JOSÉ B. ARAGÃO JÚNIOR, MAIQUEL S. MELO, RÔMULO S. ARAÚJO, DANIELO G. GOMES, GUILHERME A. BARRETO E JOSÉ NEUMAN DE SOUZA

Tamanho: px
Começar a partir da página:

Download "JOSÉ B. ARAGÃO JÚNIOR, MAIQUEL S. MELO, RÔMULO S. ARAÚJO, DANIELO G. GOMES, GUILHERME A. BARRETO E JOSÉ NEUMAN DE SOUZA"

Transcrição

1 USO DE TÉCNICAS CLÁSSICAS, HMM E REDES NEURAIS NA PREDIÇÃO DE ATRASO DE EXECUÇÃO EM REDES VOIP: UMA AVALIAÇÃO EMPÍRICA JOSÉ B. ARAGÃO JÚNIOR, MAIQUEL S. MELO, RÔMULO S. ARAÚJO, DANIELO G. GOMES, GUILHERME A. BARRETO E JOSÉ NEUMAN DE SOUZA Departamento e Engenhara e Telenformátca, Unversae Feeral o Ceará Campus o Pc, Bloco 925, , Fortaleza, CE, Brasl E-mals: {jr_aragao, maquel, romulo, anelo, gulherme}@et.ufc.br, neuman@ufc.br Abstract VoIP applcatons use buffers to soften the effects cause by the jtter. To o ths, a elay n the executon s apple to the voce talspurt to mnmze the loss of pacets ue to the late arrval. To etermne the best value for the elay s funamental to guarantee an acceptable qualty to the auo conference. Several algorthms were evelope to prect the best executon elay. We evaluate seven algorthms, some classc, an other nnovatve for such purpose, le HMM an Neural Networs, an compare ther performance analysng some metrc, le the average lost pacets. Keywors VoIP, playout elay, prectve algorthms, HMM, Neural Networs. Resumo As aplcações VoIP utlzam buffers para suavzar os efetos causaos pelo jtter. Para atngr tal objetvo, um atraso na execução é aplcao ao jato e voz para mnmzar a pera e pacotes evo à chegaa tara. Determnar o melhor valor para o atraso é funamental para garantr que a lgação possua uma qualae acetável. Város algortmos foram esenvolvos com o objetvo e prever o melhor atraso e execução. Nós avalamos sete algortmos, alguns clásscos, outros novaores para tal propósto, como os que utlzam HMM e Rees Neuras, e comparamos seus esempenhos levano em conta algumas métrcas e esempenho, como a méa e pacotes peros. Palavras-chave VoIP, atraso e execução, algortmos e preção, HMM, Rees Neuras Introução A utlzação e servços em tempo real, como a telefona, em rees e comutação e pacotes, mpõe mutos obstáculos evo, prncpalmente, às técncas e roteamento nâmcas empregaas nessas rees. Em rees e comutação por pacotes, como a Internet, a voz geraa por uma fonte é gtalzaa e carregaa em pacotes IP que são emtos a ntervalos regulares e perócos. Esses pacotes e voz poem trafegar por camnhos ferentes na ree e sofrer atrasos e enfleramento varaos em ferentes roteaores. Isto causa uma varação o atraso (jtter) que faz com que pacotes e voz não cheguem ao receptor com a mesma seqüênca temporal com a qual foram geraos. A utlzação e um buffer é necessára a fm e suavzar os efetos o jtter e smular um fluxo contínuo o emssor ao receptor. Este buffer armazena os pacotes, atrasano suas execuções por etermnao períoo e tempo, permtno esta manera que pacotes mas atrasaos cheguem a tempo e serem executaos nos seus respectvos tempos programaos e execução. A esse atraso mposto pelo buffer é conheco como excesso e atraso e execução. A escolha e um excesso e atraso aequao mnmza a pera e pacotes por chegaa tara pacotes que chegam após o seu tempo programao e execução. Por outro lao, um excesso e atraso muto grane poe afetar a qualae a conversação. Em geral, a escolha e um excesso e atraso e execução é um equlíbro entre a ntroução e atrasos aconas e a taxa e pacotes peros por chegaa tara [Ranganathan, 2005]. Com a avalação apresentaa neste artgo é possível etermnar qual a melhor técnca e preção e atraso e execução para uma aplcação VoIP, levano em conta os seguntes fatores: efcênca versus custo computaconal. 2 Algortmos e Atraso e Execução Nesta seção serão apresentaos sete algortmos e execução e atraso, one serão aboraas as vantagens e esvantagens e caa um eles. A segur será escrta a termnologa necessára para a apresentação esses algortmos. 2. Notação A notação utlzaa neste artgo, aaptaa e [Rabner, 989], não exge a necessae e sncronzação entre os relógos o emssor e o receptor, no entanto, precsamos assumr que a ferença entre os relógos não vara com o tempo, ou seja, a uração e um seguno em ambos relógos eve ser sempre a mesma. Os atrasos e ree os pacotes são então normalzaos pelo menor valor e atraso e ree o trace para assm, gerar valores e atraso sempre postvos, mesmo que a ferença entre os relógos o receptor e o emssor seja negatva. A Tabela mostra o conjunto e símbolos a notação utlzaa em too o artgo.

2 Notação M t a n ˆ TABELA : NOTAÇÃO Descrção número e jatos e voz em um ao trace. tempo em que o emssor gera o pacote o -ésmo jato e voz. tempo em que o receptor recebe o pacote o - ésmo jato e voz. número e pacotes e áuo em um jato e voz. atraso entre a geração o -ésmo pacote o -ésmo jato no emssor e sua recepção no receptor: ˆ = a t. ˆ mn { ˆ = ˆ } M, n () p atraso normalzao a ree sofro pelo pacote no -ésmo jato e voz: = ˆ ˆ -ésmo menor atraso normalzao o -ésmo jato. tempo em que o receptor executa o pacote o - ésmo jato e voz. atraso e execução o -ésmo jato. ê excesso e atraso e execução o jato. A Fgura mostra um cenáro e sncronzação e uma conversação entre emssor e receptor. A notação efna anterormente é utlzaa para escrever os elementos a fgura. Os pacotes são geraos no emssor a ntervalos constantes (por exemplo, a caa 20ms). Devo às característcas as rees comutaas por pacotes, como o enfleramento os roteaores, os pacotes sofrem atrasos stntos na ree, poeno chegar ao receptor com ntervalos e tempos varaos. Desse moo, a orem e chegaa os pacotes não segue necessaramente a orem e emssão, assm, um pacote poe chegar ao receptor antes o pacote. O receptor atrasa os pacotes com o objetvo e reorenar a seqüênca e pacotes emtos e mnmzar os efetos o jtter, reconstruno a seqüênca temporal com a qual os pacotes foram geraos. Duas métrcas serão utlzaas para comparar o esempenho os algortmos: alp (méa e pacotes peros, o nglês average lost pacets) e te (atraso fm-a-fm, o nglês the en-to-en elay). O prmero nca a porcentagem os pacotes escartaos por chegaa tara, já o seguno está relaconao com o atraso total sofro pelos pacotes e voz. 2.2 Algortmo e Atraso e Execução Offlne Algortmos e atraso e execução offlne servem como mea e comparação para os algortmos e atraso e execução pretvos Algortmo : Algortmo Ótmo para um Jato e Voz Isolao Com este algortmo poemos calcular, para caa jato e voz, um atraso e execução,, que nos garanta que pacotes sejam executaos. Este atraso e execução é calculao como segue: p ˆ = () ( ) = n ( alp ) (2) As equações () e (2) mostram que o atraso ótmo para qualquer jato é gual ao maor os atrasos normalzaos e seus pacotes menos atrasaos, conserano a alp. Consere o segunte cenáro, um jato e voz com 6 pacotes, com alp = 0, tempos e emssão em ms representaos pelo vetor t r = [ ] e atrasos e ree aos por r = [ ]. Dessa forma, o vetor os tempos e recepção a r é ao pela soma e t r e r, logo a r = [ ]. O pacote mas atrasao o jato everá ser executao tão logo chegue ao receptor, pos como é o últmo a chegar, seu tempo e execução será gual ao seu tempo e recepção. Seno p r o vetor que representa os tempos e execução os pacotes e = 6 o pacote mas atrasao conserano uma alp = 0, p(6) = 80ms. Como os pacotes evem ser executaos com o mesmo ntervalo e tempo com o qual foram geraos (no exemplo a caa 20ms), então p(5) = 60ms, p(4) = 40ms, p(3) = 20ms, p(2) = 00ms e p() = 80ms, one p() = (6) é o própro atraso e execução o jato e voz e (6) é o maor atraso e ree o jato. Com esse algortmo o excesso e atraso e execução para o jato e voz é calculao como segue: One f eˆ = (3) f é o atraso e ree o prmero pacote a chegar ao receptor e e ˆ = e, sto é, o excesso e atraso o prmero pacote o jato. Utlza-se (3) em toos os outros algortmos no cálculo o número e pacotes peros. O atraso e execução o jato e voz será sempre o maor atraso e ree os pacotes o jato, mesmo que este não tenha so o atraso e ree o últmo pacote o jato. Fgura : Tempos e emssão/recepção e execução os pacotes

3 O atraso e execução ótmo é calculao logo após a chegaa e toos os pacotes o jato, por sso ele é não causal, seno utlzao prncpalmente para comparação com algortmos pretvos. 2.3 Algortmos e Preção e Atraso e Execução Os algortmos e atraso e execução pretvos realzam a preção o atraso e execução e um jato e voz urante o períoo slencoso meatamente anteror a ele Algortmo 2: Versão Causal o Algortmo Ótmo para um Jato e Voz Isolao É a versão causal ou on-lne o Algortmo. Nele o atraso e execução para um jato e voz é ao pela segunte fórmula: =, M (4) ( ) A equação (4) mostra que o atraso e execução ótmo para um jato e voz é aplcao ao que jato que está chegano Algortmo 3: Versão Causal Suavzaa o Algortmo Ótmo Este algortmo é uma versão suavzaa o algortmo anteror. A prncpal ferença é o uso e um smples fltro IIR (Resposta ao Impulso Infnto, o nglês Infnte Impulse Response), como mostra a equação (5): = ρ ( ρ ) ( ), M (5) Algortmo 4: Algortmo Estatístco Este algortmo, apresentao por [Moon, 998] e [Ramjee, 994], funcona como um fltro recursvo lnear, com um fator e peso. A estmatva o atraso, para um certo pacote no jato, é aa por: ˆ = n ˆ ( ), M (6) ˆ = ˆ ( ),2 n, M (7) One ˆ é o atraso estmao para o -ésmo n pacote o -ésmo jato, e ˆ é o atraso estmao para o últmo pacote o jato e voz, que representa o atraso méo estmao para o jato e voz. A estmatva a varânca o atraso, para um certo pacote no jato, é aa por: vˆ = vˆ ( ) ˆ, n, M (8) O atraso e execução preto para o -ésmo jato é calculao como segue: n n = ˆ β vˆ, M (9) Em nossas mplementações utlzamos = e β = 4, que são os valores aotaos por [Ramjee, 994] Algortmo 5: Algortmo e Preção utlzano HMM Esta técnca fo proposta por [Yensen, 2003], nela o excesso e atraso é ao por: eˆ = ˆ (0) one é o atraso e execução ótmo calculao e n acoro com o Algortmo, e ˆ é o atraso estmao o últmo pacote o jato calculao por (6) e (7). Os valores e ê são quantzaos em ntervalos fxos I em um número fnto e níves, N, os quas representam os estaos o moelo. Esta quantzação é necessára, pos é nvável trabalhar com espaço e estaos contínuo [Yensen, 2003]. A quantzação é efna pela equação a segur: n ˆ n Q[ eˆ ] = Q[ ] () Desta forma caa jato e voz possurá um atraso e execução favorável, representao pelo seu estao S = j, one Q[ eˆ ] = j I. A seqüênca esses estaos nos á um hstórco o comportamento a ree e é utlzaa no trenamento o HMM para a geração o vetor e probablaes ncas, π, e a matrz e probablaes e transções e estaos, A. Para caa jato e voz num trace é efno um 2 n vetor O = [ e e L e ], one O é a observação para o jato e e é o excesso e atraso para o pacote o jato em relação ao atraso méo estmao para o jato, seno: e ˆ = 0, n, f f ˆ < ˆ n n, n, n (2) Da seqüênca e jatos e voz extra-se a seqüênca O, O 2, O 3,..., O e observações. Para caa jato e voz é calculaa a méa ( µ ) e 2 a varânca ( σ ) os e. A méa as méas os jatos pertencentes ao estao j efne a méa o estao j, ( µ ), e a méa as varâncas estes j mesmos jatos efne a varânca o estao j, ( V ). A caa jato, é calculaa a ensae e observação em relação a caa um os estaos como proposto em [Yensen, 2003], formano a matrz e ensaes e observações, B, e fnalzano assm a fase e trenamento o HMM. De posse os parâmetros o moelo, π, A, B, utlza-se o algortmo e Vterb para prezer o estao mas provável em relação ao jato. O excesso e atraso prevsto para um jato offlne é aplcao ao próxmo jato que está chegano. Poe ser necessára a normalzação os valores e B e a utlzação e logartmos no algortmo e Vterb a fm e se evtar o overflow gerao pelas sucessvas multplcações e números fraconáros. j

4 2.3.5 Algortmo 6: Algortmo Auto-Regressvo Neste algortmo os atrasos normalzaos e caa jato e voz foram usaos na preção o atraso e ree normalzao para o jato e voz segunte. Dentro o jato e voz, o atraso o pacote 4 fo estmao com base nos atrasos os quatro pacotes anteceentes, sto é, fo utlzaa uma janela e 4 pacotes. Desta forma: (3) ( 4) ( 3) ( 2) ( ) = one, é o número o jato e voz no trace, M, e é o número o pacote e voz o jato. O vetor = [ ] é obto a resolução o sstema lnear montao a partr a equação (3). Após obtenção o vetor alfa, calcula-se o atraso e ree estmao o ultmo pacote que é então utlzao como atraso e ree o prmero pacote o próxmo jato. O atraso e execução o jato atual,, será utlzao como atraso e execução o próxmo jato e voz, assm como no Algortmo 2, aí: eˆ (4) = 6) Algortmo 7: Algortmo MLP Este algortmo fo proposto por [Ranganathan, 2005]. Em sua mplementação o atraso e execução o jato e voz,, é calculao como segue: n = hµ ( ) Mσ ( ) (5) one µ ( ) e σ ( ) são, respectvamente, a méa e o esvo parão os atrasos e ree o jato e voz. A méa e o esvo parão são obtos submeteno as méas e os esvos parões os atrasos e ree os pacotes e x jatos e voz preceentes a uma ree neural MLP com quatro neurônos na camaa escona, os neurônos na camaa e saía, passo e aprenzagem gual a 0.05 e fator e momento gual a Neste artgo aotouse x = 4, h = 0,2 e M, que geralmente é ajustao e acoro com as conções a ree, fo fxao em 2. O excesso e atraso estmao para o jato e voz é então calculao pela ferença entre o valor e preto e o valor o atraso e ree e seu prmero pacote a chegar. Desta forma: eˆ = (6) Na mplementação e execução esta ree neural, não houve a realzação e etapa e trenamento. O aprenzao é on-lne, ou seja, à mea que os aos (méa e varânca e atraso e ree e jatos passaos) são fornecos à ree, a mesma ajusta seus pesos snáptcos. Este tpo e mplementação, sem trenamento off-lne a ree, penalza os prmeros jatos e voz com valores runs e excesso e atraso, mas evo a rápa convergênca, ela se aequa bem às conções a ree. 3 Implementação Os algortmos vstos neste artgo foram smulaos utlzano traces obtos e [Moon, 2007]. As Fguras 2 e 3 lustram os atrasos e ree normalzaos para os pacotes e voz contos nestes traces. A avalação o esempenho fo realzaa com as seguntes meas: estatístcas acerca o atraso fm a fm, como méa e esvo parão, taxa méa e pera e pacotes e o número e pacotes peros por jato. O mínmo, a méa, o máxmo e o esvo parão o atraso total fm a fm foram calculaos com base nos valores e calculaos para caa jato, e caa trace, para caa um os algortmos mplementaos. A taxa méa e pera e pacotes e o número e pacotes peros por jato, foram calculaos a segunte forma: para os algortmos, 2, 3 e 4, os valores e são encontraos para caa jato e a partr ele são encontraos os tempos e execução programaos para caa pacote e caa jato. Em segua, comparam-se os tempos e chegaa e caa pacote com seus respectvos tempos programaos e execução. Nos Algortmos 5, 6 e 7, ê é calculao para caa jato e voz. Estes valores são então somaos aos tempos e chegaa o prmero pacote e seus respectvos jatos, permtno assm encontrar o tempo e execução e toos os pacotes o jato. A técnca proposta pelo Algortmo 5 exge um alto custo computaconal. Para reuzr esse custo, assummos uma matrz homogênea e probablaes e transção e estaos. Fgura 2: Atraso e Ree Normalzao para o Trace

5 TABELA 3: RESULTADOS OBTIDOS COM O TRACE 2. Métoo te (ms) Mn. Méa Max. St alp(%) ALG ALG ALG ALG ALG ALG ALG Fgura 3: Atraso e Ree Normalzao para o Trace 2 Após a realzação e mutas smulações, aotamos um moelo HMM com 5 estaos, strbuíos em ntervalos constantes e 5ms a 225ms. A matrz ensae e probablae e observação e a matrz geraa pelo algortmo e Vterb foram normalzaas com o objetvo e evtar unerflow, causao pelas sucessvas multplcações e números pequenos. Em toas as mplementações, um pacote será escartao e ao como pero se seu tempo e chegaa for maor que seu tempo programao e execução. Deste moo, calculamos a alp e o número e pacotes peros por jato e voz. 4 Conclusão Os resultaos obtos a avalação os algortmos estão expostos nas tabelas 2 e 3. O Algortmo fo confgurao com uma alp e 5% e os resultaos e atraso total fm a fm obtos com sua mplementação servem apenas como base e comparação para os outros algortmos. Dos algortmos pretvos, o Algortmo 2 é o que possu a mplementação mas smples e menor custo computaconal. Porém, mesmo seno smples, apresentou bons resultaos. Após testes empírcos percebeu-se que o Algortmo 3 obteve melhores resultaos com a utlzação e um parâmetro e suavzação ρ = 0.5. Métoo TABELA 2: RESULTADOS OBTIDOS COM O TRACE. te (ms) Mn. Méa Max. St alp(%) ALG ALG ALG ALG ALG ALG ALG A técnca proposta pelo Algortmo 4 obteve bons resultaos e alp. Este algortmo mostrou ter baxo custo computaconal e este algortmo é o que se aapta melhor às stuações e atraso na ree. O Algortmo 5, que utlza HMM alcançou bons resultaos para os traces utlzaos neste artgo. Porém ele requer um alto custo computaconal tanto para a fase e trenamento como para a preção o atraso e execução. Além sso, a construção e város moelos, caa um aproprao para etermnaa stuação a ree, se faz necessára para que esta técnca funcone corretamente. O Algortmo 6 não obteve melhoras sgnfcatvas em relação aos algortmos mas smples, e sua mplementação aumenta em muto o custo computaconal, pos requer muto espaço em memóra e muto processamento nos cálculos e multplcações e matrzes e e matrzes nversas. O Algortmo 7, que utlza uma ree neural MLP como pretor, obteve bons resultaos na preção e valores para méas e esvos parões e atrasos e ree. Com estes resultaos, fo possível obter ótmos valores e excesso e atraso estmao com o uso a equação (5). Com os valores e excesso e atraso obtos, regstraram-se baxos valores méos e pera e pacotes (alp). Agraecmentos Os autores agraecem a CAPES pelo suporte fnancero através e bolsas e mestrao e PRODOC. Referêncas Bblográfcas Moon, S.B., Kurose, J., Towsley, D. (998). Pacet auo playout elay ajustment: Performance bouns an algorthms. ACM/Sprnger Multmea Systems 6, pp Moon, S. B. (2007) Sue Moon s Publcatons, Dsponível em: < Rabner, L. (989). A tutoral on hen Marov moels an selecte applcatons n speech recognton, Proc. IEEE, Vol. 77, No. 2, pp Ramjee, R., Kurose, J., Towsley, D., Schulzrnne, H. (994). Aaptve playout mechansms for

6 pacetze auo applcatons n we-area networs. In: Proceengs of the IEEE Infocom, pp Ranganathan, M. K., Klmartn, L. (2005). Neural an Fuzzy Computaton Technques for Playout Delay Aaptaton n VoIP Networs. IEEE Transacton on Neural Networs. Vol 6 no.5, September Yensen T., Larvere J., Lambaars I., an Gaubran A. R. (2003). HMM Delay Precton technque for VOIP. IEEE Transacton on Multmea. Vol. 5 no.3, September.

UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA

UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA EAE 26 Macroeconoma I 1º Semestre e 217 Professores: lberto Taeu Lma e Pero arca Duarte Lsta e Exercícos

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

COTEQ-051 CONTROLE POR APRENDIZADO NEURO - FUZZY PARA INCREMENTAR A FREQUÊNCIA DE TESTES DE MÁQUINAS DE ENSAIOS DE FADIGA

COTEQ-051 CONTROLE POR APRENDIZADO NEURO - FUZZY PARA INCREMENTAR A FREQUÊNCIA DE TESTES DE MÁQUINAS DE ENSAIOS DE FADIGA COTEQ-05 CONTROLE POR APRENDIZADO NEURO - FUZZY PARA INCREMENTAR A FREQUÊNCIA DE TESTES DE MÁQUINAS DE ENSAIOS DE FADIGA Eleazar Crstan Meía Sánchez, Juan Geraro Castllo Alva 2, Marco Antono Meggolaro

Leia mais

Filtro Digital Neural

Filtro Digital Neural Fltro Dgtal Neural Gulherme a Slvera Insttuto Tecnológco e Aeronáutca Bolssta PIBIC-CNPq E-mal: gulherme_aslvera@yahoo.com.br Rubens e Melo Marnho Jr Departamento e Físca Insttuto Tecnológco e Aeronáutca

Leia mais

Aula 23 Perceptrons, Lei de Hebb e o aprendizado de Rosenblatt Prof. Dr. Alexandre da Silva Simões

Aula 23 Perceptrons, Lei de Hebb e o aprendizado de Rosenblatt Prof. Dr. Alexandre da Silva Simões Aula 3 Perceptrons, Le e Hebb e o aprenzao e Rosenblatt Prof. Dr. Alexanre a Slva Smões Organzação Introução Perceptron Dscrmnaor lnear Poer e representação Arqutetura o perceptron Trenamento Por que trenar

Leia mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D. Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.

Leia mais

Data: / / LISTA DE FÍSICA. Um ímã permanente é colocado verticalmente sobre uma base magnética como mostra a figura abaixo.

Data: / / LISTA DE FÍSICA. Um ímã permanente é colocado verticalmente sobre uma base magnética como mostra a figura abaixo. Ensno Funamental II Unae São Juas Taeu Professor (a): Aluno (a): Ano: 9º Pero Paulo S. Arras Data: / / 2014. LISTA DE FÍSICA Questão 01 - (PUC RJ/2011) Um ímã permanente é colocao vertcalmente sobre uma

Leia mais

.FL COMPLEMENTOS DE MECÂNICA. Mecânica. Recuperação de doentes com dificuldades motoras. Desempenho de atletas

.FL COMPLEMENTOS DE MECÂNICA. Mecânica. Recuperação de doentes com dificuldades motoras. Desempenho de atletas COMPLEMENTOS DE MECÂNICA Recuperação e oentes com fculaes motoras Mecânca Desempenho e atletas Construção e prótese e outros spostvos CORPOS EM EQUILÍBRIO A prmera conção e equlíbro e um corpo correspone

Leia mais

Capítulo 4 CONSERVAÇÃO DA MASSA E DA ENERGIA

Capítulo 4 CONSERVAÇÃO DA MASSA E DA ENERGIA Capítulo 4 COSERAÇÃO DA MASSA E DA EERGIA 4.1. Equações para um Sstema Fechao 4.1.1. Defnções Consere o volume materal e uma aa substânca composta por espéces químcas lustrao na Fgura 4.1, one caa espéce

Leia mais

Capítulo 4: Equações e Considerações Adicionais para Projeto

Capítulo 4: Equações e Considerações Adicionais para Projeto 68 Capítulo 4: Equações e Conserações Aconas para Projeto Bem feto é melhor que bem to. Benjamn Frankln (106-190) 4.1. Apresentação A partr a análse matemátca o crcuto retfcaor apresentao no Capítulo,

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É 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 entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Curso de Engenharia Física Tecnológica 2014/2015. sin 2 θ ϕ 2. 3x 2 1 ), P 3 = 1 2

Curso de Engenharia Física Tecnológica 2014/2015. sin 2 θ ϕ 2. 3x 2 1 ), P 3 = 1 2 Mecânca Quântca Sére 7 Curso e Engenhara Físca Tecnológca 2014/2015 Vers~ao e 12 e Novembro e 2014) 7.1 Mostre que, em coorenaas esfércas, se tem L ± = e ±ϕ ± θ +cotθ ) ϕ e L 2 = 2 2 θ +cotθ 2 θ + 1 )

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

Classificação das Equações de Conservação

Classificação das Equações de Conservação Angela Neckele PUC-Ro Classcação as Equações e Conservação Equação erencal parcal lnear e seguna orem, com uas varáves nepenentes (x, y) ou (x, t) B AC 0 elíptca Classcação: B AC 0 parabólca B AC 0 perbólc

Leia mais

PEF Projeto de Estruturas Marítimas ESFORÇOS NA PLATAFORMA FIXA

PEF Projeto de Estruturas Marítimas ESFORÇOS NA PLATAFORMA FIXA PEF 506 - Projeto e Estruturas Marítmas ESFORÇOS NA PLATAFORMA FIXA 1. Introução O prncpal esorço agente em uma plataorma xa é aquele avno o movmento o meo luo. evo à complexae o movmento as partículas

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Plano e Aula Aprenzagem e Máquna Rees Neuras Artfcas (RNAs) Alessanro L. Koerch Mestrao em Informátca Aplcaa Pontfíca Unversae Católca o Paraná (PUCPR) Introução Motvação Bológca Perceptron Superfíce e

Leia mais

Aluno (a): Ano: 9º V Data: / / LISTA DE FÍSICA

Aluno (a): Ano: 9º V Data: / / LISTA DE FÍSICA Ensno Funamental II Unae Parque Atheneu Professor (a): Pero Paulo S. Arras Aluno (a): Ano: 9º V Data: / / 2014. LISTA DE FÍSICA 1) (PUC RJ/2011) Um ímã permanente é colocao vertcalmente sobre uma base

Leia mais

SIMULAÇÃO DA OPERAÇÃO DE SISTEMAS HIDROELÉTRICOS UTILIZANDO POLÍTICAS DE OPERAÇÃO VIA REDES NEURAIS

SIMULAÇÃO DA OPERAÇÃO DE SISTEMAS HIDROELÉTRICOS UTILIZANDO POLÍTICAS DE OPERAÇÃO VIA REDES NEURAIS SIMULAÇÃO DA OPERAÇÃO DE SISTEMAS HIDROELÉTRICOS UTILIZADO POLÍTICAS DE OPERAÇÃO VIA REDES EURAIS Rorgo Sacch Arano A. F. M. Carnero Aluízo F. R. Araújo Unversae e São Paulo Escola e Engenhara e São Carlos

Leia mais

3 MÉTODOS DE EXTRAÇÃO DA CORRENTE DE SEQÜÊNCIA NEGATIVA

3 MÉTODOS DE EXTRAÇÃO DA CORRENTE DE SEQÜÊNCIA NEGATIVA 14 3 MÉTODOS DE EXTRAÇÃO DA CORRENTE DE SEQÜÊNCA NEGATVA Os métoos e extração as correntes e seüênca negatva sponíves na lteratura são agrupaos seguno suas característcas comuns e tem suas notações unformzaas.

Leia mais

6 Modelo Proposto Introdução

6 Modelo Proposto Introdução 6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min) PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.

Leia mais

CONTROLE H NÃO LINEAR DE ROBÔS MANIPULADORES VIA REPRESENTAÇÃO QUASE-LPV

CONTROLE H NÃO LINEAR DE ROBÔS MANIPULADORES VIA REPRESENTAÇÃO QUASE-LPV CONROLE H NÃO LINEAR DE ROBÔS MANIPULADORES VIA REPRESENAÇÃO QUASE-LPV Arano A. G. Squera Marco Henrque erra Departamento e Engenhara Elétrca EESC - Unversae e São Paulo São Carlos, SP, Brasl {squera,

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

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

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

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco

Leia mais

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

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS 177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,

Leia mais

Plano de Aula Leitura obrigatória Mecânica Vetorial para Engenheiros, 5ª edição revisada, Ferdinand P. Beer, E. Russell Johnston, Jr.

Plano de Aula Leitura obrigatória Mecânica Vetorial para Engenheiros, 5ª edição revisada, Ferdinand P. Beer, E. Russell Johnston, Jr. UC - Goás Curso: Engenhara Cvl Dscplna: Mecânca Vetoral Corpo Docente: Gesa res lano e Aula Letura obrgatóra Mecânca Vetoral para Engenheros, 5ª eção revsaa, ernan. Beer, E. ussell Johnston, Jr. Etora

Leia mais

3 Métodos de Alocação de Perdas e Demandas de Potência Baseados em Leis de Circuitos

3 Métodos de Alocação de Perdas e Demandas de Potência Baseados em Leis de Circuitos 3 Métoos e Alocação e Peras e Demanas e Potênca Baseaos em Les e Crcutos 3. Introução Na lteratura são propostos versos métoos e partção e responsablaes os geraores sobre o atenmento as emanas e potênca,

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

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

Física C Superintensivo

Física C Superintensivo ísca C Superntensvo Exercícos 01) C 1) Contato entre e Depos o equlíbro Q = Q = + e 5 e = 1e. ) Contato entre e C Depos o equlíbro Q = Q C = + e 1 e = +1e. 05) q 1 Q resultante 1 0) 4 01. Incorreta. Se

Leia mais

SOLUÇÃO DO PROBLEMA INVERSO DE TRANSFERÊNCIA RADIATIVA EM MEIOS DE DUAS CAMADAS COM O ALGORITMO DE VAGALUMES E VARIAÇÕES

SOLUÇÃO DO PROBLEMA INVERSO DE TRANSFERÊNCIA RADIATIVA EM MEIOS DE DUAS CAMADAS COM O ALGORITMO DE VAGALUMES E VARIAÇÕES Proceeng Seres of the Brazlan Socety of Apple an Computatonal Mathematcs Vol. 3 N. 5. Trabalho apresentao no XXXV CNMAC Natal-RN 4. SOUÇÃO DO PROBEMA NVERSO DE TRANSFERÊNCA RADATVA EM MEOS DE DUAS CAMADAS

Leia mais

BRUNO FACCINI SANTORO CONTROLE PREDITIVO DE HORIZONTE INFINITO PARA SISTEMAS INTEGRADORES E COM TEMPO MORTO

BRUNO FACCINI SANTORO CONTROLE PREDITIVO DE HORIZONTE INFINITO PARA SISTEMAS INTEGRADORES E COM TEMPO MORTO BRUNO FACCINI SANTORO CONTROLE PREDITIVO DE HORIZONTE INFINITO PARA SISTEMAS INTEGRADORES E COM TEMPO MORTO São Paulo 11 BRUNO FACCINI SANTORO CONTROLE PREDITIVO DE HORIZONTE INFINITO PARA SISTEMAS INTEGRADORES

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

Escalonamento Baseado em Prioridades Fixas

Escalonamento Baseado em Prioridades Fixas Sstemas de Tempo Real: Escalonamento Baseado em Prordades Fxas Rômulo Slva de Olvera Departamento de Automação e Sstemas - DAS UFSC romulo@das.ufsc.br http://.das.ufsc.br/~romulo 1 Escalonamento Baseado

Leia mais

Resumos Numéricos de Distribuições

Resumos Numéricos de Distribuições Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas

Leia mais

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para

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

Adriana da Costa F. Chaves

Adriana da Costa F. Chaves Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,

Leia mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

3 Algoritmos propostos

3 Algoritmos propostos Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos

Leia mais

Estatística Espacial: Dados de Área

Estatística Espacial: Dados de Área Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes

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

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

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma

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

MODELO DO MOTOR DE INDUÇÃO PARA PEQUENAS PERTUBAÇÕES

MODELO DO MOTOR DE INDUÇÃO PARA PEQUENAS PERTUBAÇÕES CAPÍUO 1 MODEO DO MOO DE INDUÇÃO PAA PEQUENA PEUBAÇÕE 1.1 INODUÇÃO No capítulo VII fo estabeleco um métoo para estuo a resposta o motor e nução submeto a perturbações no torue, baseao no fato e ue nos

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

Resumindo e concluindo

Resumindo e concluindo Resumno e concluno TeleTextos e bolso e e traer por casa, suavemente, suavemente Os crtéros e ecsão MA e ML Sílvo A. Abrantes Departamento e Engenhara Electrotécnca e e Computaores Faculae e Engenhara,

Leia mais

DESENVOLVIMENTO DE UMA POLÍTICA DE DECISÕES DE RESSUPRIMENTO PARA MATERIAIS DE DEMANDA DEPENDENTE. Tiago Ribeiro de Almeida

DESENVOLVIMENTO DE UMA POLÍTICA DE DECISÕES DE RESSUPRIMENTO PARA MATERIAIS DE DEMANDA DEPENDENTE. Tiago Ribeiro de Almeida DESENVOLVIMENTO DE UMA POLÍTICA DE DECISÕES DE RESSUPRIMENTO PARA MATERIAIS DE DEMANDA DEPENDENTE Tago Rbero e Almea MONOGRAFIA SUBMETIDA À COORDENAÇÃO DE CURSO DE ENGENHARIA DE PRODUÇÃO DA UNIVERSIDADE

Leia mais

Capítulo. Capacitores Resoluções dos exercícios propostos. P.283 a) Dados: ε 0 8,8 10 12 F/m; A (0,30 0,50) m 2 ; d 2 10 3 m 0,30 0,50 2 10 3

Capítulo. Capacitores Resoluções dos exercícios propostos. P.283 a) Dados: ε 0 8,8 10 12 F/m; A (0,30 0,50) m 2 ; d 2 10 3 m 0,30 0,50 2 10 3 apítulo a físca xercícos propostos nae apítulo apactores apactores Resoluções os exercícos propostos P.8 a) aos: ε 0 8,8 0 F/m; (0,0 0,50) m ; 0 m ε 0 8,8 0 0,0 0,50 0 6,6 0 0 F b) ao:.000 V 6,6 00.000,

Leia mais

5 Implementação Procedimento de segmentação

5 Implementação Procedimento de segmentação 5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser

Leia mais

UFRJ COPPE PEB COB /01 Nome:

UFRJ COPPE PEB COB /01 Nome: UFJ OPPE PEB OB 78 7/ Nome: ) Um polo apresenta a característca e corrente e tensão a fgura abaxo. Mostre, caso ocorra, o(s) nteralo(s) e tempo one o polo fornece energa ao sstema. Utlzano os sentos e

Leia mais

Prioridades com Teste de Escalonabilidade

Prioridades com Teste de Escalonabilidade rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento

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

E-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno.

E-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno. Matemátca Fnancera 007. Prof.: Luz Gonzaga Damasceno E-mals: amasceno04@yahoo.com.br amasceno@nterjato.com.br amasceno@hotmal.com 5. Taxa Over mensal equvalente. Para etermnar a rentablae por a útl one

Leia mais

SÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS.

SÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS. I 1. Demonstre que o crcuto da Fg. 1 é um half-adder (semsomador), em que A e B são os bts que se pretendem somar, S é o bt soma e C out é o bt de transporte (carry out). Fg. 1 2. (Taub_5.4-1) O full-adder

Leia mais

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON 1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de

Leia mais

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos. Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda

Leia mais

Caderno de Fórmulas em Implementação. SWAP Alterações na curva Libor

Caderno de Fórmulas em Implementação. SWAP Alterações na curva Libor Caderno de Fórmulas em Implementação SWAP Alterações na curva Lbor Atualzado em: 15/12/217 Comuncado: 12/217 DN Homologação: - Versão: Mar/218 Índce 1 Atualzações... 2 2 Caderno de Fórmulas - SWAP... 3

Leia mais

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas

Leia mais

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

Dinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc

Dinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc Dnâmca Estocástca Insttuto de Físca, outubro de 2016 1 Dnâmcas estocástcas para o modelos defndos em redes Sstema defndo em um retculado em um espaço de d dmensões Exemplo: rede quadrada d=2 em que cada

Leia mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia 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

Curvas Horizontais e Verticais

Curvas Horizontais e Verticais Insttução: Faculdade de Tecnologa e Cêncas Professor: Dego Queroz de Sousa Dscplna: Topografa Curvas Horzontas e ertcas 1. Introdução Exstem dversas ocasões na engenhara em que os projetos são desenvolvs

Leia mais

Aula Características dos sistemas de medição

Aula Características dos sistemas de medição Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes

Leia mais

Experiência V (aulas 08 e 09) Curvas características

Experiência V (aulas 08 e 09) Curvas características Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de

Leia mais

Psicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo

Psicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos

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

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária. Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados

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 de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

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

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

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores. Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.

Leia mais

Análise de faltas balanceadas e não-balanceadas utilizando Z bar. 1. Análise de falta balanceada usando a matriz de impedância de barra (Z bar )

Análise de faltas balanceadas e não-balanceadas utilizando Z bar. 1. Análise de falta balanceada usando a matriz de impedância de barra (Z bar ) Análse de altas balanceadas e não-balanceadas utlzando. Análse de alta balanceada usando a matrz de mpedânca de ra ( ) Aqu será eta uma análse de cálculo de curto-crcuto trásco (alta balanceada), utlzando

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia 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

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite 5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar

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

A aplicação do controle estatístico de processo numa indústria de beneficiamento de camarão marinho no estado do Rio Grande do Norte.

A aplicação do controle estatístico de processo numa indústria de beneficiamento de camarão marinho no estado do Rio Grande do Norte. A aplcação o controle estatístco e processo numa nústra e benefcamento e camarão marnho no estao o Ro Grane o Norte. Itamar França a Slva Júnor (UFRN) tamar_fsjr@yahoo.com.br Verônca Carnero e Olvera (UFRN)

Leia mais

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE ENGENHARIA CAMPUS DE BAURU. Programa de Pós-Graduação em Engenharia Elétrica

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE ENGENHARIA CAMPUS DE BAURU. Programa de Pós-Graduação em Engenharia Elétrica UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE ENGENHARIA CAMPUS DE BAURU Programa e Pós-Grauação em Engenhara Elétrca Métoo Prevsor-Corretor Prmal-Dual e Pontos Interores em Problemas

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

Comparação entre controles look-and-move e servo-visual utilizando transformadas SIFT em manipuladores do tipo eye-in-hand

Comparação entre controles look-and-move e servo-visual utilizando transformadas SIFT em manipuladores do tipo eye-in-hand Ilana Ngr Comparação entre controles look-an-move e servo-vsual utlzano transformaas SIFT em manpulaores o tpo eye-n-han Dssertação e Mestrao Dssertação apresentaa ao Programa e Pósgrauação em Engenhara

Leia mais

Otimização do Processo de Roteamento e Atribuição de Comprimento de Onda em Redes Ópticas Translúcidas Utilizando Conceitos de Computação Inteligente

Otimização do Processo de Roteamento e Atribuição de Comprimento de Onda em Redes Ópticas Translúcidas Utilizando Conceitos de Computação Inteligente Revsta e Engenhara e Pesqusa Aplcaa, Volume 2, Número 1, 2016 Otmzação o Processo e Roteamento e Atrbução e Comprmento e Ona em Rees Óptcas Translúcas Utlzano Concetos e Computação Intelgente Lma, V. S.

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

SOBRE O CÁLCULO DO BUFFER DELAY ÓTIMO EM TRANSMISSÃO DE VOZ: PARTE I

SOBRE O CÁLCULO DO BUFFER DELAY ÓTIMO EM TRANSMISSÃO DE VOZ: PARTE I SOBRE O CÁLCULO DO BUFFER DELAY ÓTIMO EM TRANSMISSÃO DE VOZ: PARTE I Robnson Hoto Unversdade Estadual de Londrna Laboratóro de Smulação e Otmzação de Sstemas (SmuLab) Departamento de Matemátca Mestrado

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

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado) 5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de

Leia mais

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão. Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS DE REGRESSÃO PARAMÉTRICOS MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da

Leia mais