Estimação Empírica da Distribuição da Estatística de Teste para o Sensoriamento Espectral por Máximo Autovalor sob a Hipótese H 1
|
|
- Malu Back Coradelli
- 8 Há anos
- Visualizações:
Transcrição
1 Estmação Empírca da strbução da Estatístca de este para o Sensoramento Espectral por Máxmo Autovalor sob a Hpótese H 1 João S. eto, ayan A. Gumarães e Rausley A. A. de Souza Resumo este artgo é mostrado que a dstrbução Log- Pearson 3P é uma boa aproxmação para a função densdade de probabldade da estatístca de teste para detecção por máxmo autovalor (ME) no sensoramento espectral cooperatvo em aplcações de rádo cogntvo, sob a hpótese de que o snal transmtdo pela rede prmára está presente. Este resultado complementa os já exstentes na lteratura que consderam a hpótese de que o snal transmtdo não está presente. Em conjunto, estes resultados são útes para a concepção e avalação de desempenho da técnca ME em termos das probabldades de falso alarme e de detecção. Palavras-Chave etecção por máxmo autovalor, rádo cogntvo, sensoramento espectral por autovalores. Abstract In ths paper t s showed that the Log-Pearson 3P s a good approxmaton of the probablty densty functon of the maxmum egenvalue detecton (ME) test statstc for cooperatve spectrum sensng n cogntve rado applcatons, under the hypothess that the prmary transmtted sgnal s present. hs result complements those already avalable n the lterature, whch consder the hypothess that the transmtted sgnal s not present. Jontly, these results are useful for the desgn and performance assessment of the ME technque n terms of the false alarm and detecton probabltes. Keywords Cogntve rado, egenvalue-based spectrum sensng, maxmum egenvalue detecton. I. IROUÇÃO A polítca de alocação espectral vgente é conhecda como polítca de alocação fxa. Para cada sstema de comuncação sem fo é destnada uma banda de frequêncas e sua utlzação normalmente é vnculada ao pagamento de uma lcença de uso. Porém, como o espectro é lmtado, observa-se que em determnadas faxas não há mas espaço para alocar novos servços. al fato servu de motvação para pesqusas que concluíram que grande parte das faxas de frequênca já alocadas encontra-se subutlzada [1, ]. este contexto surge então o conceto de Rádo Cogntvo (RC) [3], uma revoluconára tecnologa que tem potencal para ser o novo paradgma em comuncações sem fo. Através do sensoramento espectral, tarefa fundamental a ser desempenhada por um RC, é possível detectar partes do espectro de frequêncas alocadas aos chamados usuáros prmáros ou lcencados e que estejam temporaramente fora de uso, permtndo assm o acesso oportunsta por parte dos usuáros secundáros ou não lcencados (os RCs). O sensoramento espectral pode ser realzado de forma ndependente por cada rádo cogntvo ou pode ser realzado de manera cooperatva, sendo que esta últma tem potencal para operar de forma mas efcaz e é a que tem sdo mas explorada nas pesqusas recentes. Pouco mas de dez anos se passaram desde que o conceto de Rádo Cogntvo fo proposto. Váras técncas de sensoramento espectral foram propostas, dentre elas podendo ser ctadas a detecção por fltro casado, a detecção por atrbutos ou propredades cclo-estaconáras do snal e a detecção de energa [4, 5]. Entre as técncas de detecção mas recentes e promssoras estão aquelas baseadas nos autovalores da matrz de covarânca do snal recebdo [6-8]. Merece destaque especal a técnca ME cooperatva, também conhecda como teste de Roy de máxma raz (RLR, Roy s Largest Root est) [7] ou como detecção de energa com combnação cega (BCE, Blndly Combned Energy etecton) [8], a qual apresenta o melhor desempenho sob o modelo de sstema aqu adotado [7]. A. rabalhos Relaconados uas fguras de mérto assocadas ao desempenho do sensoramento espectral são a probabldade de falso alarme, P FA, e a probabldade de detecção P. A probabldade de falso alarme representa a probabldade de se decdr que o snal prmáro está presente na banda de frequêncas sensorada, sendo que de fato ele não está presente. A probabldade de detecção representa a probabldade de se decdr que o snal prmáro está presente, sendo que ele realmente está presente na banda sensorada. Para a técnca ME cooperatva, a determnação de P FA e P de forma analítca passa pelo conhecmento da função densdade de probabldade (fdp) da estatístca de teste, que é o máxmo autovalor da matrz de covarânca. Sob a hpótese H 0, ou seja, consderando que o snal prmáro não está presente na banda de frequêncas a ser sensorada, a matrz de covarânca do snal recebdo é uma matrz Wshart [9], podendo-se a partr dela encontrar a fdp da estatístca de teste e, a partr desta, a P FA [8]. Sob a hpótese H 1, ou seja, consderando que o snal prmáro está presente, anda não há solução exata para a dstrbução dos autovalores da matrz de covarânca do snal recebdo, sob o modelo aqu consderado, representando este um mportante desafo para novas pesqusas. O modelo a que se refere este trabalho consdera que os snas transmtdos pela rede prmára, antes de chegarem aos RCs, passam por um canal com desvanecmento Raylegh plano e com ruído João S. eto, ayan A. Gumarães, Rausley A. A. de Souza, Insttuto aconal de elecomuncações Inatel, Santa Rta do Sapucaí-MG, Brasl, , E- mals: jscudeler_neto@yahoo.com.br, dayan@natel.br, rausley@natel.br.
2 AWG (addtve whte Gaussan nose). Este modelo melhor se adéqua a um cenáro real, se comparado com aqueles que consderam apenas o efeto do ruído AWG, os quas são comumente adotados na análse da dstrbução de autovalores da matrz de covarânca do snal recebdo. Além dsso, a maor parte das análses é assntótca. ela, o número de lnhas (número de RCs sob cooperação) e de colunas (número de amostras colhdas por cada RC) da matrz de covarânca tendem a nfnto, mantendo-se constante a relação entre eles. Apenas mas recentemente começaram a ser publcados resultados obtdos a partr de análses não assntótcas, consderando números realstas de RCs e amostras. Claramente a análse assntótca resulta em uma manpulação matemátca facltada se comparada à análse não assntótca. A publcação mas recente sobre o assunto conhecda pelos autores apresenta de manera unfcada os mas mportantes resultados já obtdos no que dz respeto à análse teórca das dstrbuções de autovalores ou de estatístcas de teste baseadas em autovalores, tanto do ponto de vsta assntótco quando não assntótco [10]. Entretanto, tal publcação não contempla o modelo adotado neste artgo. Em [11, Cap. 1] adota-se um modelo smlar àquele aqu consderado e uma análse não assntótca do máxmo autovalor da matrz de covarânca tanto sob a hpótese H 0 quanto sob a hpótese H 1. Entretanto, como os própros autores lá afrmam, o uso das correspondentes dstrbuções de probabldade é bastante complexo em termos computaconas, posto que envolve determnantes de matrzes cujos elementos são funções especas, [11, eqs. (5) e (8)]. Em [8] a elevada complexdade computaconal é atrbuída ao cálculo de valores da função hpergeométrca com argumento matrcal. B. Contrbuções e Estrutura do Artgo Este trabalho propõe contrbur em parte com a solução dos problemas supramenconados, através de uma análse empírca em que a fdp da estatístca de teste sob a hpótese H 1 na técnca ME é determnada, permtndo que se obtenha uma expressão fechada smples para o cálculo da P. O restante do artgo está organzado da segunte manera: a Seção II apresenta o prncípo de operação da técnca ME cooperatva. a Seção III é abordado o método empírco utlzado na estmação da fdp do máxmo autovalor da matrz de covarânca do snal recebdo sob a hpótese H 1. A Seção IV traz resultados de smulação. A conclusão do trabalho está presente na Seção V. II. A ÉCICA ME COOPERAIVA o sensoramento cooperatvo centralzado, dados coletados por cada RC em cooperação (por exemplo, amostras de snal recebdo) são envados a um centro de fusão (CF) por meo de um canal de controle. A este processo dá-se o nome de fusão de dados (data-fuson). epos de processar os dados recebdos dos RCs, o CF decde sobre o estado de ocupação do canal sensorado. O sensoramento cooperatvo centralzado também pode ser executado a partr de decsões sobre o estado de ocupação do canal montorado, tomadas por todos os RCs em cooperação. este caso tem-se o que é denomnado fusão de decsões (decson-fuson), onde as decsões tomadas pelos RCs são combnadas no CF através de operações artmétcas bnáras antes que a decsão fnal seja tomada. Em ambos os esquemas centralzados a decsão fnal é nformada aos RCs va canal de controle, segundo-se o algortmo de acesso adotado pela rede secundára. este artgo consdera-se o sensoramento cooperatvo centralzado do tpo fusão de dados, para o qual comumente adota-se o modelo de canal MIMO (multple nput, multple output) dscreto no tempo e sem memóra. Em uma de suas varantes admte-se que haja m antenas em um RC ou m RCs com antenas smples, cada um coletando n amostras dos snas recebdos de p transmssores prmáros durante um período de sensoramento. as amostras são arranjadas em uma matrz Y m n. e forma análoga, as amostras referentes ao snal transmtdo pelos p transmssores prmáros são arranjadas em uma matrz X p n. Seja H m p a matrz de canal com elementos {h j }, = 1,,..., m e j = 1,,..., p, os quas representam o ganho do canal entre o j- ésmo transmssor prmáro e o -ésmo sensor (elemento em um arranjo de antenas ou receptor com antena smples). Fnalmente, seja V m n a matrz que contém as amostras de ruído térmco que contamnam o snal recebdo pelos m sensores. A matrz de amostras do snal recebdo é então dada por Y = HX + V. o sensoramento cooperatvo baseado em autovalores, as lacunas espectras são detectadas por meo de um teste de hpóteses baseado nos autovalores da matrz de covarânca do snal recebdo, a qual tem sua estmação de máxma verossmlhança dada pela méda amostral R = (YY )/n, onde sgnfca conjugado transposto. O máxmo autovalor de R, λ max, é então computado e a estatístca de teste ME é calculada através de [7] λmax =, (1) onde é a potênca méda do ruído térmco na entrada de cada RC, a qual admte-se ser conhecda a pror ou estmada. A partr de (1) utlza-se o segunte algortmo de detecção: se > γ, consdera-se que o snal prmáro está presente na banda de frequêncas sensorada; caso contráro consdera-se que o snal prmáro não está presente, onde γ representa o lmar de decsão utlzado pelo centro de fusão. Logo a probabldade de detecção de tal algortmo é defnda por P [ > H ] = f ( t)dt = Pr, () γ 1 onde f (t) representa a função densdade de probabldade da varável de decsão sob a hpótese H 1. III. γ ESIMAÇÃO A ISRIBUIÇÃO A ESAÍSICA E ESE A proposta desta seção é determnar a dstrbução f (t) através de uma análse empírca fundamentada no teste de aderênca (goodness-of-ft) de Kolmogorov-Smrnov [1], para posterormente aplcá-la na determnação de uma expressão para o cálculo de P em função do lmar de decsão γ. A. O este de Kolmogorov-Smrnov Com base em um conjunto de dados provenentes da observação da varável aleatóra de decsão é possível seleconar dstrbuções de probabldade teórcas que a represente. A fm de se realzar esta seleção pode-se utlzar, dentre outros, o teste de aderênca de Kolmogorov-Smrnov [1]. Seja F(t) a dstrbução de probabldade cumulatva teórca assumda para os dados estudados e F (t) a dstrbução de probabldade cumulatva empírca defnda como
3 1 F ( t) = ( I( t ) t), (3) = 1 onde t representa a observação, = 1,,...,, da varável aleatóra em questão e a função ndcadora I(t ) vale 1 se t t e 0 caso contráro. efne-se a varável do teste de Kolmogorov-Smrnov como a máxma dstânca vertcal entre as funções teórca F(t) e empírca F (t) nos pontos t e t -1 : [ F( t ) F ( t ), F ( t ) F( t )] = 1 max 1. (4) A partr de uma análse de têm-se duas hpóteses: 1) a dstrbução seleconada representa os dados de forma adequada, denomnada de hpótese H A, ) a dstrbução seleconada não representa os dados de forma adequada, denomnada de hpótese H B. Quando > 40, caso consderado neste trabalho, a hpótese H A será rejetada se for maor que o valor crítco apresentado na abela I para dferentes níves de sgnfcânca α. Para valores de 40 o prncípo é o mesmo, porém os valores crítcos podem ser obtdos através da tabela dsponível em [16]. Um nível de sgnfcânca α menor corresponde a uma chance maor de a dstrbução empírca apresentar um valor crítco maor, ou seja, de estar menos aderente à dstrbução teórca sob análse. Assm, quanto maor o nível de sgnfcânca, mas severo é o teste de aderênca. Caso seja menor que o valor crítco consderado, concluí-se que os dados analsados seguem a dstrbução estpulada com (1 α) 100% de confança. ABELA I. VALORES CRÍICOS PARA O ESE E KOLMOGOROV- SMIROV. α 0, 0,1 0,05 0,0 0,01 1,07 1, 1,36 1,5 1,63 Valor Crítco B. Base de ados Para obter uma amostra de tamanho da varável de decsão, utlzou-se o programa em Mathcad presente no Apêndce. Seu prncípo de funconamento consste em gerar as matrzes X, V e H segundo modelo apresentado na Seção II, calcular Y = HX + V, determnar a matrz de covarânca R = (YY )/n, extrar seu máxmo autovalor e por fm computar a estatístca de teste como defnda em (1). Assm, ao fnal de terações se obtém a amostra desejada. Para geração das matrzes X, V e H foram consderados 36 conjuntos de valores para os parâmetros m (número de RCs), n (número de amostras colhdas por cada RC) e SR (relação snal-ruído SR), consderando um transmssor prmáro (p = 1). Com estes valores foram obtdas 36 amostras de tamanho = da varável de decsão. C. Análse e etermnação da strbução de sob H 1 Para se determnar emprcamente a dstrbução de probabldade defnda em (3) para cada amostra da varável de decsão e posterormente atrbur a cada uma um conjunto de dstrbuções de probabldade teórcas que as descrevem de manera adequada, utlzou-se o teste de aderênca de Kolmogorov-Smrnov mplementado pelo programa EasyFt [14]. A abela II apresenta a classfcação das 10 dstrbuções mas bem colocadas nos testes de aderênca, bem como o número de vezes em que cada uma esteve presente entre as 1 prmeras colocadas nos 36 testes realzados. A dstrbução Log-Pearson 3P [15] esteve entre as 1 prmeras colocadas em 36 dos 36 testes, sendo classfcada em 1º lugar em apenas um deles e em 11º em 3 deles. Entretanto, mesmo estando em 11º ou 1º lugar, ela fo aceta no teste de aderênca para o crtéro mas severo (maor nível de sgnfcânca). Embora a dstrbução Lognormal 3P tenha sdo colocada entre as 1 prmeras com a mesma frequênca de ocorrênca que a Log- Pearson 3P, ela fcou em 8º e 9º lugares mutas vezes e, por esta razão, fo colocada na segunda classfcação na abela II. Conclu-se, desta manera, que tal dstrbução representa uma boa estmatva para a dstrbução da estatístca de teste sob a hpótese H 1 para os casos nvestgados. ABELA II. FREQUÊCIA E OCORRÊCIA AS ISRIBUIÇÕES. Classfcação strbução Frequênca 1 Log-Pearson 3P 36 Lognormal 3P 36 3 Fatgue Lfe 3P 34 4 Gen. Gamma 4P 33 5 Gamma 3P 8 6 Gen. Extreme Value 8 7 Johnson SB 8 8 Pearson 5 3P 8 9 Wakeby 4 10 Pearson 6 4P 3 A função densdade de probabldade da dstrbução Log Pearson 3P é dada por f ( t) ( ) a 1 1 ln( t) c ln( t) c = exp t b Γ a b b, (5) onde a, b e c são, respectvamente, os parâmetros de forma, escala e posção de tal dstrbução e Γ(x) é a função Gamma. a abela III estão lstados os parâmetros m, n e SR utlzados nos testes de aderênca supramenconados e os correspondentes parâmetros a, b e c da dstrbução Log- Pearson 3P obtdos pelo teste de aderênca de Kolmogorov- Smrnov realzado pelo EasyFt. e posse desta tabela pode-se efetuar o cálculo teórco da probabldade de detecção P para quasquer das combnações de parâmetros lstadas. Por fm, substtundo (5) em () tem-se a segunte expressão fechada para P : ln Γ a, P = Γ ( t) ( a) c b, onde Γ(x, y) é a função Gamma ncompleta.. Resultados de Smulação A Fgura 1 mostra três funções densdade de probabldade Log-Pearson 3P, obtdas por meo da eq. (5), para três dos conjuntos de parâmetros da abela III e as correspondentes densdades empírcas obtdas por smulação. Observa-se que há grande aderênca, conforme comprovado pelo teste de Kolgomorov-Smrnov. A Fgura traz a relação P versus γ para dos conjuntos de valores de m, n e SR dferentes daqueles fornecdos na (6)
4 abela III, a saber: (SR, m, n) = (0 db,, 4) e (0 db,, 5). A razão para a escolha destes valores fcará clara logo adante. As curvas tracejada e contínua representam cálculos teórcos realzados através da expressão (6) e os quadrados e círculos correspondem a resultados va smulação de Monte Carlo. 1 corresponde ao uso da matrz de covarânca nr = YY no programa em Mathcad presente no Apêndce. ABELA III. ALGUS VALORES PARA m, n E SR COM A RESPECIVA RELAÇÃO COM OS PARÂMEROS a, b E c A ISRIBUIÇÃO LOG-PEARSO 3P. SR, db m n a b c ,63 0,0686 0, ,185 0,0594 1, ,769 0,0580, ,55 0,007 4, ,18 0,005 1, ,38 0,038 1, ,4 0, , ,49 0,06 10, ,31 0, , ,815 0,068 4, ,4 0,0017 3, ,69 0,007 7, ,4 0,003 16, ,06 0,0046, , 0,0009 0, , , ,8 0,0034, ,76 0,0046 4, ,8 0,0031 7, ,63 0,0536 3, ,8646 0,0634 4, ,61 0,067 1, ,51 0,0491 3, ,031 0,0471 4, ,638 0,046, ,745 0,053 3, ,56 0,0178 3, ,07 0,051 14, ,733 0, , ,77 0, , ,89 0,0435 1, ,89 0,065 10, ,396 0, , ,73 0, , ,41 0, , ,598 0, ,718 Observa-se na Fgura que há grande aderênca entre os resultados teórcos e aqueles obtdos por smulação. Vale ressaltar que a faxa de varação do lmar de decsão na Fgura Fg. 1. Funções densdade de probabldade teórcas e obtdas por smulação (empírcas). A Fgura 3 apresenta curvas ROC (recever operatng characterstc) consderando os mesmos conjuntos de parâmetros da Fgura. Para város valores do lmar de decsão, as correspondentes probabldades de falso alarme foram calculadas usando a expressão exata da dstrbução cumulatva do máxmo autovalor, fornecda em [8, eq. (10)]. A solução de tal expressão pressupõe o uso da rotna para cálculo da função hypergeométrca com argumento matrcal proposta em [16]. urante os cálculos envolvendo tal rotna verfcou-se que pode haver problemas de convergênca do algortmo proposto pelo autor, quem generosamente revelou aos autores deste artgo que se trata de um comportamento prevsível e nevtável para certos argumentos matrcas da função hypergeométrca, traduzdos aqu em certos valores de m, n e γ. Fg.. Curva teórca e obtda por smulação para P versus γ. Segundo o autor de [16], a rotna para cálculo da função hypergeométrca com argumento matrcal utlza a sére de aylor, a qual apresenta problemas de convergênca em artmétca de precsão fnta: certos valores dos argumentos da função hypergeométrca, produzem termos de valor elevado que se cancelam antes que a sére convrja. Por esta razão, os parâmetros escolhdos para gerar as Fguras e 3 foram aqueles que, dentre poucos, não produzram problemas de
5 convergênca na rotna para cálculo da função hypergeométrca. e posse do conjunto de lmares de decsão, as probabldades de detecção foram estmadas por smulação de Monte Carlo. Juntamente com os resultados apresentados nas Fguras 1 e, os resultados da Fgura 3 permtem afrmar que a dstrbução Log-Pearson 3P é realmente uma boa aproxmação para a função densdade de probabldade da estatístca de teste ME sob a hpótese de que o snal transmtdo pela rede prmára está presente. Fg. 3. ROCs teórcas e obtdas por smulação. IV. COCLUSÕES A partr da análse empírca baseada no teste de aderênca de Kolmogorov-Smrnov fo possível estmar a função densdade de probabldade da estatístca de teste (1) para o caso onde cada rádo cogntvo recebe snal mas ruído, sto é, quando o snal prmáro está presente na banda de frequêncas sensorada (hpótese H 1 ). Graças a este resultado é possível computar faclmente a probabldade de detecção do algortmo de sensoramento baseado no máxmo autovalor da matrz de covarânca do snal recebdo. Uma extensão natural deste trabalho consste em realzar um número de testes de aderênca com uma gama maor de parâmetros sstêmcos m, n e SR para, em seguda, procurar uma relação matemátca entre tas parâmetros e os parâmetros a, b e c da dstrbução Log-Pearson 3P. Isto facltara anda mas as nvestgações sobre a probabldade de detecção em outros cenáros além daqueles consderados na abela III. Outra extensão natural sera a determnação empírca da dstrbução da estatístca de teste sob as hpóteses H 0 e H 1, com mas de um transmssor prmáro (p > 1). REFERÊCIAS [1] M. A. McHenry, P. A. enhula and. McCloskey, Chcago Spectrum Occupancy Measurements & Analyss and a Long-term Studes Proposal, Shared Spectrum Co. report, ovember 005. [] M. H. Islam et al., Spectrum survey n Sngapore: occupancy measurements and analyss, n Proceedngs of the CROWCOM 08, Sngapore, May 008. [3] J. Mtola, Cogntve rado: An ntegrated agent archtecture for software defned rado, octor of echnology, KH, Sweden, 000. [4] Y. Zeng, et al., A Revew on Spectrum Sensng for Cogntve Rado: Challenges and Solutons, EURASIP Journal on Advances n Sgnal Processng, vol [5] I. F. Akyldz, B. F. Lo, and R. Balakrshnan, Cooperatve Spectrum Sensng n Cogntve Rado etworks: A Survey, Elsever Physcal Comm. 4, pp. 40-6, 010. [6] A. Kortun, et al., On the Performance of Egenvalue-Based Cooperatve Spectrum Sensng for Cogntve Rado, IEEE J. of Selected opcs In Sgnal Processng, vol. 5, no. 1, February 011. [7] B. adler, F. Penna, and R. Garello, Performance of Egenvalue-based Sgnal etectors wth Known and Unknown ose Level, In: Proc. of the IEEE ICC, Kyoto, Japan, June 011. [8] A. Kortun,. Ratnarajah, and M. Sellathura, Exact Performance Analyss of Blndly Combned Energy etecton for Spectrum Sensng, IEEE PIMRC 10, 010. [9] Wkpeda contrbutors, Wshart strbuton, Wkpeda, he Free Encyclopeda: (accessed March 15, 01). [10] W. Zhang et al. Spectrum Sensng Algorthms va Fnte Random Matrces. IEEE rans. on Commun. Vol. 60, o. 1, Jan 01. [11] S. Cheng (Ed.), Foundaton of Cogntve Rado Systems. Croata: Intech Inc. 01. [1] Wkpeda contrbutors, Kolmogorov Smrnov test, Wkpeda, he Free Encyclopeda, 80%93Smrnov_test (accessed March 15, 01). [13] ERI LC, able 7: Kolmogorov-Smrnov test. Avalable: ppendx&fleame=able7 (accessed March 01). [14] EasyFt - strbuton Fttng Software. (accessed March 15, 01). [15] Wkpeda contrbutors, Pearson strbuton, Wkpeda, he Free Encyclopeda, (accessed March 15, 01). [16] P. Koev and A. Edelman, he Effcent Evaluaton of the Hypergeometrc Functon of a Matrx Argument, Math. Comp. 75 (006), pp APÊICE I O programa em Mathcad apresentado a segur tem como objetvo gerar uma amostra de tamanho da varável de decsão defnda em (1). Os parâmetros de entrada são, m, n, p e, sendo que este últmo pode assumr qualquer valor sem provocar alterações nos resultados. : = for for j 0.. p 1 j 1 1 H rnorm m,0, + j rnorm m,0, for k 0.. n 1 SR SR k X rnorm p,0, + j rnorm p,0, k V rnorm m,0, + j rnorm m,0, Y H X + V k k k nr Y ( Y ) ( ( )) max egenvals nr
TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia mais4 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 maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisO Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining
O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação
Leia maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia mais3 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 maisUNIDADE 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 maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisReconhecimento 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 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 maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia mais1 Princípios da entropia e da energia
1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisPLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS
PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,
Leia maisEstatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard
Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisREGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como:
REGRESSÃO LOGÍSTCA. ntrodução Defnmos varáves categórcas como aquelas varáves que podem ser mensurados usando apenas um número lmtado de valores ou categoras. Esta defnção dstngue varáves categórcas de
Leia maisAtribuição Automática de Propagandas a Páginas da Web
Atrbução Automátca de Propagandas a Págnas da Web Aníso Mendes Lacerda Lara Crstna Rodrgues Coelho Resumo O problema da propaganda dreconada baseada em conteúdo (PDC) consttu-se em atrbur propagandas a
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisREGRESSÃO 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 maisModelos estatísticos para previsão de partidas de futebol
Modelos estatístcos para prevsão de partdas de futebol Dan Gamerman Insttuto de Matemátca, UFRJ dan@m.ufrj.br X Semana da Matemátca e II Semana da Estatístca da UFOP Ouro Preto, MG 03/11/2010 Algumas perguntas
Leia maisCÁLCULO DO ALUNO EQUIVALENTE PARA FINS DE ANÁLISE DE CUSTOS DE MANUTENÇÃO DAS IFES
MIISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO SUPERIOR DEPARTAMETO DE DESEVOLVIMETO DA EDUCAÇÃO SUPERIOR TECOLOGIA DA IFORMAÇÃO CÁLCULO DO ALUO EQUIVALETE PARA FIS DE AÁLISE DE CUSTOS DE MAUTEÇÃO DAS IFES
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisAvaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe
Avalação da Tendênca de Precptação Pluvométrca Anual no Estado de Sergpe Dandara de Olvera Félx, Inaá Francsco de Sousa 2, Pablo Jónata Santana da Slva Nascmento, Davd Noguera dos Santos 3 Graduandos em
Leia maisRastreando Algoritmos
Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos
Leia mais2 ANÁLISE ESPACIAL DE EVENTOS
ANÁLISE ESPACIAL DE EVENTOS Glberto Câmara Marla Sá Carvalho.1 INTRODUÇÃO Neste capítulo serão estudados os fenômenos expressos através de ocorrêncas dentfcadas como pontos localzados no espaço, denomnados
Leia maisMODELOS 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 maisINTRODUÇÃO SISTEMAS. O que é sistema? O que é um sistema de controle? O aspecto importante de um sistema é a relação entre as entradas e a saída
INTRODUÇÃO O que é sstema? O que é um sstema de controle? SISTEMAS O aspecto mportante de um sstema é a relação entre as entradas e a saída Entrada Usna (a) Saída combustível eletrcdade Sstemas: a) uma
Leia mais3 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 maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia mais1. Introdução 2. Misturas Gaussianas
Ajuste de Msturas Gaussanas utlzando Algortmo de Maxmzação da Esperança e Crtéro de Comprmento de Descrção Mínmo para Modelagem de Tráfego VoIP Chela Mendes de Olvera Escola de Engenhara Elétrca e de Computação
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia maisVariáveis dummy: especificações de modelos com parâmetros variáveis
Varáves dummy: especfcações de modelos com parâmetros varáves Fabríco Msso, Lucane Flores Jacob Curso de Cêncas Econômcas/Unversdade Estadual de Mato Grosso do Sul E-mal: fabrcomsso@gmal.com Departamento
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Insttuto de Físca de São Carlos Laboratóro de Eletrcdade e Magnetsmo: Transferênca de Potênca em Crcutos de Transferênca de Potênca em Crcutos de Nesse prátca, estudaremos a potênca dsspada numa resstênca
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisRAE-eletrônica ISSN: 1676-5648 rae@fgv.br. Escola de Administração de Empresas de São Paulo. Brasil
RAE-eletrônca ISSN: 676-5648 rae@fgv.br Escola de Admnstração de Empresas de São Paulo Brasl Gumarães, Ináco Andrusk; Chaves Neto, Anselmo RECONHECIMENTO DE PADRÕES: METODOLOGIAS ESTATÍSTICAS EM CRÉDITO
Leia maisMétodo de Monte Carlo Aplicado às Finanças 1. Introdução 2. O Método de Monte Carlo 3. Inversão da Função de Distribuição 4. Algumas Aplicações 5.
Método de Monte Carlo Aplcado às Fnanças 1. Introdução. O Método de Monte Carlo 3. Inversão da Função de Dstrbução 4. Algumas Aplcações 5. Prncípos Báscos do Método de Monte Carlo 5.1 Introdução 5. Formulação
Leia maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisMETROLOGIA E ENSAIOS
METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade
Leia maisPrincípios do Cálculo de Incertezas O Método GUM
Prncípos do Cálculo de Incertezas O Método GUM João Alves e Sousa Laboratóro Regonal de Engenhara Cvl - LREC Rua Agostnho Perera de Olvera, 9000-64 Funchal, Portugal. E-mal: jasousa@lrec.pt Resumo Em anos
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA. Francisco das Chagas de Souza
UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Francsco das Chagas de Souza ALGORITMOS ADAPTATIVOS LMS NORMALIZADOS PROPORCIONAIS: PROPOSTA DE UM NOVO ALGORITMO
Leia maisO migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial
O mgrante de retorno na Regão Norte do Brasl: Uma aplcação de Regressão Logístca Multnomal 1. Introdução Olavo da Gama Santos 1 Marnalva Cardoso Macel 2 Obede Rodrgues Cardoso 3 Por mgrante de retorno,
Leia maisRODRIGO LUIZ PEREIRA LARA DESEMPENHO DO GRÁFICO DE CONTROLE CUSUM TABULAR PARA O MONITORAMENTO DA MÉDIA
RODRIGO LUIZ PEREIRA LARA DESEMPENO DO GRÁFICO DE CONTROLE CUSUM TABULAR PARA O MONITORAMENTO DA MÉDIA Dssertação apresentada à Unversdade Federal de Vçosa, como parte das exgêncas do Programa de Pós Graduação
Leia maisMAE5778 - Teoria da Resposta ao Item
MAE5778 - Teora da Resposta ao Item Fernando Henrque Ferraz Perera da Rosa Robson Lunard 1 de feverero de 2005 Lsta 2 1. Na Tabela 1 estão apresentados os parâmetros de 6 tens, na escala (0,1). a b c 1
Leia maisClassificação 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 maisESTIMAÇÃO DE NÚMERO DE FONTES VIA NORMA 0,55
ESTIMAÇÃO DE NÚMERO DE FONTES VIA NORMA 0,55 GIOVANNI HENRIQUE FARIA FLORIANO ABRIL/2016 Estmação de número de fontes va norma 0,55 GIOVANNI HENRIQUE FARIA FLORIANO Dssertação apresentada ao Insttuto Naconal
Leia maisEscalonando Tarefas Imprecisas com Restrição 0/1 e Dependências Intra-Tarefa / Inter-Tarefa
Escalonando Tarefas Imprecsas com Restrção 0/1 e Dependêncas Intra-Tarefa / Inter-Tarefa Rômulo Slva Olvera Jon Slva Fraga Insttuto de Informátca Lab. de Controle e Mcronformátca Unv. Fed. do Ro Grande
Leia maisEstatística 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 maisNORMAS DE SELEÇÃO AO DOUTORADO
1. INSCRIÇÕES PARA SELEÇÃO 1.1. Para a Área de Irrgação e Drenagem Poderão nscrever-se canddatos formados em Engenhara Agrícola, Agronoma, Meteorologa e demas Engenharas, ou em outras áreas afns a crtéro
Leia mais7 - 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 mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisAlgarismos 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 maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisProbabilidade nas Ciências da Saúde
UNIVERSIDDE ESTDUL DE GOIÁS Undade Unverstára de Cêncas Exatas e Tecnológcas Curso de Lcencatura em Matemátca robabldade nas Cêncas da Saúde Rafaela Fernandes da Slva Santos NÁOLIS 014 Rafaela Fernandes
Leia maisANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO
ANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO J. W. B. Lopes 1 ; E. A. R. Pnhero 2 ; J. R. de Araújo Neto 3 ; J. C. N. dos Santos 4 RESUMO: Esse estudo fo conduzdo
Leia maisExpressão da Incerteza de Medição para a Grandeza Energia Elétrica
1 a 5 de Agosto de 006 Belo Horzonte - MG Expressão da ncerteza de Medção para a Grandeza Energa Elétrca Eng. Carlos Alberto Montero Letão CEMG Dstrbução S.A caletao@cemg.com.br Eng. Sérgo Antôno dos Santos
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisFigura 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 maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia maisExercícios de CPM e PERT Enunciados
Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a
Leia maisMONITORAMENTO DE CONDIÇÃO DE ROLAMENTOS ATRAVÉS DA ANÁLISE CONJUNTA TEMPO-FREQUÊNCIA DE SINAIS DE VIBRAÇÃO
MONITORAMENTO DE CONDIÇÃO DE ROLAMENTOS ATRAVÉS DA ANÁLISE CONJUNTA TEMPO-FREQUÊNCIA DE SINAIS DE VIBRAÇÃO Antono Almeda Slva Unversdade Federal da Paraíba, Centro de Cêncas e Tecnologa, Departamento de
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisAssociação de resistores em série
Assocação de resstores em sére Fg.... Na Fg.. está representada uma assocação de resstores. Chamemos de I, B, C e D. as correntes que, num mesmo nstante, passam, respectvamente pelos pontos A, B, C e D.
Leia mais