SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
|
|
- Irene Rodrigues Quintão
- 5 Há anos
- Visualizações:
Transcrição
1 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ PROGRAMAÇÃO NÃO LINEAR COM PARÂMETROS FUZZY Luza Aala Pto Catão Akebo Yaaka DT FEEC UNICAMP CP: Capas SP Brasl {luzaakebo}@dt.fee.ucap.br Resuo Apresetaos aqu alguas odfcações os étodos de Prograação Não-Lear para a zação de probleas vsado tratar aqueles co fuções objetvo co certeza e seus coefcetes caracterzados coo parâetros fuzzy úeros fuzzy). Para sso estabeleceos alguas propredades báscas tas coo: defção de fução covexa fuzzy dferecabldade e ío de fuções fuzzy e falete suas codções de otaldade. Algus étodos para probleas rrestrtos e restrtos de Prograação Não-Lear Fuzzy são propostos tas coo:. Probleas Irrestrtos: étodos de busca udesoal co e se dervadas e os étodos de busca ultdesoal co e se dervadas;. Probleas Restrtos: étodo de fução pealdade e fução barrera e étodo de dreções váves. Falete apresetaos aplcações e algus probleas clásscos e as aálses de seus resultados. Palavras chave: Prograação Não-Lear Fuzzy Prograação Mateátca Fuzzy Parâetros Fuzzy. Abstract I ths paper we preset soe odfcatos the Nolear Prograg ethods for the zato of probles wth ucerta coeffcets o the objectve fucto.e. the coeffcets are fuzzy paraeters fuzzy ubers). For ths purpose we establsh soe basc propertes such as: defto of fuzzy covex fuctos dfferetablty ad u the fuzzy fraework ad fally the optalty codtos. Soe ethods of Nolear Prograg for both ucostraed ad costraed probles are proposed such as:. Ucostraed Proble: lear search wth ad wthout dervatves ultdesoal search wth ad wthout dervatves;. Costraed Probles: Pealty ad Barrer fuctos ad ethod of feasble drectos. Fally soe classcal probles were solved ad ther results are aalysed. Key Words: Fuzzy Nolear Prograg Fuzzy Matheatcal Prograg Fuzzy Paraeters.
2 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ. Itrodução A proposta da Prograação Mateátca é a de resolver probleas reas ode sua odelage utas vezes basea-se e dados certos. A teora Fuzzy ajuda-os a odelar esses probleas probleas co certeza e algus aspectos de sua odelage. Estas certezas pode ocorrer de fora qualtatva pertdo a volação do cojuto de restrções g ) x 0 =... ) coo aquela apresetada e [tl-988] e/ou a fora quattatva ode os coefcetes dados) do problea são certos caracterzados por parâetros fuzzy úeros fuzzy). Os coefcetes fuzzy pode ocorrer soete a fução objetvo soete os coefcetes das restrções ou e abos os casos. A proposta deste trabalho é a de desevolver ferraetas teórcas e prátcas para probleas de Prograação Não-Lear co parâetros fuzzy a fução objetvo. Aqu os parâetros fuzzy presetes os coefcetes da fução objetvo são tratados coo úeros fuzzy. Cada úero fuzzy a F ode F é o cojuto de úeros fuzzy sobre R está assocado a ua fução de pertêca tragular deotada por µ a : R [0] ode: x a se x [ a a] a a a x µ a = se x [ a a] a a 0 caso cotráro. Os úeros fuzzy serão caracterzados por tervalos de cofaça e por seus -cortes µ { µ } ) a = x / a : a = [ a a ] = [ a + a a) a a a) ] ode a e a são os ltes à esquerda e à dreta do valor odal de a respectvaete. Note que o valor odal de u úero fuzzy a é aquele ode a fução de pertêca assocada te o seu valor áxo ou seja µ a =. As fuções a e a represeta as fuções versas da fução de pertêca tragular à dreta e à esquerda do valor odal respectvaete. A represetação do úero fuzzy zero será: 0 = [ ε ) ε ) ] sedo ε ε os ltes à esquerda e à dreta de 0. Ass u problea de Prograação Não Lear co parâetros fuzzy pode ser forulado da segute aera: f ) S. a x S sedo f a ; : F R ) R F a F R ) x R e S o cojuto de soluções váves para o problea rrestrto S R ) e o cojuto de restrções para o problea restrto S = { x X / g 0 h = 0}). O problea ) apla o espectro da otzação ão lear ao possbltar a trodução das certezas aturalete presetes e dversas odelages; apresetareos etão os resultados teórcos e coputacoas relatvos à solução uérca deste tpo de problea. Na seção abordareos fuções covexas fuzzy dferecabldade de fuções fuzzy dervada drecoal fuzzy e ío de fuções fuzzy. Estes resultados teórcos fora a base ecessára para a defção das codçoes de otaldade fuzzy. Na seção 3 apresetareos as odfcações propostas para algus étodos clásscos de otzação de fora a aprovetá-los a resolução uérca de probleas do tpo ). Falete a seção 4 os resultados de aplcações dos algortos propostos a probleas testes são aalsados.
3 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ. Covexdade Fuzzy e Codções de Otaldade Nesta seção abordareos calete covexdade fuzzy sua defção e alguas propredades. Posterorete abragereos as codçoes de otaldade para probleas co fução objetvo fuzzy.. Covexdade de Fuções co Parâetros Fuzzy A fução fuzzy abordada aqu segue a esa defção da fução objetvo do problea ). Defção: Ua fução co parâetros fuzzy é covexa se: f λx + λ) x ) λf x ) + λ) f ) x sedo x x R x x a F R ) e λ [0]. A dervada de ua fução co parâetros fuzzy deve satsfazer as segutes codções coo e [ka-987] e [db-98]:. Noralzação: x 0 R tal que µ y) = ; f x0 ). Cotudade: µ y) é cotíuo; f 3. Suporte-ltado: Exste u tervalo x ] tal que Supp µ ) [ x x ] sedo [ x f Supp µ ) = { x R / µ > 0} ; f f 4. Covexdade: µ y) é covexo. f Para o resultado segute assua a defção de fução co parâetros fuzzy dferecável dada por [ka-987] ode verfca-se tabé a prova do teorea que segue. Teorea: [ka-987] Seja f a ; : F R ) R F co a F R ) e x R ua fução dferecável. Deote [ ; ) ; ) f a x = f a x f ] [0 ]. Etão f e f são f ' = f ' f ' ). dferecáves e [ ] [ ] x Agora podeos defr dervada drecoal de fuções covexas co parâetros fuzzy co base e [bs-993] que relacoa dreções ao coportaeto da fução. Defção: Seja S F R ) R u cojuto ão-vazo e seja f a ; : S F. Seja x R e d u vetor ão-ulo tal que x + λd para λ > 0 e sufceteete pequeo. A dervada drecoal de f e x a dreção d é defda quado os ltes dcados abaxo exste e são guas: f x + λd) f l λ + λ 0 e f a ; f x + λd) l. λ + λ 0 Teorea: Cosdere a segute fução fuzzy f para qualquer poto x R e ua dreção ão-ula d F R ) R ; seja ν λ) = f x + λd) ua fução fuzzy de λ R. Etão f é covexa se e soete se ν é covexa para todo x e d ão-ulo e F R ) R. O próxo teorea pertrá verfcar a covexdade de fuções co parâetros fuzzy duas vezes dferecáves. Note tabé que o teorea é váldo se o cosderaros para todos os eleetos de a ou seja para a a ode 0. a represeta o -corte de a e [ ]
4 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ Teorea: Seja S F R ) R u cojuto covexo ão-vazo e aberto e seja f a ; : S F ua fução co dervadas parcas de prera e seguda orde cotíuas. Etão as segutes afrações são equvaletes:. f é covexa para qualquer x S ;. f f + f ' x para cada x S ; 3. A atrz de dervadas parcas de seguda orde de f é se-defda postva para todo x S.. Codções de Otaldade para Probleas co Fução Objetvo Fuzzy Agora defreos ío de fuções covexas co parâetros fuzzy e codções de otaldade para probleas de prograação ão-lear fuzzy. Vale ecoar aqu que x S sepre será u úero ordáro a déa é a de propor étodos que gere ua solução ordára usado a precsão da fução objetvo para obter ua solução elhor. Defção: Seja f a ; : F R ) R F co a F R ) e x R. Cosdere o problea ) coo u problea rrestrto S R ). Seja x S ua solução vável para o problea. Se f f para x S etão x é u ío global. Se exste u ε R + ão-ulo tal que f f para x S satsfazedo x x < ε etão x é u ío local. Teorea: Seja f a ; : F R ) R F co a F R ) e x R ua fução covexa fuzzy. Cosdere o problea ) coo rrestrto S R ). Supoha que x S é ua solução óta local para o problea etão x é ua solução óta global. Teorea: Supoha que f a ; : F R ) R F co a F R ) e x R seja duas vezes dferecável e x.. Se exste u vetor d tal que ; T d f a 0 etão exste u δ > 0 tal que f x +λ d) f para cada λ 0 δ ) ode d é ua dreção de descda de f e x ;. Se x é u ío local etão ; ) f a x = 0 e H é se-defda postva. A prova dos teoreas aqu elaborados são slares aos apresetados e [bs-993]. Os resultados até aqu apresetados copõe a parte teórca dos étodos de otzação rrestrta. Cosdere agora os segutes probleas restrtos co parâetros fuzzy a fução objetvo: M. f M. f M. f h [ l].b) S. a 0 S. a g 0 [ ].a) S. a = 0 g [ ].c) x X x X h = 0 [ l] X x Na seção 3 vereos étodos que trabalha co probleas do tpo.a) do tpo.b) e do tpo.c). Cotudo para aor pratcdade abragereos a parte teórca para probleas restrtos cosderado o tpo.c). Vale lebrar que e cada u destes probleas podeos ecotrar restrções leares e restrções ão-leares.
5 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ Cosdere abaxo as segutes defções que serão usadas a apresetação dos resultados obtdos depedeteete por Karush 939) e por Kuh ad Tucker 95) as codções de otaldade de KKT. Defções:. Ua restrção de desgualdade g 0 se dz atva e u poto x se g = 0 ; o cojuto de ídces para as restrções atvas é dado por I = { : g = 0}.. U poto x satsfazedo g 0 para [ ] e h = 0 para [ l] se dz regular se os vetores gradetes g para I e h para [ l] são learete depedetes. 3. A fução Lagragaa co parâetros fuzzy assocada ao problea.c) é dada por: l L x; ν ρ) = f + ν g + ρ h ode ν e ρ são os ultplcadores de Lagrage para as restrções de desgualdade e de gualdade respectvaete. 4. Ua restrção atva se dz ão-degeerada se os correspodetes ultplcadores de Lagrage são estrtaete postvos. Cosdere agora as extesões das Codções de KKT para probleas de prograação ãolear co parâetros fuzzy. Codções Necessáras de a orde de KKT: Seja x u poto regular para as restrções do problea.c) e supoha que as fuções f g para [ ] e h para [ l] do problea.c) seja dferecáves. Se x é u poto de ío local do problea.c) etão exste ultplcadores de Lagrage ν 0 para [ ] e ρ para [ l] tas que: l L x; ν ρ) = f + ν g + ρ h = 0 3.a) = ν g = 0 [ ]. 3.b) Codções Necessáras de a orde: Supoha que a fução f a ; : F R ) R F e as fuções g R : R para [ ] e h R : R para [ l] são duas vezes dferecáves e seja x u poto regular para as restrções do problea.c). Se x é u poto de ío local para o problea.c) etão exste ultplcadores de Lagrage ν 0 para [ ] e ρ para [ l] tas que as codções e 3) se verfca e a atrz Hessaa: l L x ν ρ) = f + v g + ρ h 4) I = t é se-defda postva fuzzy logo y L x ν ρ) y 0 para y M e t t { 0: g y 0 para I h = 0 para = K l} M = y y. = = Codções Sufcetes de a orde: Seja x u poto regular para as restrções do problea.c). Supoha que exsta ultplcadores de Lagrage ν 0 para [ ] e ρ para [ l] tas que as codções e 3) se verfca e que a atrz Hessaa 4) seja sedefda postva fuzzy. Etão x é u poto de ío local para.c). Os resultados desta seção copõe a parte teórca dos étodos de otzação apresetados a seção 3. =
6 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ 3. Métodos de Prograação Não-Lear co Parâetros Fuzzy Nesta seção apresetareos as odfcações propostas e algus étodos clásscos de prograação ão-lear para fuções co parâetros fuzzy a fução objetvo. Ass fora pleetados étodos de otzação rrestrta étodos de busca udesoal e ultdesoal) e étodos de otzação co restrção étodo de fução pealdade e fução barrera e étodo de dreções váves). 3. Métodos de Prograação Não-Lear Irrestrta Apresetaos aqu duas classes de étodos: étodos de busca udesoal e ultdesoal. Para cada classe fora pleetados étodos de busca se o uso de dervadas e co o uso de dervadas baseado-se os algortos dados e [bs-993]. 3.. Métodos de Busca Udesoal Os preros étodos de busca udesoal pleetados fora aqueles que ão usa dervadas: Dcotôco Seção Áurea e Fboacc. Para esta classe de étodos a úca ferraeta fuzzy usada fo a coparação etre fuções fuzzy úeros fuzzy pos cada fução retora u úero fuzzy). Usaos o Prero Ídce de Yager coo e [bd-985] para efetuar tal coparação. Ipleetaos tabé étodos que usa as dervadas das fuções a sere otzadas e seus algortos: étodo da Bssecção étodo de Newto e da Falsa Posção. No étodo da Bssecção usou-se dos tpos de crtéros de parada: o taaho do tervalo de certeza e o caso ordáro f ' = 0. O últo crtéro evolve ua coparação fuzzy sto é ' ; ) f a x = 0. Neste caso o algorto pára quado f ') [ ε ε ] para algu [0] e ε sufceteete pequeo. Nos étodos de Newto e da Falsa Posção a coparação fuzzy é desecessára durate a execução do algorto. Poré o poto x k tora-se u úero fuzzy durate sua atualzação devdo ao tpo de aproxação usada veja [bs-993] e [lu-989]). A f de evtar a propagação fuzzy usaos u étodo de busca se o uso de dervadas para obter x k ordáro. Dado x k fuzzy este pode ser deotado por tervalos de cofaça e seus -cortes coo e [kg-99] ode x k = [ xk xk ]. Ass usado u étodo de busca se dervada coo ecoado aca otzaos o segute sub-problea: p f a ; y) sujeto a y x k. O parâetro p é cohecdo coo -preferêca e usa-se oralete o valor de Métodos de Busca Multdesoal Para esta classe de probleas pleetaos soete u étodo se o uso de dervadas o étodo de Rosebrock coo e [bs-993]. Este étodo slar aos étodos de busca udesoal usa soete a coparação etre úeros fuzzy coo ferraeta adcoal para otzação de fuções ultdesoas fuzzy pos retora ua solução x k ordára. Etre os étodos de busca ultdesoal que usa dervadas pleetaos: étodo de Newto Máxa Descda e Gradete Cojugado. A teração do étodo de Newto coo o caso udesoal retora x k fuzzy. Novaete o trasforareos e u valor ordáro. A atualzação de x k é dada por x k+ = xk + d k ode d ; ) k = H a xk f xk ). Note que d k é u vetor co copoetes fuzzy. Para splfcar a otação deotaos d coo tervalos de cofaça e seus -cortes coo e k
7 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ [kg-99]: d = [ d d ] para [0]. Ass d k pode ser dscretzado usado o algorto abaxo se o passo e odfcado o passo 3 para: x = = + [ ] k+ x j xk d j : f x j ). j J Nos étodos de Máxa Descda e Gradete Cojugado x k é atualzado por xk+ = xk + λkdk ode λ k é a solução do problea: f xk + λd k ) e d k é ua dreção de λ descda. Cada u destes étodos é caracterzado por dferetes aeras de se obter d k coo pode ser verfcado e [bs-993]. Novaete estes étodos forece d k coo u vetor co copoetes fuzzy e o dscretzaos usado o algorto abaxo. Algorto : Dscretzação da Dreção de Descda d Icalzação: d δ = para = 0 e J Ν u úero aor que zero. J Para j = 0 até = J faça Passo : Para cada eleeto de d k calcule d j = d + δ j) para = 0. Passo : Mze f xk + λd j ) sujeto a λ R. Passo 3: Seja x = = + [ ] k+ x j xk λ d j : f x j ). j J 3. Métodos de Prograação Não-Lear Restrta Para étodos de Prograação Não-Lear Restrta fora pleetados: étodo de Fução Pealdade problea.c)) étodo de Fução Barrera problea.a)) e falete o étodo de Dreções Váves de Topks e Veott problea.a)) baseados e [bs-993]. No prero étodo usaos a segute fução pealdade: co y ) = [ ax{ 0 y} ] p = g ) + Ψ h )) Ρ x ) = Φ x p Φ e Ψ y ) = y sedo as fuções pealdade das restrções de desgualdade e gualdade respectvaete. Otzaos o problea: f η Ρ sujeto a x X ode η k é o parâetro de pealdade. Resolveos o problea pealzado usado o étodo de Gradetes Cojugados coo dscutdo a seção ateror zação de fuções ultdesoas co coefcetes fuzzy). l = + k No étodo da fução Barrera usaos a fução Β x ) = l[ ] g e otzaos: = f + ϑ k Β sujeto a x X ode ϑ k é o parâetro de barrera e aalogaete ao étodo de fução Pealdade usaos o étodo de Gradetes Cojugados para fuções co coefcetes fuzzy a resolução do problea barrera. Nos étodo de Topks e Veott o cálculo de d k é feto através da resolução do segute problea de Prograação Lear PL): M. z Sujeto a f a ; T d z 0 T g d z g para = K d para = K l j 5)
8 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ A restrção f a ; T d z 0 é dscretzada e calculada coo os passos de Icalzação e passo do algorto. Para resolver o problea 5) dscretzado usaos o software LP Solve versão 3. vde [be-999]) e etão toaos xk+ = xk + λkdk coo aquele que as za o problea ou seja x = = + [ ] k+ x j xk λ d j : f x j ). Obteos λ k resolvedo: f x + λd k ) j J λ sujeto a 0 λ λax sedo λ ax = sup{ λ: g 0 para = K }. O algorto é falzado quado z = Resultados e Coetáros Fora pleetados os algortos apresetados a seção 3 e para este propósto desevolveos ua classe e C++ que odela o coceto de úeros fuzzy be coo as operações artétcas correspodetes baseado-se e [kg-99]. Apresetareos a segur os probleas testes e seus respectvos resultados através de tabelas. A colua f x ) ostra o valor da fução objetvo fuzzy calculada o poto x e coo este resultado é u úero fuzzy o prero úero apresetado é seu o valor odal o segudo e o tercero valores são os seus ltes feror e superor respectvaete. Para os étodos de busca udesoal usaos o segute problea: { x [ 9]: f ) x = ax b x + c a = b = c = 3} ode cada coefcete fuzzy teve ua perturbação de %. A tabela ostra os resultados obtdos sedo que as três preras lhas obteos os resultados para os étodos de busca se o uso de dervadas e estes atvera-se seelhates ao caso ordáro e as três últas lhas os resultados para os étodos de busca co o uso de dervadas obtedo ass resultados as precsos. Métodos Mío de f x f Iterações ) Dcôtoco ; ) 7 Seção Áurea ; ) 5 Fboacc ; ) 4 Bssecção 4 ; ) 03 Newto 4 ; ) 0 Falsa Posção ; ) 0 Tabela : Resultados obtdos para étodos de Busca Udesoal. Para os étodos de busca ultdesoal usaos três fuções para os testes: 4 f x ) = x ) + x x ) f3 x ) = x x ) + 00 x ) esta é ua varação da fução de 4 4 Rosebrock) e f 4 x ) = x + 0x ) + 5 x3 x4 ) + x x3) + 0 x x4 ) a fução de Fletche- Powell estas fuções fora obtdas de [h-97]). Os coefcetes fuzzy de f f 3 e f 4 tvera ua perturbação de 0%. As tabelas 3 e 4 ostra os resultados obtdos. Métodos x cal x Mío de f x f Iterações ) Rosebrock -. ) ; ) ; ) 0 Máx. Descda ) ; ) 04 Newto ) ; ) 07 Grad. Cojugado ) ; ) 0 Tabela : Resultados obtdos para os étodos de Busca Multdesoal para f. x
9 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ Métodos x cal Mío de f 3 x ) f Iterações Rosebrock -. ).0008) ; ) 03 Máx. Descda ) ; ) 0 Newto ) ; -..) 03 Grad. Cojugado ) ; -..) 0 f. Métodos Tabela 3: Resultados obtdos para os étodos de Busca Multdesoal para 3 3 x Mío de f 4 x cal = -3-0)) x f ) Rosebrock ).84; ) 0 8 ) 6 Máx. Descda ).9893; ) 0 0 ) 0 Newto ).438; ) 0 5 ) 4 Grad. Cojugado ) ) 0 f. Tabela 4: Resultados obtdos para os étodos de Busca Multdesoal para 4 Nas tabelas 3 4 verfcaos que os étodos de busca ultdesoas forece soluções elhores e relação ao úero de terações e precsão quado coparados às respectvas fuções ordáras. Soete para o étodo de Newto obtveos u desepeho seelhate à fução ordára assocada. Para os étodos de fução Pealdade fução Barrera e Topks e Veott resolveos os probleas: p extraído de [h-97]) e p extraído de [bs-993]) coo segue abaxo. No étodo de fução Pealdade usaos: η 0 = e a cada teração atualzaos ηk+ = 0 ηk ; e a fução barrera usaos: ϑ 0 = 0 e a cada teração ϑk+ = 0. ϑk. f = x ) + x ) p = S. a x x 0 x + x 0 4 x It. p S. a = f = x + x x x + 5x x x x x x x 6x Métodos Prob. x cal Solução dos probleas It. x f x ) Fç. Pealdade p ) ) ; ) 03 Fç. Barrera p ) ).0006; ) 06 Topks e Veott p ) ).0049; ) 06 Tabela 5: Resultados obtdos para o problea p.
10 SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovebro de 00 Ro de Jaero/RJ Métodos Prob. x cal Solução dos probleas It. x f x ) Fç. Pealdade p ) ) ; ) 03 Fç. Barrera p ) ) -6.68; ) 06 Topks e Veott p ) ) ; ) 04 Tabela 6: Resultados obtdos para o problea p. Nas tabelas 5 e 6 otaos que os resultados obtdos são copatíves e u úero eor de terações é obtdo e coparação ao caso ordáro assocado. Na tabela 6 o poto cal x cal ) para a fução Barrera é dferete dos deas étodos para garatr covergêca. Os resultados aqu apresetados ostra claraete que os algortos adaptados para a realdade fuzzy são efcetes para resolver probleas de prograação ão-lear co coefcetes fuzzy a fução objetvo. Estas téccas pode ser vstas coo ua poderosa ferraeta pos:. e algus probleas ão coheceos exataete os valores para algus ou para todos) coefcetes;. e probleas de dfícl resolução o processo de fuzzfcação dos coefcetes da fução ordára os forece u problea relaxado que os perte ecotrar ua solução de aera as fácl;. dada esta relaxação para algus probleas podeos ecotrar e fora ecotradas) soluções elhores quado coparadas à solução da fução ordára. Referêcas Bblográfcas [bd-985] Bortola G. e Dega R.. A revew of soe ethods for rakg fuzzy subsets Fuzzy Sets ad Systes 5: [be-999] Berkellar M. LP Solve 3. obtdo e ftp://ftp.cs.ele.tue.l/pub/lp_solve 999. [bs-993] Bazaraa M. S. Sherall H. D. e Shetty C. M.. Nolear Prograg: Theory ad Applcatos secod ed Joh Whley & Sos 993. [db-98] Dubos D. e Prade H.. Toward Fuzzy Dfferetal Calculus part 3: Dfferetato Fuzzy Sets ad Systes 83): [h-97] Helblau D. M.. Appled Nolear Prograg McGraw-Hll Book Copay 97. [ka-987] Kaleva O. Fuzzy Dfferetal Equatos Fuzzy Sets ad Systes 4: [kg-99] Kaufa A. e Gupta M. M. Itroducto to Fuzzy Arthetc: Theory ad Applcatos Va Nostrad Rehold 99. [lu-989] Lueberger D. G. Lear ad Nolear Prograg secod ed Addso-Wesley Publsh Copay 989. [pg-998] Pedrycz W. e Gode F.. A Itroducto to Fuzzy Sets: Aalyss ad Desg. A Bradford Book 998. [tl-988] Trappey J. F Lu C. R. e Chag T. T.. Fuzzy o-lear prograg: Theory ad applcatos aufacturg It. J. Prod. Res. 6 5):
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovembro de 00 Ro de Jaero/RJ PROGRAMAÇÃO NÃO LINEAR COM PARÂMETROS FUZZY Luza Amala Pto Catão Akebo Yamakam DT FEEC UNICAMP CP: 60 3083-970 Campas SP
Leia mais3- Autovalores e Autovetores.
MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 3- Autovalores e Autovetores. 3.- Autovetores e Autovalores de ua Matrz. 3.- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. 3.- Autovetores
Leia mais16 - PROBLEMA DO TRANSPORTE
Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,
Leia mais3- Autovalores e Autovetores.
MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Autovalores e Autovetores..- Autovetores e Autovalores de ua Matrz..- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. Cotuação da
Leia maisRepresentação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)
7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve
Leia maisCapítulo 2. Aproximações de Funções
EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Capítulo Aproações de Fuções Há bascaete dos tpos de probleas de aproações: ) ecotrar ua fução as sples, coo u polôo, para aproar
Leia maisCAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES
CAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES. Dferecas de orde superor Tratareos apeas o caso das fuções de A R e R sedo que o caso geral das fuções de A R e R se obté a
Leia maisSUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Diego Veloso Uchôa
Nível Avaçado SUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Dego Veloso Uchôa É bastate útl e probleas de olpíada ode teos gualdades ou quereos ecotrar u valor de u soatóro fazeros substtuções por úeros coplexos
Leia maisCAPÍTULO III. Aproximação de funções pelo método dos Mínimos Quadrados
Métodos Nuércos CAPÍULO III C. Balsa & A. Satos Aproxação de fuções pelo étodo dos Míos Quadrados. Algus cocetos fudaetas de Álgebra Lear Relebraos esta secção algus cocetos portates da álgebra Lear que
Leia maisBioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole
Teora da Correlação: Probleas relatvos à correlação são aqueles que procura estabelecer quão be ua relação lear ou de outra espéce descreve ou eplca a relação etre duas varáves. Se todos os valores as
Leia mais1. Revisão Matemática
1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado
Leia maisConsideremos a fórmula que nos dá a área de um triângulo: = 2
6. Cálculo Derecal e IR 6.. Fução Real de Varáves Reas Cosdereos a órula que os dá a área de u trâulo: b h A( b h) Coo podeos vercar a área de u trâulo depede de duas varáves: base (b) e altura (h) Podeos
Leia maisSOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINITAS-JM Balthazar- Maio Resolvendo um Problema de Condução de Calor
SOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINIAS-JM Balthazar- Mao 3 Resolvedo u Problea de Codução de Calor Para troduzr o étodo das dfereças ftas de ua fora prátca vaos cosderar u problea de codução
Leia maisComo primeiro exemplo de uma relação de recorrência, consideremos a seguinte situação:
Relações de Recorrêcas - Notas de aula de CAP Prof. José Carlos Becceer. Ao 6. Ua Relação de Recorrêca ou Equação de Recorrêca defe ua fução por eo de ua epressão que clu ua ou as stâcas (eores) dela esa.
Leia maisCAPÍTULO III MÉTODOS DE RUNGE-KUTTA
PMR 40 Mecâca Coputacoal CAPÍTULO III MÉTODOS DE RUNGE-KUTTA São étodos de passo sples requere apeas dervadas de prera orde e pode forecer aproxações precsas co erros de trucaeto da orde de, 3, 4, etc.
Leia maisIntrodução à Decomposição de Dantzig Wolfe
Itrodução à Deoposção de Datzg Wolfe PNV-5765 Probleas de Prograação Mateáta Aplados ao Plaeaeto de Ssteas de Trasportes Maríto Prof. Dr. Adré Bergste Medes Bblografa Utlzada WILLIAMS, H.P. The forulato
Leia mais1- Resolução de Sistemas Lineares.
MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Resolução de Sstes Leres..- Mtrzes e Vetores..2- Resolução de Sstes Leres de Equções Algébrcs por Métodos Extos (Dretos)..3- Resolução de Sstes Leres
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia maisINFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES
INFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES . Populações depedetes co dstrbução oral População População,, Y,,Y ~ N, Y ~ N, Y ~ N, Obs. Se a dstrbução de e/ou Y ão for oral, os resultados são váldos aproxadaete.
Leia maisDecomposição Lagrangeana com Geração de Colunas para o Problema de Programação Quadrática Binária Irrestrita
Decoposção Lagrageaa co Geração de Coluas para o Problea de Prograação Quadrátca Bára Irrestrta Geraldo Regs Maur,2, Luz Atoo Noguera Lorea 2 Cetro de Cêcas Agráras, Departaeto de Egehara Rural Uversdade
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia mais8. INFERÊNCIA PARA DUAS POPULAÇÕES
8 INFERÊNCIA PARA UA POPULAÇÕE 8 Populações depedetes co dstrbução oral População População, L, Y, L,Y ~ N, σ Y ~ N, σ σ σ Y ~ N, Obs e a dstrbução de e/ou Y ão for oral, os resultados são váldos aproxadaete
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. P x t i x t i x t i x t i
Departaeto de Iforátca Dscpla: do Desepeho de Ssteas de Coputação Cadeas de Marov I Processos de Marov (ou PE Marovao) Sea u processo estocástco caracterzado pela seüêca de v.a s X(t ),,,, Sea X(t ) a
Leia maisSeja o problema primal o qual será solucionado utilizando o método simplex Dual: (P)
PROGRAMA DE MESTRADO PROGRAMAÇÃO LIEAR PROFESSOR BALEEIRO Método Splex Dual no Tableau Garfnkel-ehauser E-al: abaleero@gal.co Ste: www.eeec.ufg.br/~baleero Sea o problea pral o qual será soluconado utlzando
Leia mais(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0
EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()
Leia maisA ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões.
.pucrs.br/faat/val/.at.ufrgs.br/~val/ Prof. Lorí Val, Dr. val@at.ufrgs.br val@pucrs.br Coleção de úeros estatístcas O úe ro de carros ve ddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%.
Leia mais2- Resolução de Sistemas Não-lineares.
MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Resolução de Sisteas Não-lieares..- Método de Newto..- Método da Iteração. 3.3- Método do Gradiete. - Sisteas Não Lieares de Equações Cosidere u
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. val@at.ufrgs.br http://.at.ufrgs.br/~val/ Estatístca: ua defção Coleção de úeros estatístcas O úero de carros veddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%. As ações
Leia maisA noção de função homogénea surge logo no primeiro ano dos cursos de licenciatura onde uma disciplina de Análise Matemática esteja presente.
HÉLIO BERNARDO LOPES Resuo. O coceto de fução hoogéea está presete desde o íco dos cursos de lcecatura que cotepla os seus plaos de estudos dscplas de Aálse Mateátca. Trata-se de u coceto sples, faclete
Leia maisIntrodução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares
Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado
Leia maisCAPITULO VII. DERIVAÇÃO E DIFERENCIAÇÃO EM R n. = h 1. , fx 1
CAPITULO VII DERIVAÇÃO E DIFERENCIAÇÃO EM R Dervadas parcas de fuções reas de varáves reas Sea f ( ) f ( ) uma fução de A R em R e cosdere-se um poto a (a a a ) A Fado a 3 a 3 a cosdere-se a fução parcal
Leia maisDiferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais
Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro
Leia maisEstatística: uma definição
Prof. Lorí Val, Dr. val@pucrs.br http://.pucrs.br/faat/val/ Estatístca: ua defção Coleção de úeros estatístcas O úero de carros veddos auetou e 30%. o país A taa de deseprego atge, este ês, 7,%. As ações
Leia maisMA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04
MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de
Leia mais6. Inferência para Duas Populações USP-ICMC-SME 2013
6. Iferêca ara Duas Poulações UP-ICMC-ME 3 8.. Poulações deedetes co dstrbução oral Poulação Poulação,,,, ~ N, ~ N, ~ N, Obs. e a dstrbução de e/ou ão for oral, os resultados são váldos aroxadaete. Testes
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia maisAULA Espaços Vectoriais Estruturas Algébricas.
Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resolvedo os problemas
Leia maisQUESTÕES DISCURSIVAS Módulo
QUESTÕES DISCURSIVAS Módulo 0 009 D (FUVEST-SP 008 A fgura ao lado represeta o úero + o plao coplexo, sedo a udade agára Nessas codções, a detere as partes real e agára de e b represete e a fgura a segur
Leia maisProjeto e Análise de Algoritmos Aula 2: Função de Complexidade Notação Assintótica (GPV 0.3)
Projeto e Aálise de Algoritos Aula 2: Fução de Coplexidade Notação Assitótica (GPV 0.3) DECOM/UFOP 202/2 5º. Período Aderso Aleida Ferreira Material desevolvido por Adréa Iabrudi Tavares BCC 24/202-2 BCC
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisNúmeros Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.
Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real
Leia maisA ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões.
Prof. Lorí Val, Dr. val@at.ufrgs.br http://.at.ufrgs.br/~val/ Coleção de úeros estatístcas stcas O úero de carros veddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%. As ações a da Telebrás
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia mais16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:
6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu
Leia maisPROBLEMA DE INCERTEZA EM SISTEMAS DINÂMICOS UTILIZANDO DEFUZZIFICAÇÃO PELO CENTROIDE
POSMEC 205 Smpóso do Programa de Pós-Graduação em Egehara Mecâca Faculdade de Egehara Mecâca Uversdade Federal de Uberlâda 8 e 9 de Novembro de 205, Uberlâda - MG PROBLEM DE INCERTEZ EM SISTEMS DINÂMICOS
Leia maisOitava Lista de Exercícios
Uversdade Federal Rural de Perambuco Dscpla: Matemátca Dscreta I Professor: Pablo Azevedo Sampao Semestre: 07 Otava Lsta de Exercícos Lsta sobre defções dutvas (recursvas) e prova por dução Esta lsta fo
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisInterpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisProblema geral de interpolação
Problema geral de terpolação Ecotrar p() que verfque as codções: f j ( ) y,,,,,, j,,, m ( j) ( ) dervada de ordem j ós valores odas Eemplo: ecotrar p() que verfque:, f () 4 3, f( 3) 3, f'(3) 4 3 p() 3
Leia maisCentro de massa Dinâmica do corpo rígido
Cetro de assa Dâca do corpo rígdo Nota: As fotografas assaladas co () fora retradas do lvro () A. Bello, C. Portela e H. Caldera Rtos e Mudaça, Porto edtora. As restates são retradas de Sears e Zeasky
Leia maisRESOLUÇÃO DE MODELOS FÍSICOS COM O MÉTODO DOS ELEMENTOS FINITOS MÓVEIS
Cogreso de Métodos Nércos e Igeería 005 Graada, 4 a 7 de Jlo, 005 SEMNI, España 005 RESOLUÇÃO DE MODELOS FÍSICOS COM O MÉTODO DOS ELEMENTOS FINITOS MÓVEIS Mara do Caro Cobra 1 *, Carlos Sereo e Alíro E.
Leia maisProjeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão
Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.
Leia maisCálculo Numérico Interpolação Polinomial Ajuste de Curvas (Parte II)
Cálulo Nuéro Iterpolação Poloal Ajuste de Curvas (Parte II) Pro Jore Cavalat joreavalat@uvasedubr MATERIAL ADAPTADO DOS SLIDES DA DISCIPLINA CÁLCULO NUMÉRICO DA UFCG - wwwdsuedubr/~u/ Ajuste de Curvas
Leia maisCÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES
CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES Itrodução Em dversos camos da Egehara é comum a ecessdade da determação de raízes de equações ão leares. Em algus casos artculares, como o caso de olômo, que
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisEstudo do intervalo de confiança da regressão inversa utilizando o software R
Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um
Leia maisCentro de massa Dinâmica do corpo rígido
Cetro de assa Dâca do corpo rígdo Nota: As fotografas assaladas co () fora retradas do lvro () A. Bello, C. Portela e H. Caldera Rtos e Mudaça, Porto edtora. As restates são retradas de Sears e Zeasky
Leia maisTratamento de Dados 2º Semestre 2005/2006 Tópicos de Resolução do Trabalho 1
Trataento de Dados º Seestre 5/6 Tópcos de Resolução do Trabalho. a) A éda, para dados não classfcados, é calculada a partr da segunte expressão: x x 57,75,555 Dado que a densão da aostra é par,, a edana
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisAULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância.
Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisCapítulo 8. Método de Rayleigh-Ritz
Grupo : Gustavo de Souza Routma; Luís Ferado Hachch de Souza; Ale Pascoal Palombo Capítulo 8. Método de Raylegh-Rtz 8.. Itrodução Nos problemas de apromação por dfereças ftas, para apromar a solução para
Leia maisInstituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Índice Geral de Cursos (IGC)
Isttuto Nacoal de Estudos e Pesqusas Educacoas Aíso exera INEP stéro da Educação EC Ídce Geral de Cursos (IGC) O Ídce Geral de Cursos (IGC) é ua éda poderada dos cocetos dos cursos de graduação e pós-graduação
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisINTRODUÇÃO À PROBABILIDADE E ALGUNS RESULTADOS IMPORTANTES
Uversdade do Estado do Ro de Jaero UERJ Isttuto de Mateátca e Estatístca - IME Cursos: Estatístca e Atuára Dscpla: Tecologa da Aostrage I Professor: Marcelo Rubes ITRODUÇÃO À PROBABILIDADE E ALGUS RESULTADOS
Leia maisCentro de massa, momento linear de sistemas de partículas e colisões
Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,
Leia maisCapitulo 7 Resolução de Exercícios
FORMULÁRIO Audades Costates Postecpadas HP C [g][end] Cp LN 1 1 1 1 C p R Cp R R a, R C p, 1 1 1 a LN 1 Sp LN 1 1 1 S p R S p R R s, R S p, 1 1 s LN 1 Audades Costates Atecpadas HP C [g][beg] 1 (1 ) 1
Leia maisUm estudo comparativo entre as funções de validação para agrupamento nebuloso de dados
IV Cogresso Braslero de Coputação CBCop 004 Itelgêca Artfcal U estudo coparatvo etre as fuções de valdação para agrupaeto ebuloso de dados Lela R. S. da Slva, Medaera, Mestre, CEFET-PR, Ferado Gode. Capas,
Leia maisEstatística. 2 - Estatística Descritiva
Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves
Leia maisCapítulo V - Interpolação Polinomial
Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode
Leia maisUM MÉTODO PRIMAL-DUAL DE PONTOS INTERIORES E EXTERIORES BARREIRA LOGARÍTMICA MODIFICADA COM ESTRATÉGIAS DE EXTRAPOLAÇÃO CÚBICA E CONVERGÊNCIA GLOBAL.
Blucher Mechacal Egeerg Proceedgs May 4, vol., um. www.proceedgs.blucher.com.br/eveto/wccm UM MÉODO PRIMAL-DUAL DE PONOS INERIORES E EXERIORES BARREIRA LOGARÍMICA MODIFICADA COM ESRAÉGIAS DE EXRAPOLAÇÃO
Leia maisDISTRIBUIÇÃO HIPERGEOMÉTRICA
7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora
Leia mais6 Formulação probabilística para problemas de acoplamento fluido mecânico
6 Forulação probablístca para probleas de acoplaeto ludo ecâco 6.. Itrodução Nesse capítulo do trabalho apreseta-se a orulação probablístca para probleas de acoplaeto ludo ecâco. Nu prero oeto são descrtos
Leia maisLista 7.3 Optimização com Restrições de Igualdade
Faculdade de Ecooia da Uiversidade Nova de Lisboa Apotaetos Cálculo II Lista 7.3 Optiização co Restrições de Igualdade. Problea de optiização de ua ução escalar, de variáveis reais, co restrições de igualdade:
Leia maisFísica 1 - Experiência 4 Lei de Hooke Prof.: Dr. Cláudio S. Sartori INTRODUÇÃO: Forma Geral dos Relatórios. Referências:
Físca 1 - Experêca 4 Le de Hooe Prof.: Dr. Cláudo S. Sartor ITRODUÇÃO: Fora Geral dos Relatóros É uto desejável que seja u cadero grade (forato A4) pautada co folhas eueradas ou co folhas eueradas e quadrculadas,
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisCONSTRUÇÃO DE UM ESTIMADOR PESSIMISTA PARA O PROBLEMA DA SEQUÊNCIA MAIS PRÓXIMA
CONSTRUÇÃO DE UM ESTIMADOR PESSIMISTA PARA O PROBLEMA DA SEQUÊNCIA MAIS PRÓXIMA Kety Yaaoto, Carlos A. Martho, Helea C. G. Letão Isttuto de Coputação, Uversdade Federal Fluese Rua Passo da Pátra 56, Bloco
Leia maisMomento Linear duma partícula
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Mometo lear de uma partícula e de um sstema de partículas. - Le fudametal da dâmca para um sstema de partículas. - Impulso
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisCapítulo 4 CONDUÇÃO BI-DIMENSIONAL, REGIME PERMANENTE. ρc p. Equação de calor (k cte e sem geração, coordenadas cartesianas): $ # % y k T.
Capítulo 4 CONDUÇÃO BI-DIMENSIONAL REGIME PERMANENE ρc p t =! # x k " x $ &! # % y k " y $ &! % z k $ # &!q " z % < q Equação de calor (k cte e se geração coordeadas cartesiaas): x y = 4.- Método de separação
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 e 8 06/204 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Nuérco 3/64 INTRODUÇÃO E geral, experentos gera ua gaa de dados que
Leia mais2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida
. MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +
Leia maisVitamina A Vitamina B Vitamina C Alimento 1 50 30 20 Alimento 2 100 40 10 Alimento 3 40 20 30
Motvção: O prole d det Itrodução os Sstes Leres U pesso e det ecesst dgerr drete s segutes qutddes de vts: g de vt A 6 g de vt B 4 g de vt C El deve suprr sus ecessddes prtr do cosuo de três letos dferetes
Leia maisProbabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ
Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o
Leia mais3.1 Introdução Forma Algébrica de S n Forma Matricial de Sn Matriz Aumentada ou Matriz Completa do Sistema
Cálculo Numérco Resolução de sstems de equções leres - Resolução de sstems de equções leres. Itrodução Város prolems, como cálculo de estruturs de redes elétrcs e solução de equções dferecs, recorrem resolução
Leia maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisNOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA
IND 5 Iferêca Estatístca Semestre 007.0 Teste 4 //007 Nome: NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA : O FORMULÁRIO ESTÁ NO FINAL DA PROVA PROBLEMA (5 potos) Em cada questão
Leia mais