROGRAMAÇÃO LINEAR SUJEITOS A INCERTEZAS
ABORDAGEM ESTOCÁSTICA COM RECURSO EM DOIS ESTÁGIOS APLICADA A UM PROBLEMA DE PROGRAMAÇÃO LINEAR SUJEITOS A INCERTEZAS Geovana Aparecida França dos Santos Universidade Estadual do Paraná Campus de Campo
Leia maisBernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2
Uma Introdução à Otimização sob Incerteza Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento de Matemática
Leia maisBernardo Kulnig Pagnoncelli. Humberto José Bortolossi. Departamento de Matemática Aplicada Universidade Federal Fluminense
Uma Introdução àotimização sob Incerteza Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Bernardo Kulnig Pagnoncelli Departamento de Matemática Pontifícia Universidade
Leia maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
Leia maisForecasting e ti O i Otim Oti ização de ã d Carteiras com Matlab AULA 3
Forecasting e Otimização i de Carteiras com Matlab AULA 3 Guia de Estudo para Aula 03 Modelos Discretos Exercícios - Formulação de um modelo - Programação de modelos com for - A simulação de um modelo
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisDEPARTAMENTO DE ENGENHARIA MECÂNICA
DEPARTAMENTO DE ENGENHARIA MECÂNICA Otimização: Algoritmos e Aplicações na Engenharia Mecânica ENG1786 & MEC2403 Ivan Menezes 2018-2 1 EMENTA 1. Introdução 1.1 Definições Básicas 1.2 Classificação dos
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisProgramação Linear - Parte 5
Matemática Industrial - RC/UFG Programação Linear - Parte 5 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 5 1/2016 1 / 29 Dualidade Os parâmetros de entrada são dados de acordo com
Leia mais3 Otimização Aplicada a Reconstituição de Acidentes
27 3 Otimização Aplicada a Reconstituição de Acidentes 3.1. Otimização A otimização é uma metodologia empregada para minimizar ou maximizar uma função e geralmente são utilizados em problemas onde existam
Leia maisEm 1970, Bellman e Zadeh (Bellman, 1970) apresentaram a otimização IX]]\, que é um conjunto de técnicas utilizadas em problemas de otimização com
4 ±0('/$ 5'd Muito já foi feito no desenvolvimento de metodologias para a resolução de problemas de programação linear IX]]\. Entretanto a grande parte dos trabalhos apresentados procurou obter uma solução
Leia maisMétodo Simplex. Marina Andretta ICMC-USP. 19 de outubro de 2016
Método Simplex Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização linear
Leia maisRepresentação de poliedros
Representação de poliedros Marina Andretta ICMC-USP 8 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 -
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisDegenerescência. Marina Andretta ICMC-USP. 19 de outubro de 2016
Degenerescência Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia mais4 Modelagem em Árvore
MODELAGEM EM ÁRVORE 39 4 Modelagem em Árvore 4.1 Introdução A modelagem por árvore de cenários é uma forma usual de representação de incertezas em problemas estocásticos multi-período [9, 14, 28, 42, 43].
Leia maisMétodo do Lagrangiano aumentado
Método do Lagrangiano aumentado Marina Andretta ICMC-USP 23 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 23 de novembro de 2010 1 / 17 Problema com restrições gerais Vamos
Leia maisMétodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
Leia maisIMPACTO DA REGULAÇÃO NA GESTÃO DE FUNDOS DE PENSÃO: RETORNO, RISCO E OTIMIZAÇÃO. Diego Delgado Lages
Ph.D. a COPPE/UFRJ IMPACTO DA REGULAÇÃO NA GESTÃO DE FUNDOS DE PENSÃO: RETORNO, RISCO E OTIMIZAÇÃO Diego Delgado Lages Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Engenharia de
Leia maisPoliedros na forma padrão
Poliedros na forma padrão Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia mais3 Operação das Térmicas e Sistemas Hidrotérmicos
3 Operação das Térmicas e Sistemas Hidrotérmicos 3.1 Sistemas Hidrotérmicos 3.1.1 Custos de oportunidade À primeira vista, as usinas hidrelétricas seriam sempre acionadas primeiro no despacho econômico,
Leia maisc PAVF 2 Produc~ao Considere o problema de determinar a melhor maneira de combinar varios insumos (p. ex., sementes, maquinario, trabalho humano, :::
c PAVF 1 Aplicac~oes Produc~ao Aproximac~ao Planejamento Controle Alocac~ao Geometria Equac~oes c PAVF 2 Produc~ao Considere o problema de determinar a melhor maneira de combinar varios insumos (p. ex.,
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Professora Renata Alcarde Piracicaba março 2014 Renata Alcarde Estatística Geral 27 de Março de 2014 1 / 42
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
Leia maisRevisão de Álgebra Linear
Introdução: Revisão de Álgebra Linear Antonio Elias Fabris Instituto de Matemática e Estatística Universidade de São Paulo Map 2121 Aplicações de Álgebra Linear Antonio Elias Fabris (IME-USP) Revisão de
Leia maisControle Ótimo - Aula 10 Princípio do Mínimo de Pontryagin
Controle Ótimo - Aula 10 Princípio do Mínimo de Pontryagin Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia mais2. DESIGUALDADES MATRICIAIS LINEARES
11 2. DESIGUALDADES MARICIAIS LINEARES Neste capítulo, introduziremos alguns conceitos básicos relacionados às Desigualdades Matriciais Lineares. Na seção 2.1, apresentamos uma introdução às LMI s; na
Leia maisLema de Farkas e desigualdades lineares
Lema de Farkas e desigualdades lineares Marina Andretta ICMC-USP 30 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP)
Leia maisCones e raios extremos
Cones e raios extremos Marina Andretta ICMC-USP 7 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProbabilidade. Variáveis Aleatórias Distribuição de Probabilidade
Probabilidade Variáveis Aleatórias Distribuição de Probabilidade Variáveis Aleatórias Variável Aleatória Indica o valor correspondente ao resultado de um experimento A palavra aleatória indica que, em
Leia mais5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO
5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO Neste capítulo, são apresentadas as medidas de risco usadas no setor elétrico e em finanças, analisando as propriedades da definição de medida de risco coerente [30].
Leia maisProgramação Matemática
Programação Matemática Docentes: Ana Paula, Franklina e Maristela Instituto de Ciências Matemáticas e de Computação - ICMC Universidade de São Paulo USP (Material Elaborado por Aline Leão modificado por
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisEstatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS. Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais
Estatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Modelo Uniforme Contínuo Uma variável aleatória X tem distribuição
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisEstatística e Probabilidade Aula 05 Distribuições de Probabilidades. Prof. Gabriel Bádue
Estatística e Probabilidade Aula 05 Distribuições de Probabilidades Prof. Gabriel Bádue Motivação Quais os possíveis resultados que poderão ser obtidos no lançamento de um dado não-viciado? Qual a probabilidade
Leia maisEstatística e Probabilidade Aula 7 Cap 04
Aula 7 Cap 04 Um estatístico é aquele que, se está com a cabeça em um forno e os pés enterrados no gelo, ainda diz que na média está tudo bem. Na aula anterior vimos... Variáveis aleatórias Distribuições
Leia maisMáxima Verossimilhança Método dos Mínimos Quadrados (Al
Departamento de Física Experimental Máxima Verossimilhança (Alexandre Grothendieck) 20-21 de maio de 2014 Alexandre Grothendieck - 1928 Recherche, 486 (2014) 26-41. 1951 1991? Prólogo Nesta apresentação
Leia maisLCE Introdução à Bioestatística Florestal 3. Variáveis aleatórias
LCE0216 - Introdução à Bioestatística Florestal 3. Variáveis aleatórias Profa. Dra. Clarice Garcia Borges Demétrio Monitores: Giovana Fumes e Ricardo Klein Escola Superior de Agricultura Luiz de Queiroz
Leia maisOptimização. Carlos Balsa. Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança
Optimização Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados Eng. Química e Industrial Carlos Balsa Matemática Aplicada
Leia maisProjeto de Escalonamento Alocação de médicos
Projeto de Escalonamento Alocação de médicos Atol Fortin de Oliveira 15 de dezembro de 2009 1 Sumário 1 Introdução 3 2 O Problema 4 2.1 Especicação do problema................... 4 2.2 Resumo das variáveis
Leia maisMétodo Simplex dual. Marina Andretta ICMC-USP. 24 de outubro de 2016
Método Simplex dual Marina Andretta ICMC-USP 24 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia mais5. Formulação Matemática do Modelo
5. Formulação Matemática do Modelo 5.1. Descrição do Problema O problema do gerenciamento de ativos e passivos de um investidor comum pode ser representado por um modelo complexo de programação linear
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisTeoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016
Teoria de dualidade Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisExistência e otimalidade de pontos extremos
Existência e otimalidade de pontos extremos Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP)
Leia maisANÁLISE DE RESULTADOS
ANÁLISE DE RESULTADOS Conteúdo 2 1. Planejamento de Experimentos 2. Introdução Medidas de Desempenho Análise Estatística dos Resultados Comparação de Resultados Procedimento para análise de resultados
Leia maisLucas Santana da Cunha de junho de 2017
VARIÁVEL ALEATÓRIA Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 19 de junho de 2017 Uma função que associa um número real aos resultados
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisELE2005: Análise Estratégica de Investimentos e de Decisões com Teoria dos Jogos e Jogos de Opções Reais.
ELE2005: Análise Estratégica de Investimentos e de Decisões com Teoria dos Jogos e Jogos de Opções Reais. Segunda Prova (P2) 11/12/2007 OBS: 1) A prova é SEM CONSULTA. A nota da prova é = mínimo{10; pontuação
Leia maisStela Adami Vayego DEST/UFPR
Resumo 9 Modelos Probabilísticos Variável Contínua Vamos ver como criar um modelo probabilístico, o que é uma função densidade de probabilidade (fdp), e como calcular probabilidades no caso de variáveis
Leia maisAULA 03 Estimativas e tamanhos amostrais
1 AULA 03 Estimativas e tamanhos amostrais Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade
Leia maisMarina Andretta. 02 de agosto de 2010
Introdução Marina Andretta ICMC-USP 02 de agosto de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 02 de agosto de 2010 1 / 19 Otimização Otimizar significa encontrar a melhor maneira
Leia maisOtimização de horários Seminário. Clarisse Resende 25/01/2013
Otimização de horários Seminário Clarisse Resende 25/01/2013 O problema dos horários consiste numa sequência de atividades de programação, satisfazendo um conjunto de restrições de recursos. Pretende-se
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisMarina Andretta. 10 de outubro de Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis.
Solução básica viável inicial Marina Andretta ICMC-USP 10 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisEXAME DE QUALIFICAÇÃO em Álgebra - Mestrado
Programa de Pós-Graduação em Matemática Instituto de Matemática e Estatística - IME Universidade Federal de Goiás - UFG EXAME DE QUALIFICAÇÃO em Álgebra - Mestrado Aluno: 1) Seja G um grupo e a, b G tais
Leia mais1 Variáveis Aleatórias
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis
Leia maisPlanejamento e Análise de Sistemas de Produção
Aula 24 Planejamento e Análise de Sistemas de Produção Paulo Augusto Valente Ferreira Departamento de Telemática Faculdade de Engenharia Elétrica e Computação Universidade Estadual de Campinas Conteúdo
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Professora Renata Alcarde Sermarini Piracicaba Abril 2016 Renata Alcarde Sermarini Estatística Geral 27 de
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Forma geral de um problema Em vários problemas que formulamos, obtivemos: Um objetivo de otimização
Leia maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia maismin F T (P T )+F H (V jmax ) j =1,...,j max P T,j P T,j P T,j V j V j V j q j q j
PROGRAMAÇÃO HIDROTÉRMICA DE CURTO PRAZO PARA SISTEMAS REAIS DE BASE HIDRÁULICA Problema H-T (formulação geral): min F T (P T )+F H (V jmax ) s. a: - Eqs. de balanço hídrico - Atendimento à demanda - Restrições
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisα ( u 1 - u 2 ) = u 3 - u 2.
2- NOÇÕES DE CONVEXIDADE E FORMULAÇÃO MATEMÁTICA DE PROBLEMAS DE PROGRAMAÇÃO LINEAR 21 Noções de Convexidade 211 - Combinação Convexa de pontos ponto b = αx 1 Considere C um conjunto contendo os pontos
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisAULA 04 Teste de hipótese
1 AULA 04 Teste de hipótese Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação
Leia maisControle DLQR Aplicado a Fontes Ininterruptas de Energia
Controle DLQR Aplicado a Fontes Ininterruptas de Energia SEPOC 4º Seminário de Eletrônica de Potência e Controle Apresentador: Eng. Samuel Polato Ribas Orientador: Prof. Dr. Vinícius Foletto Montagner
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Variáveis Aleatórias Contínuas 14/10 1 / 25 VALE A PENA VER DE NOVO:Variáveis Aleatórias
Leia maisCapítulo 3. O Método Primal Simplex
Capítulo 3 O Método Primal Simplex 3.. Introdução Neste Capítulo, apresenta-se o método de resolução de problemas de programação linear mais utilizado, isto é, o método primal simplex. Assim, apresenta-se
Leia mais5 Decisão Sob Incerteza
5 Decisão Sob Incerteza Os problemas de decisão sob incerteza são caracterizados pela necessidade de se definir valores de variáveis de decisão sem o conhecimento prévio da realização de parâmetros que,
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS
ANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS Nível de significância No processo de tomada de decisão sobre uma das hipóteses levantadas num estudo, deve-se antes de tudo definir
Leia maisDepartamento de Matemática da Universidade de Coimbra. Licenciatura em Matemática. e B =
Departamento de Matemática da Universidade de Coimbra Optimização Numérica Licenciatura em Matemática Ano lectivo 2006/2007 Folha 1 1. Considere as matrizes A = [ 1 1 1 2 ] e B = [ 1 3 1 2 (a) Verifique
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia maisAlocação de Unidades via Relaxação Lagrangeana
Alocação de Unidades via Relaxação Lagrangeana Prof. Antonio Simões Costa Grupo de Sistemas de Potência EEL - UFSC Relaxação Lagrangeana: Conceitos Iniciais 2 1 Alocação de Unidades via Relaxação Lagrangeana
Leia mais