2 Teoria da Informação no Sistema MIMO

Tamanho: px
Começar a partir da página:

Download "2 Teoria da Informação no Sistema MIMO"

Transcrição

1 Teora da Informação no Sstema MIMO esta sessão são apresentados os fundamentos teórcos relaconados à capacdade de um sstema com múltplas antenas no transmssor e receptor, procurando-se nterpretar os resultados e fazer uma comparação com os sstemas tradconas de transmssão. Incalmente são apresentados o modelo matemátco para o sstema MIMO e o ambente de propagação consderado para a análse da capacdade do canal..1 Modelo Matemátco para o canal MIMO Um canal rádo de faxa estreta é pratcamente caracterzado por um ganho que não vara ao longo da faxa. Fazendo esta consderação para os dversos canas de um sstema MIMO, pode-se escrever que o snal recebdo na antena receptora correspondente a um snal s j (t) na antena transmssora j será dado por G,j s j (t) onde G é o ganho do sub-canal entre a antena transmssora j e a antena receptora. Consderando o conjunto de antenas transmssoras, o snal recebdo na antena receptora será: r() t = s () t G + n (); t = 1,... M (1) j, j j= 1 onde n (t) é o ruído na saída da antena receptora. Defnndo os vetores T T T s s ( t), s ( t),..., s ( t), r s ( t), s ( t),..., s ( t), n n ( t), n ( t),..., n ( t) = 1 = 1 M e a matrz G (M ) de elemento genérco G,j, pode se escrever: = 1

2 Teora da Informação no Sstema MIMO 6 r = Gs + n () Em uma transmssão com snas passa-faxa, os snas, assm como os ganhos do canal, podem ser representados por suas envoltóras complexas. A Equação representa um únco usuáro MIMO comuncando através de um canal com desvanecmento plano e ruído gaussano branco (AWG). A únca nterferênca presente é a própra nterferênca entre os fluxos de entrada nos sstemas MIMO. o ambente de propagação é assumda a stuação deal para a transmssão. Assm, város canas paralelos que são aleatóros e estatstcamente ndependentes, são crados. O canal é conhecdo no receptor, mas não no transmssor [1, ].. Análse da capacdade A capacdade do canal é um dos parâmetros mas mportantes no desempenho de um sstema de transmssão e estabelece o lmte na taxa de bts que pode ser transmtda através do canal. Este lmte é obtdo utlzando-se um modelo probablístco para o sstema de transmssão onde mensagens de natureza aleatóra são transmtdas em um canal, usando-se para sto um conjunto de snas defndos de acordo com um determnado esquema de codfcação (modulação). este modelo, a capacdade do canal é defnda como o valor máxmo da nformação mútua entre os snas transmtdo e recebdo consderando o conjunto de possíves dstrbuções de probabldade do snal transmtdo. A nformação mútua entre os snas transmtdo e recebdo é uma função da densdade de probabldade conjunta dos dos snas. Conhecendo-se a função densdade de probabldade do snal transmtdo e as característcas do canal, podese determnar a função densdade conjunta dos snas transmtdos e recebdos e estabelecer um método de maxmzação que leve à capacdade do canal. Sabe-se que se o snal transmtdo é uma seqüênca {s k } de amostras dscretas no tempo com méda nula e varânca P s e o canal é de banda lmtada a um valor B com ruído adtvo Gaussano branco e ganho untáro, a capacdade é atngda supondo que {s k } é um vetor Gaussano com componentes

3 Teora da Informação no Sstema MIMO 7 estatstcamente ndependentes. este caso, tem-se a expressão conhecda da capacdade dada por P R C = log 1+ Pn bt / s / Hz (3) onde P R = P s é a potênca do snal no receptor e P n é a potênca do ruído na banda B do canal. A segur serão desenvolvdas algumas expressões de capacdade baseadas nos fundamentos resumdos acma. De níco o resultado contdo em (3) é estenddo ao caso de um únco canal, ou seja, um sstema SISO (Sngle-Input, Sngle-Output) transmtndo um snal complexo em canal com ganho complexo aleatóro, procurando-se obter uma expressão da capacdade do canal para um dado valor do ganho deste canal em função da razão snal-ruído méda. Com a consderação de um ganho G qualquer no canal fca PT G C = log 1+ Pn (4) sendo P T a potênca transmtda. Consderando G uma varável aleatóra, pode se defnr uma razão snal-ruído méda como ( ) PE T G ρ= (5) P n onde E representa o valor esperado e E ( G ) é o ganho médo de potênca do canal. Usando (4) e (5), pode se então escrever PT G C = log 1+ = log 1+ Pn ( ρ H ) (6) onde H = G ( ) E G Ou seja, H é o ganho normalzado do canal, caracterzado por uma varável aleatóra complexa de valor médo quadrátco de módulo untáro, sto é

4 Teora da Informação no Sstema MIMO 8 ( ) E H = 1 (7).3 Capacdade com dversdade Para um sstema com uma únca antena transmssora e M receptoras, ou seja SIMO (Sngle-Input, Multple-Output), supondo que o valor médo quadrátco dos ganhos é gual, sto é, E ( Gj,1 ) E( G ) = j=1,,...m, e que os snas podem ser combnados coerentemente, tem-se que a potênca méda do snal combnado será ( ) M PE T G. Levando em conta as M componentes de ruído de mesma potênca, P n que se somam de forma descorrelaconadas, obtém-se: ( ) M PT E G n SRSIMO = = M ρ H (8) MP e a capacdade é dada por C = log 1 + H bts / s / Hz M ρ j1 (9) = 1 onde H j,1 são os ganhos do canal normalzado para a antena receptora j e ρ é a razão snal-ruído méda dada por (5). É mportante observar na Equação (9) que o aumento do número das antenas no receptor resulta em apenas um crescmento logarítmco da capacdade méda. Para um sstema MISO (Multple-Input, Sngle-Output), antenas são utlzadas para transmtr e a potênca total transmtda é dvdda entre as antenas.). Supondo que o valor médo quadrátco dos ganhos é gual, sto é, ( 1, ) E( G ) E G = =1,,..., a potênca do snal combnado coerentemente será ( T ) ( ) P E G. A razão snal-ruído méda de longo prazo será ( T ) ( ) P E G SRMISO = = ρ H (10) P n

5 Teora da Informação no Sstema MIMO 9 e a capacdade pode ser dada por: C = log 1 + H b/ s/ Hz ρ 1, (11) = 1 sendo H 1, os ganhos do canal normalzado e ρ é dado por (5). É possível perceber novamente o crescmento logarítmco da capacdade méda com o aumento das antenas transmssoras. Para os sstemas SIMO e MISO, técncas que maxmzam a SR (antenas adaptatvas e MRC - Maxmum Rato Combnng) são utlzadas para aumentar a capacdade do canal. O sstema MIMO (Multple-Input, Multple-Output) pode ser vsto como uma combnação dos casos SIMO e MISO. Para um sstema MIMO com transmssores e M receptores, a capacdade do canal é dada por C = log 1 + ρ H b/ s/ Hz M j (1) j= 1 = 1 Consdera-se aqu que todos os canas têm o mesmo ganho médo de potênca de longo prazo, ou seja, j = E G E G. Isto permte utlzar (5). Como nos outros sstemas com múltplas antenas, a premssa da Equação (1) é maxmzar a capacdade do canal pela maxmzação da razão snal-ruído para um únco snal transmtdo. Contudo, a capacdade de um canal MIMO pode ser aumentada drastcamente se for consderado a transmssão de dferentes snas através de cada antena transmssora [1, 3], aprovetando os múltplos canas que o sstema MIMO proporcona. Este problema é analsado na próxma seção..4 Capacdade de canas paralelos Em [47] são mostrados os seguntes resultados fundamentas da teora da nformação para canas dscretos sem memóra com ruído adtvo gaussano branco e potênca total de transmssão restrta a um valor P. o caso de canas paralelos e descorrelaconados, cada um com ganho untáro, tem-se:

6 Teora da Informação no Sstema MIMO 30 r = s + n (13) onde r é o snal recebdo, s o snal transmtdo e n o ruído gaussano branco. Supondo que a potênca de ruído em cada canal é σ, = 1,,..., a capacdade do canal é atngda quando as dversas componentes do snal são estatstcamente ndependentes e é dada por: π C = max log 1+ π (14) = 1 σ sujeto a π P (15) = 1 Onde π é a potênca transmtda em cada canal paralelo. O máxmo em (14) é obtdo para π * σ σ > μ π ; μ 0 π = σ 0 ; μ 0 π (16) onde μ deve ser determnado para satsfazer (15) com gualdade. O processo de obtenção do valor μ é denomnado waterfllng, e a potênca ótma é achada teratvamente. A capacdade é dada por * π C = log 1+ = 1 σ (17) Confrontando (17) com (3) observa-se que a capacdade total é a soma das capacdades de cada um canas paralelos com as potêncas ótmas. Os resultados acma podem ser estenddos a canas com ganho G quasquer. Em partcular, consdere se o caso em que as potêncas do ruído em todos os receptores são guas a σ. Então, pode se re-escrever (13) como: r = Gs + n; = 1,... (18)

7 Teora da Informação no Sstema MIMO 31 onde E n = σ. Dvdndo-se por G, tem se: r n r = = s + (19) ' G G Observa se então que o sstema pode ser analsado como os resultados σ anterores fazendo σ =. Ou seja, a capacdade será dada por: G C = π + * log 1 G = 1 σ (0) * π * ota-se que G = SR é a razão snal-ruído no -ézmo receptor. σ Assm a capacdade pode ser escrta como: * ( SR ) log 1 (1) = 1 C = + Para uma dstrbução gual de potênca entre os transmssores, tem se: PT log 1 G () = 1 σ C = + A extensão para o caso de snas de RF representados por suas envoltóras complexas pode ser feta sem maores dfculdades. As prncpas consderações a serem fetas são: () que as componentes do snal do ruído e os ganhos do canal são complexos; () os valores médos quadrátcos destas componentes devem ser tomados em módulo. o caso de um canal com ganhos aleatóros, pode se fazer a mesma normalzação realzada anterormente: H G = (3) ( ) E G Adconalmente, pode se consderar que todos os ganhos têm o mesmo valor médo quadrátco, e assm defnr:

8 Teora da Informação no Sstema MIMO 3 ( ) PE T G ρ = (4) σ e tem se a segunte capacdade: C = + π * log 1 ρ H = 1 P (5) T sendo π * P T a fração da potênca atrbuída ao transmssor. Se a potênca for dstrbuída gualmente entre todos os transmssores, chega se a: ρ C = + log 1 H = 1 (6).5 Redução de um sstema MIMO a um sstema de canas paralelos Será mostrado a segur que um sstema MIMO pode ser reduzdo a um sstema de canas paralelos com a mesma capacdade obtda para o mesmo snal de entrada. Esta redução é feta através da decomposção de valor sngular da matrz de ganhos do canal, ou seja G = UDV H (7) onde G é uma matrz (M ), U e V são matrzes ortogonas UU H = I, VV H = I com dmensões M M e, respectvamente, D é uma matrz dagonal M cujos os elementos da dagonal são guas à raz quadrada dos autovalores de GG H e ( H ) sgnfca conjugada-transposta. As colunas de U e V são os autovetores de GG H e G H G, respectvamente. Usando (7) em (), tem se: r = UDV H s + n (8) Defnndo

9 Teora da Informação no Sstema MIMO 33 r = = H U r H s V s n = H U n tem se: r = Ds + n (9) Pode-se mostrar que este sstema com entrada ~ s, canal D, ruído n ~ e saída r ~ é equvalente a (8) no que se refere à capacdade, ou seja, tem se a mesma capacdade para a mesma fdp (função densdade de probabldade) do snal de entrada. Pode-se mostrar também que o número máxmo de autovalores não nulos é gual a m = mn(m, ). Assm, D pode ser escrta como: 1 λ D = λ se M > ou 1 λ D = λm 0 se M < Para o caso M > : 1 r 1 λ s 1 n = λ r M s M n M r = λ s + n r = λ s + n 1... r = λ s + n 1... r M = n M

10 Teora da Informação no Sstema MIMO 34 Assm, tem-se canas paralelos para (M > ). Todos os snas transmtdos são relevantes e tem-se M receptores apenas com ruído. Para o caso M < : ~ ~ ~ r1 s 1 1 n1 λ = λ 0 ~ M ~ ~ r M s n M ~ ~ ~ 1 r1 = λ1 s1+ n1 ~ ~ ~ 1 = λ + r s n... ~ ~ ~ 1 M = λm M+ M r s n Assm, tem-se M canas paralelos para (M < ). Todos os receptores são relevantes e M transmssores não são usados. Com a redução do sstema MIMO de matrz do canal G a um sstema com m canas paralelos ndependentes, pode se determnar a capacdade do canal através de (0) substtundo G por λ, sto é m * π C = log 1+ λ = 1 σ (30) Para um sstema em que a potênca, P T, é dstrbuída gualmente nas antenas transmssoras, pode se aplcar () obtendo C = + P m T log 1 λ = 1 σ (31) Supondo uma matrz G com { } j E G constante para todo e j. Pode se defnr a razão snal ruído de longo prazo através de (5) e a capacdade por: ρ C = + λ m * log 1 = 1 (3)

11 Teora da Informação no Sstema MIMO 35 sendo { * } λ os autovalores de HH H e H = G. E G j { } Assm, o valor da capacdade dependerá dos números de canas paralelos ndependentes (m) que poderão ser utlzados na transmssão. O valor de m será defndo pelo número de autovalores ndependentes obtdos da matrz da decomposção da matrz do canal. Pode ser vsto em (31) que a capacdade cresce lnearmente com m = mn(m,) [1, 3]. Pode-se mostrar que a capacdade de um canal MIMO dada por (3) também pode calculada pela equação abaxo [1, 3]. ρ H C = log det I + HH b/s/hz (33) onde I é uma matrz dentdade M M, ρé a razão snal-ruído méda recebda em cada antena receptora e H é a matrz determnístca do canal M. Maores detalhes da determnação da Equação (33) podem ser encontrados em [1, 3]. Para mostrar que (33) pode calculada por (3), dagonalzamos HH H : H H HH = UΛ U onde U é uma matrz ortogonal, ou seja, * defnda pela seus os autovalores λ, onde U 1 H = U, e Λ uma matrz dagonal D Λ= E{ G } j. Assm: ρ H C = log det I + UΛU H ρ H C = log detuu I + UΛU H ρ H C = log detu U + ΛU ρ H C = log detu det I + Λ detu m ρ ρ * C = log det I + Λ log 1 λ = + = 1 m ρ * C = log 1+ λ = 1

12 Teora da Informação no Sstema MIMO 36.6 Exemplos Para observar o comportamento da capacdade em função da matrz do canal, será apresentado alguns exemplos. Suponha que H = I. A matrz Λ é dada por: Λ= Para esta stuação obtém-se o número máxmo de canas paralelos com todos possundo o mesmo ganho. Para este caso temos a capacdade máxma dada por [3,8] para M: ρ CMAX = log 1+ M bts/s/hz (34) Suponha agora que H, j = 1 para todo e j. A matrz HH H tem todo os elementos guas e portanto todas as lnhas são guas. A matrz Λ é dada por: M Λ= Só exste um autovalor dferente de zero, ou seja, exste apenas um únco canal paralelo. A capacdade obtda é a capacdade mínma que é dada por [3, 8]: CMI ( ρm) = log 1+ bts/s/hz (35) Os dos canas acma representam as stuações extremas: () todos os subcanas com ganhos guas; neste caso a capacdade é mínma; () apenas pares dstntos de antenas transmssoras e receptoras com ganhos não nulos (guas) com um únco canal paralelo e apenas sub-canas com ganhos não nulos; neste caso a capacdade é máxma.

13 Teora da Informação no Sstema MIMO 37 o caso de canas aleatóros, o grau de correlação entre os canas paralelos tem nfluênca mportante na capacdade do canal. Em geral, espera-se um aumento na capacdade com o decréscmo da correlação entre sub-canas. Isto fo verfcado em város expermentos como por exemplo em [9, 10, 11]. Em [9, 10, 11, 35], foram observados que aumentando a dstanca entre os elementos do arranjo ou utlzar elementos com polarzação dferentes reduz a correlação dos sub-canas. Contudo, aumentar a dstanca entre os elementos do arranjo nem sempre é possível e, de fato, nem sempre garante uma descorrelação dos snas como mostrado em [11, 1]. O aumento e decréscmo da capacdade podem também estar assocados a outros parâmetros de propagação tas como espalhamento angular, espalhamento de retardos, número de multpercurso e a potênca carregada por eles. É mportante anda notar que o número sgnfcante de autovalores depende da razão snal-ruído do enlace. Canas com valores baxos de capacdade têm sdo estudados e avalados em város trabalhos e são chamados de keyhole ou pnhole [11, 1]. Para caracterzar este tpo de canal, vamos supor que a matrz do canal é dada por H = h Rx (h Tx ) T, onde Tx h e( h ) T = ( h Tx 1, h Tx... h Tx ). este caso, o snal Rx ( ) T = ( h Rx 1, h Rx... h Rx M ) recebdo é dado por: Rx Tx h1 sh 1 Rx Tx Rx Tx Rx Tx = 1 h1 h1 h1 h h1 h s1 Rx Tx Rx Tx Rx Tx s h h1 h h h sh 1 r = + n r = = 1 + n Rx Tx Rx Tx h s M h1 hm h Rx Tx hm sh 1 = 1 Observa-se que as lnhas e colunas da matrz de ganhos são lnearmente dependentes causando, assm, a redução do posto da matrz. Para uma nterpretação físca do modelo matemátco sugerdo acma, suponha que o sstema MIMO esteja operando em um canal rco em espalhadores, e que os elementos dos arranjos de transmssão e recepção estejam sufcentemente separados, de manera a produzr uma descorrelação nos snas dos sub-canas. Suponha também que entre o arranjo de transmssão e recepção

14 Teora da Informação no Sstema MIMO 38 exsta apenas uma abertura estreta (um keyhole ou pnhole), através da qual todos os snas de propagação devem passar (Fguras e 3). Fgura - Representação matemátca do canal Pnhole ou Keyhole channel Fgura 3 - Fscamente o canal Pnhole ou Keyhole Essa pequena abertura estreta força todos os componentes de multpercurso de um lado propagarem em conjunto no outro lado. Como resultado, tem-se um canal MIMO que não permte uma separação espacal dos snas no receptor, ndependentemente de quasquer outras condções favoráves. enhum ganho de multplexação é obtdo, contudo um ganho de dversdade é obtdo com a ordem de dversdade dado por mn(m,). a lteratura especula-se que portas e corredores poderam atuar como um keyhole para um sstema MIMO ndoor, e grandes dstâncas entre o transmssor e receptor poderam atuar como um keyhole para um sstema outdoor.

15 Teora da Informação no Sstema MIMO 39.7 Capacdade Ergódca e Capacdade Condconada a modelagem desenvolvda até aqu a capacdade tem sdo calculada para valores determnados da matrz de ganhos do canal. Como a matrz do canal é aleatóra, a capacdade do canal MIMO é também uma varável aleatóra e, neste caso duas defnções estatístcas da capacdade são usualmente utlzadas: a capacdade ergódca e a capacdade condconada. A capacdade ergódca é defnda como o valor esperado da capacdade e é dada por: ρ C =Ε + H log det IM HH b/s/hz (36) Ou seja, a capacdade ergódca do canal é a méda dos valores máxmos da taxa de nformação que pode ser transmtda consderando-se as varações do canal. A capacdade condconada (outage capacty) é um valor de capacdade C assocado a um valor de probabldade p, sgnfcando que exste uma probabldade p deste valor C não ser alcançado. A capacdade condconada é dada por: ρ H Pr ob log det IMR + HH Coutage = p MT (37) Varando-se p entre 0 e 1, obtém-se a função dstrbução cumulatva da capacdade. A segur são apresentados dversos resultados de capacdade para um sstema MIMO com sub-canas estatstcamente ndependentes todos com desvanecmento plano de Raylegh. este caso, todos os elementos da matrz H do canal são varáves aleatóras complexas Gaussanas estatstcamente ndependentes de méda nula e varânca untára. Os resultados foram obtdos por smulação. Para uma razão snal ruído e = M varáves, tem se as seguntes capacdades apresentadas na Fgura 4.

16 Teora da Informação no Sstema MIMO 40 Fgura 4 - Capacdades obtdas para uma razão snal ruído e = M varável Para uma razão snal-ruído e M varáves e = 4, temos as seguntes capacdades apresentadas na Fgura 5. Fgura 5 - Capacdade obtda para uma razão snal-ruído e M varáves e = 4 Através das Fguras 4 e 5, pode se observar o crescmento lnear da capacdade com o aumento da razão snal-ruído.

17 Teora da Informação no Sstema MIMO 41 Para uma razão snal ruído SR = 0 fxo e = M varáves, tem se as capacdades apresentadas na Fgura 6. Fgura 6 - Capacdades obtdas para uma razão snal ruído, SR = 0, fxo e = M varáves Para uma razão snal ruído SR = 0 fxo, M varável e = 4, temos as capacdades mostradas na Fgura 7. Fgura 7 - Capacdades obtdas para uma razão snal ruído, SR = 0, fxo, M varável e = 4

18 Teora da Informação no Sstema MIMO 4.8 Capacdade do sstema MIMO com um canal seletvo em freqüênca Toda a análse de capacdade feta até aqu supõe um canal de faxa estreta o que permte expressar o snal recebdo como produto do snal transmtdo por um coefcente constante, determnístco ou aleatóro, ou seja, o canal bascamente ntroduz um ganho determnístco ou aleatóro no snal transmtdo. Em um canal de faxa larga, obvamente esta aproxmação não é válda e o canal deverá ser representado por sua resposta mpulsva temporal ou sua função de transferênca G(f). Defnndo como g,j (t) a resposta mpulsva do canal entre a antena transmssora j e a antena receptora tem-se a segunte expressão do snal recebdo: r() t = s () t g () t + n(); t = 1,... M (38) j, j j= 1 a ausênca de ruído, pode-se obter a segunte expressão em forma matrcal para o snal no receptor: R(f) = S(f)G(f) (39) onde G(f) é a matrz cujo elemento genérco é G,j (f), a transformada de Fourer de g,j (t) e S(f) é o vetor cujas componentes são as transformadas de Fourer de s j (t). Pode-se mostrar que a capacdade do canal neste caso pode ser expressa por 1 ρ C = + ( f ) ( f ) df B H log det B I H H (40) onde H(f) é a matrz de função de transferênca normalzada do canal e B é a banda consderada. Uma forma prátca de calcular (40) é dvdr a banda do canal em subbandas sufcentemente estretas para que a varação da função de transferênca seja pequena e possa ser consderada constante, como mostra a Fgura 8. este caso, cada sub-banda representara um canal de faxa estreta sujeto a um desvanecmento plano e a capacdade é aproxmadamente a méda das

19 Teora da Informação no Sstema MIMO 43 capacdades obtdas para cada sub-banda, de acordo com a formulação desenvolvda anterormente, sto é: 1 ρ C = + s H log det I bt/s/hz s = 1 H H (41) onde H é a matrz de ganhos normalzados para a sub-banda. Um parâmetro mportante de um canal de faxa larga aleatóro, também denomnado canal com desvanecmento seletvo em freqüênca, é a sua banda de coerênca, defnda como a largura de faxa dentro da qual a covarânca da função de transferênca do canal está acma de um determnado lmte. Sub-canas com largura menor do que a banda de coerênca de um canal seletvo são geralmente consderados de faxa estreta e este crtéro pode ser utlzado para determnar as sub-bandas no cálculo da capacdade de um canal de faxa larga. H1 H HQ b <= Banda de Coerênca Q = B/ b B Hz Fgura 8 - Capacdade de um canal seletvo em freqüênca A análse do sstema MIMO com um canal seletvo em freqüênca, possbltou a ntegração do sstema MIMO com a modulação OFDM (Orthogonal Frequency-Dvson Multplexng). Um modelo de canal seletvo em freqüênca para o sstema MIMO-OFDM fo deduzdo e uma análse do comportamento da capacdade fo realzada em [4].

20 Teora da Informação no Sstema MIMO 44.9 Grau de Lberdade Efetvo (EDOF) e úmero de Condção (C) A grande capacdade conseguda no sstema MIMO vem bascamente do ganho de multplexação, ou seja, vem da possbldade de transmtr smultaneamente dferentes snas através dos canas paralelos. O posto da matrz do canal é uma manera de se medr o ganho de multplexação. Porém, mutos desses canas paralelos podem ter ganhos baxos e, dependendo da potênca de transmssão dsponível, podem não ser utlzados. Por essa razão, é de nteresse conhecer o número efetvo dos canas paralelos. Assm, é mportante defnr o grau de lberdade efetvo do canal, dado pela Equação (4) [10]. EDOF Δ = d dc x ( ) ( x) ( log ) x = SR (4) Esta medda quantfca o numero de sub-canas que contrbuem na capacdade. Para valores altos de SR, o EDOF é aproxmadamente gual ao posto da matrz. Um aspecto chave na avalação da capacdade é a caracterzação dos canas paralelos ndependentes que podem ser dentfcadas na matrz do canal. O número de canas paralelos está relaconado ao número dos autovalores sgnfcatvos (posto da matrz da correlação). Os autovalores podem ser nterpretados como os ganhos de potênca dos canas paralelos. A dstrbução dos autovalores determna a capacdade do sstema, e algumas técncas de transmssão que tem por objetvo aumentar a taxa de transmssão, tal como multplexação espacal [3], dependem destes autovalores. Em [6, 13] os canas paralelos foram nvestgados para dferentes topologas analsando os autovalores. Em [6], um ambente correlaconado e não correlaconado fo nvestgado através da analse dos autovalores. Como a matrz do canal é aleatóra, os autovalores são varáves aleatóras e tanto os valores médos como os valores obtdos a partr de um lmar de uma cdf podem ser usados para a descrção dos canas paralelos. Como já fo demonstrado, para um canal deal o número de autovalores é mn(m, ). Por outro lado, para um canal totalmente correlatado exste apenas um únco autovalor.

21 Teora da Informação no Sstema MIMO 45 A taxa entre o máxmo e o mínmo autovalor da matrz de correlação do canal, chamada Condton umber (C), pode fornecer ndcações da qualdade do canal. Em geral, canas com valores pequenos de C apresentam alta capacdade [1]. Assm, tem se que o C é dado por: MAX C = λ (43) λ MI

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

2 Incerteza de medição

2 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 mais

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

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

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 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 mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

PRESSUPOSTOS DO MODELO DE REGRESSÃO

PRESSUPOSTOS DO MODELO DE REGRESSÃO PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Realimentação negativa em ampliadores

Realimentação negativa em ampliadores Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação

Leia mais

3 Cálculo Básico de Enlace Via Satélite

3 Cálculo Básico de Enlace Via Satélite 35 3 Cálculo Básco de Enlace Va Satélte Neste capítulo é tratado o cálculo básco de um enlace va-satélte, subentenddo em condções normas de propagação (espaço lvre) nos percursos de subda e descda e consderados

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1 Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

4 Análise de confiabilidade de estruturas

4 Análise de confiabilidade de estruturas 4 Análse de confabldade de estruturas Nos prmórdos da engenhara cvl, o desconhecmento técnco-centífco conduza a proetos excessvamente seguros, mas em contrapartda de custo muto elevado. Hoe em da, o progresso

Leia mais

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

Leia mais

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo: MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no

Leia mais

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

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

Leia mais

O problema da superdispersão na análise de dados de contagens

O 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 mais

IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO

IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;

Leia mais

Análise de influência

Análise de influência Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

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

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

Leia mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores. MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os 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 mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

Leia mais

Gestão e Teoria da Decisão

Gestão e Teoria da Decisão Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas

Leia mais

Análise Complexa Resolução de alguns exercícios do capítulo 1

Análise Complexa Resolução de alguns exercícios do capítulo 1 Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +

Leia mais

Análise de Regressão

Análise de Regressão Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal

Leia mais

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

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

Leia mais

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

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

Leia mais

Classificação de Padrões

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

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

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

Leia mais

2 Lógica Fuzzy Introdução

2 Lógica Fuzzy Introdução 2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade

Leia mais

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

ANÁLISE DA VARIÂNCIA DA REGRESSÃO ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos

Leia mais

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

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

Leia mais

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;

Leia mais

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente

Leia mais

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um). INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca

Leia mais

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos Mecânca Estatístca Tal como a Termodnâmca Clássca, também a Mecânca Estatístca se dedca ao estudo das propredades físcas dos sstemas macroscópcos. Tratase de sstemas com um número muto elevado de partículas

Leia mais

Análise Descritiva com Dados Agrupados

Análise Descritiva com Dados Agrupados Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas

Leia mais

4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES

4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES 4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento

Leia mais

Notas de Aula de Probabilidade A

Notas de Aula de Probabilidade A VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável

Leia mais

ESCOLA DE APLICAÇÃO DR. ALFREDO JOSÉ BALBI UNITAU APOSTILA PROF. CARLINHOS MATRIZES NOME DO ALUNO: Nº TURMA: blog.portalpositivo.com.

ESCOLA DE APLICAÇÃO DR. ALFREDO JOSÉ BALBI UNITAU APOSTILA PROF. CARLINHOS MATRIZES NOME DO ALUNO: Nº TURMA: blog.portalpositivo.com. ESCOL DE PLICÇÃO DR. LFREDO JOSÉ BLBI UNITU POSTIL MTRIZES PROF. CRLINHOS NOME DO LUNO: Nº TURM: blog.portalpostvo.com.br/captcar MTRIZES Uma matrz de ordem m x n é qualquer conunto de m. n elementos dspostos

Leia mais

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução da

Leia mais

PROBABILIDADE - CONCEITOS BÁSICOS

PROBABILIDADE - CONCEITOS BÁSICOS ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo

Leia mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

4 Planejamento de Rede

4 Planejamento de Rede 43 4 Planejamento de ede este capítulo é apresentado o planejamento da rede do sstema CDMA, nclundo dmensonamento, planejamento de capacdade e cobertura e otmzação da rede [4] O planejamento vsa à alocação

Leia mais

2 - Análise de circuitos em corrente contínua

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

Leia mais

Mecanismos de Escalonamento

Mecanismos de Escalonamento Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur

Leia mais

CQ110 : Princípios de FQ

CQ110 : Princípios de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076

NOTAS DE AULA DA DISCIPLINA CE076 5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura

Leia mais

Atividade em Soluções Eletrolíticas

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

Leia mais

Diferença entre a classificação do PIB per capita e a classificação do IDH

Diferença entre a classificação do PIB per capita e a classificação do IDH Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

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

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 5.3 Afectação de Bens Públcos: a Condção de Isabel Mendes 2007-2008 5/3/2008 Isabel Mendes/MICRO II 5.3 Afectação de Bens

Leia mais

ANÁLISE DA SEGURANÇA NO PROJETO DE ESTRUTURAS: MÉTODO DOS ESTADOS LIMITES

ANÁLISE DA SEGURANÇA NO PROJETO DE ESTRUTURAS: MÉTODO DOS ESTADOS LIMITES ANÁLISE DA SEGURANÇA NO PROJETO DE ESTRUTURAS: MÉTODO DOS ESTADOS LIMITES Lela A. de Castro Motta 1 & Maxmlano Malte Resumo Este trabalho aborda a ntrodução da segurança baseada em métodos probablístcos,

Leia mais

Capítulo V - Modulação

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

Leia mais

3.2 Modulações não-binárias (MPSK)

3.2 Modulações não-binárias (MPSK) odulações dgtas 3 odulações dgtas lneares com detecção coerente 3. odulações não-bnáras (SK) QSK: formas de onda e componentes em fase e em quadratura E π s() t = cos π fct ( ) T 4 t T =,,3, 4 f c = nc,

Leia mais

Gabarito da Lista de Exercícios de Econometria I

Gabarito da Lista de Exercícios de Econometria I Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076

Leia mais

3 Subtração de Fundo Segmentação por Subtração de Fundo

3 Subtração de Fundo Segmentação por Subtração de Fundo 3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

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

Leia mais

EXPANSÃO TÉRMICA DOS LÍQUIDOS

EXPANSÃO TÉRMICA DOS LÍQUIDOS Físca II Protocolos das Aulas Prátcas 01 DF - Unversdade do Algarve EXPANSÃO ÉRMICA DOS ÍQUIDOS 1 Resumo Estuda-se a expansão térmca da água destlada e do glcerol utlzando um pcnómetro. Ao aquecer-se,

Leia mais

Electromagnetismo e Óptica

Electromagnetismo e Óptica Electromagnetsmo e Óptca aboratóro - rcutos OBJETIOS Obter as curvas de resposta de crcutos do tpo sére Medr a capacdade de condensadores e o coefcente de auto-ndução de bobnas por métodos ndrectos Estudar

Leia mais

Medidas e resultados em um experimento.

Medidas e resultados em um experimento. Meddas e resultados em um expermento. I- Introdução O estudo de um fenômeno natural do ponto de vsta expermental envolve algumas etapas que, mutas vezes, necesstam de uma elaboração préva de uma seqüênca

Leia mais

AMPLIAÇÃO DE ESCALA. Adimensionais: dq dq dqs. dt dt dt. Reynolds. Número de Potência. Número de Froude

AMPLIAÇÃO DE ESCALA. Adimensionais: dq dq dqs. dt dt dt. Reynolds. Número de Potência. Número de Froude AMPLIAÇÃO E ESCALA Admensonas: Reynolds Re ρ N /μ Número de Potênca dq dq dqs o dqv Número de Froude Fr N / g AMPLIAÇÃO E ESCALA COMO CORRELACIONAR k L a com potênca de agtação? Os japoneses propões aquecer

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot)

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot) Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 2.1 Olgopólo em Quantdades (Cournot) Isabel Mendes 2007-2008 18-03-2008 Isabel Mendes/MICRO II 1 2.1 Olgopólo em Quantdades

Leia mais

Resolução das Questões Objetivas

Resolução das Questões Objetivas COMISSÃO PERMANENTE DE SELEÇÃO COPESE PRÓ-REITORIA DE GRADUAÇÃO PROGRAD CONCURSO PISM III - TRIÊNIO 2008-2010 Prova de Matemátca Resolução das Questões Objetvas São apresentadas abaxo possíves soluções

Leia mais

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação. Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,

Leia mais

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares novembro 0 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares quadrmestre 0 Além destes eercícos,

Leia mais

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): A redução da

Leia mais

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na

Leia mais

Sumarização dos dados

Sumarização dos dados Inferênca e Decsão I Soluções da Colectânea de Exercícos 22/3 LMAC Capítulo 2 Sumarzação dos dados Nota: neste capítulo é apresentada a resolução apenas de alguns exercícos e a título ndcatvo. Exercíco

Leia mais

Exercícios de CPM e PERT Enunciados

Exercícios 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 mais

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,

Leia mais

Tipo tratamento idade Tipo tratamento sexo

Tipo tratamento idade Tipo tratamento sexo Modelos de Regressão em Saúde Rejane Sobrno Pnhero Tâna Zdenka Gullén de Torres Modelos de Regressão Famíla de técncas estatístcas város fatores meddos (predtor, covarável, varável ndependente) relaconados

Leia mais

ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO

ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ADMINISTRAÇÃO ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Eemplos em STATA. Prof. Dr. Evandro Marcos

Leia mais

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 ) DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco

Leia mais

3. Um protão move-se numa órbita circular de raio 14 cm quando se encontra. b) Qual o valor da velocidade linear e da frequência ciclotrónica do

3. Um protão move-se numa órbita circular de raio 14 cm quando se encontra. b) Qual o valor da velocidade linear e da frequência ciclotrónica do Electromagnetsmo e Óptca Prmero Semestre 007 Sére. O campo magnétco numa dada regão do espaço é dado por B = 4 e x + e y (Tesla. Um electrão (q e =.6 0 9 C entra nesta regão com velocdade v = e x + 3 e

Leia mais

γ = C P C V = C V + R = q = 2 γ 1 = 2 S gas = dw = W isotermico

γ = C P C V = C V + R = q = 2 γ 1 = 2 S gas = dw = W isotermico Q1 Um clndro feto de materal com alta condutvdade térmca e de capacdade térmca desprezível possu um êmbolo móvel de massa desprezível ncalmente fxo por um pno. O rao nterno do clndro é r = 10 cm, a altura

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise 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 mais

Introdução ao Método dos Elementos Finitos: Estruturas Articuladas

Introdução ao Método dos Elementos Finitos: Estruturas Articuladas Análse de Estruturas II: Estruturas Artculadas Introdução ao Método dos Elementos Fntos: Estruturas Artculadas. Introdução O modelo de estrutura artculada, o mas smples dos modelos estruturas, é utlzado

Leia mais

Estudo e Previsão da Demanda de Energia Elétrica. Parte II

Estudo e Previsão da Demanda de Energia Elétrica. Parte II Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo

Leia mais

Estudo de Curto-Circuito

Estudo de Curto-Circuito Estudo de Curto-Crcuto Rotero. Objetvo / aplcações. Natureza da corrente de defeto 3. Resposta em regme (4 tpos de defeto) 4. Resposta transtóra 5. Conclusões Objetvo Determnação de correntes e tensões

Leia mais

CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA

CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA 3. Método Utlzando Ponto de Controle O uso de pontos de controle é o meo mas exato para a determnação do offset da fase nterferométrca. Normalmente utlza-se

Leia mais

Circuitos Eletrônicos Analógicos:

Circuitos Eletrônicos Analógicos: Crcutos Eletrôncos Analógcos: Crcutos com Amplfcadores Operaconas Prof. Pedro S. Almeda Pedro de Asss Sobrera Jr. 2 Conteúdo da aula Introdução ao amplfcador operaconal Conceto dealzado Análse com crcutos

Leia mais

4 Análise termoeconômica

4 Análise termoeconômica 4 Análse termoeconômca Os capítulos precedentes abordaram questões emnentemente térmcas da aplcação de nanofludos em sstemas ndretos de refrgeração. Ao tratar das magntudes relatvas e da natureza das componentes

Leia mais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais Ano lectvo: 2006/2007 Unversdade da Bera Interor Departamento de Matemátca ESTATÍSTICA Fcha de exercícos nº2: Dstrbuções Bdmensonas Curso: Cêncas do Desporto 1. Consdere a segunte tabela de contngênca:

Leia mais

Eletromagnetismo. Distribuição de grandezas físicas: conceitos gerais

Eletromagnetismo. Distribuição de grandezas físicas: conceitos gerais Eletromagnetsmo Dstrbução de grandezas físcas: concetos geras Eletromagnetsmo» Dstrbução de grandezas físcas: concetos geras 1 Introdução Pode-se caracterzar um problema típco do eletromagnetsmo como o

Leia mais

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. rova /7/2006 rofa. Ana Mara Faras Turma A 4-6 hs. Consdere os dados da tabela abaxo, onde temos preços e uantdades utlzadas de materal de escrtóro. Item Undade reço

Leia mais

Ruído em Sistemas de Telecomunicações

Ruído em Sistemas de Telecomunicações Ruído em Sstemas de Telecomuncações SEL 413 Telecomuncações Amílcar Carel César Departamento de Engenhara Elétrca da EESC-USP Atenção! Este materal ddátco é planejado para servr de apoo às aulas de SEL-413:

Leia mais

Ruído. SEL 371 Sistemas de comunicação. Amílcar Careli César Departamento de Engenharia Elétrica da EESC-USP

Ruído. SEL 371 Sistemas de comunicação. Amílcar Careli César Departamento de Engenharia Elétrica da EESC-USP Ruído SEL 371 Sstemas de comuncação Amílcar Carel César Departamento de Engenhara Elétrca da EESC-USP Atenção! Este materal ddátco é planejado para servr de apoo às aulas de SEL-371 Sstemas de comuncação,

Leia mais