Escalonamento com Garantia
|
|
- Isaque Imperial Lombardi
- 5 Há anos
- Visualizações:
Transcrição
1 Escalonamento com Garanta Executvo íclco Sstemas de Tempo Real: Escalonamento com Garanta Rômulo Slva de Olvera Departamento de Automação e Sstemas - DAS UFS rordades + Teste de Escalonabldade rordades Varáves com Teste de Escalonabldade rordades Fxas com Teste de Escalonabldade romulo@das.ufsc.br Executvo íclco Introdução Também chamado de Tme-drven scheduler ou lock-drven scheduler Indcado para tarefas com deadlne hard Indcado para tarefas peródcas arâmetros das tarefas precsam ser conhecdos a pror arâmetros das tarefas não mudam durante a execução Tabela descrevendo a escala de execução é crada no projeto Durante a execução esta escala é repetda cclcamente Garanta da escalonabldade está na nspeção da tabela Se todos os deadlnes são cumprdos, sstema é escalonável É a forma tradconal de mplementar sstemas de tempo real crítcos Tem a vantagem de ser completamente determnístco Executvo íclco Introdução O desgn do software é concorrente A mplementação pode ser através de Um conjunto de procedmentos rocedmentos são mapeados sobre um conjunto de cclos menores (mnor cycles) que formam juntos a escala completa ou cclo maor (major cycle) O clo Menor determna o mínmo cclo de tempo possível O clo Maor determna o máxmo cclo de tempo possível É alocado tempo para o WET de cada tarefa a cada período dela ão exste preempção (exclusão mútua assegurada) Executvo íclco Solução lássca Toda a sequênca de execução é repedda a cada Major ycle (clo Maor) Todas as execuções de clo Maor são guas O clo Maor é dvddo em uma sequênca de Mnor ycles (clo Menor) clos Menores podem ser dferentes entre s Interrupção do Tmer ndca níco de cada clo Menor Decsões de escalonamento somente no níco de cada clo Menor Executvo íclco Solução lássca Duração do clo Maor ndca nstante no tempo equvalente ao nstante ncal da tabela É possível voltar ao níco da tabela e repetr tudo novamente Valor natural para a duração do clo Maor (L): Mínmo Múltplo omum dos períodos das tarefas Interrupção Interrupção Interrupção Interrupção clo Maor clo Menor 5 6
2 Executvo íclco Solução lássca clo menor (f) precsa ser longo o sufcente para permtr que todos os jobs termnem sua execução dentro dele Evta preempções Evta chaveamento de contexto f Max ( ) Fornece exclusão mútua n onvenente que todos os períodos de tarefa sejam números múltplos da duração do clo Menor (f) Interrupção do tmer a cada clo Menor = Város jobs podem ser executados dentro de um mesmo clo Menor f f Executvo íclco Exemplo Tarefa T eríodo Tempo de computação T 5 T5 Mímmo múltplo comum dos períodos = Máxmo dvsor comum dos períodos = Executvo íclco Exemplo Whle( true ) { wat_for_nterrupt; funcao_t(); funcao_t(); funcao_t(); wat_for_nterrupt; funcao_t(); funcao_t(); funcao_t(); funcao_t5(); wat_for_nterrupt; funcao_t(); funcao_t(); funcao_t(); wat_for_nterrupt; funcao_t(); funcao_t(); funcao_t(); } Executvo íclco Exemplo Tarefa T eríodo Tempo de computação T 5 T5 Interrupção Interrupção Interrupção Interrupção T T5 T 9 5 Executvo íclco Solução lássca Executvo íclco omentáros Tabela ndca que tarefas fazem parte de cada clo Menor ara toda a duração do clo Maor Exstem conjuntos de tarefas para os quas é mpossível aplcar a solução clássca ecessáro adaptar as tarefas Tarefas aperódcas podem ser executadas dentro de cada clo Menor depos que todas os jobs garantdos alocados àquele clo Menor já foram concluídos Executam até a próxma nterrupção do tmer (novo clo Menor) Overhead de escalonamento no níco de cada clo Menor Se ocorreu overrun do clo Menor anteror, ação é necessára Job nterrompdo era aperódca não garantda Smplesmente preempta o job Job nterrompdo era peródco garantdo mas não crítco reempta o job, snalza ocorrênca de uma falta temporal Job nterrompdo era peródco garantdo e crítco Grave falta temporal ontnua executando este job para garantr consstênca dos dados - Espera que folga do próxmo clo Menor resolva o problema Dspara tratamento de exceção, pânco
3 Executvo íclco omentáros ode ser desenvolvdo a mão sem nenhum método especal o caso de sstemas pequenos/smples Dado que a tabela de execução é construída em projeto Algortmos complexos também podem ser usados Trata-se de um problema de otmzação com complexdade exponencal Soluções ótmas são possíves até um certo tamanho de sstema ara sstemas grandes são usadas heurístcas (sub-ótmas) Uso de meta-heurístcas é popular (busca tabu, genétco, smulated annealng) Objetvos secundáros podem exstr Dstrbur as folgas unformemente para favorecer aperódcas Reduzr jtter de saída das tarefas Executvo íclco omentáros a verdade nenhum processo precsa realmente exstr em tempo de execução ada clo Menor pode ser apenas uma sequênca de chamadas de subrotnas As subrotnas podem compartlhar um espaço de endereçamento comum odem passar dados entre eles Esses dados não precsam ser protegdos (va um semáforo, por exemplo) porque o acesso concorrente não é possível Todos os períodos das tarefas devem ser múltplos do tempo de cclo menor Executvo íclco omentáros Dfculdade em ncorporar processos com períodos longos Atvdades esporádcas são dfíces (as vezes mpossíves) de serem ncorporadas O executvo cíclco é dfícl de construr e manter é um problema -hard Qualquer tarefa com tempo de computação maor precsará ser dvddo em um número fxo de procedmentos com tamanho medano Isto pode prejudcar a estrutura do códgo, sendo mas sujeto a bugs Métodos mas flexíves de escalonamento são dfíces de suportar a realdade, Determnsmo da escala de execução não é necessáro necssáro é prevsbldade quanto ao cumprmento dos deadlnes Escalonamento com Garanta Executvo íclco rordades + Teste de Escalonabldade rordades Varáves com Teste de Escalonabldade rordades Fxas com Teste de Escalonabldade 5 6 rordades Varáves Introdução ada tarefa recebe uma prordade que vara ao longo do tempo rordade leva em conta nformações relatvas à execução Dferentes jobs da mesma tarefa podem receber prordades dferentes ada Job em partcular pode receber prordade fxa ou varável A escala de execução só é conhecda durante a execução ecsssáro Teste de Escalonabldade ara saber antes se todos os deadlnes estão garantdos ou não Exstem três tpos prncpas de testes de escalonabldade Baseados na taxa de utlzação do U Baseados na carga mposta ao U (processor demand) Baseados no tempo de resposta rordades Varáves - Introdução EDF Earlest Deadlne Frst Inversamente proporconal ao deadlne absoluto Ótmo em relação aos crtéros de prordades varáves LSF (LST ou LLF) Least Slack Frst Inversamente proporconal ao tempo lvre (laxty ou slack) Ótmo em relação aos crtéros de prordades varáves Overhead maor que EDF FFS Frst ome Frst Served Inversamente proporconal ao tempo de espera por servço ão é ótmo com respeto ao cumprmento de deadlnes EDF é o mas usado 7 8
4 rordades Varáves Teste para EDF rordades Varáves Teste para EDF Supondo um conjunto de n tarefas ndependentes e peródcas EDF como polítca de atrbução de prordades Se D=T, sstema é escalonável quando: ermte usar % do processador mantendo os deadlnes Teste exato = ( ) Exstem testes de escalonabldade mas complexos para EDF São menos pessmstas orém requerem esforço computaconal maor Se D<T, sstema é escalonável quando: Teste sufcente = ( ) D ara D arbtráro, sstema é escalonável quando: Teste sufcente = ( mn( ) D, ) 9 Least Slack Frst - LSF rordades Varáves LSF Quanto menos tempo lvre (slack), maor a prordade Ótmo quando EDF é ótmo rordade das tarefas na fla de aptos aumenta com passar do tempo rordade da tarefa em execução mantém-se constante Gera número maor de chaveamento de contextos que EDF maor overhead ão apresenta vantagens face a EDF EDF: As prordades de todas as tarefas aptas e em execução aumentam - de gual modo com o passar do tempo rordades Varáves omentáros Implementação é mas complexa do que com prordade fxa requer um kernel que aceta prordades varáves Overhead de execução pode ser elevado caso seja necessára reordenação dnâmca da fla de aptos (depende do algortmo) Instabldade face a sobrecargas ão é possível saber antecpadamente quas tarefas vão perder deadlne Escalonabldade é superor em EDF do que em prordade fxa Qualquer sstema escalonável com prordade fxa também será escalonável com EDF O contráro não é verdadero Entretanto, prordade fxa é mas usado na prátca Exemplo escalonabldade: EDF versus RM Exemplo sobrecarga: EDF versus RM tarefas peródcas D tarefa A tarefa B A,B A A B tarefa A - tarefa B - : = =D= : = =D= : = =D=8 Execução normal com EDF U n = =. [] 5 6 (a) Escalonamento EDF t A,B A A B perda de deadlne de B 5 6 t (b) Escalonamento RM Fgura.6: Escalas produzdas pelo (a) EDF e (b) RM
5 : = =D= : = =D= : = =D=8 Sobrecarga devdo a falha do projeto com EDF Exemplo sobrecarga: EDF versus RM : = =D= : = =D= : = =D=8 Execução normal com RM Exemplo sobrecarga: EDF versus RM : = =D= : = =D= : = =D=8 Sobrecarga devdo a falha do projeto com RM Exemplo sobrecarga: EDF versus RM Executvo íclco rordades + Teste de Escalonabldade Escalonamento com Garanta rordades Varáves com Teste de Escalonabldade rordades Fxas com Teste de Escalonabldade?? Escalonamento Baseado em rordades Fxas Aplcação composta por tarefas (processos) Estados de uma tarefa: Lberada (pronta para executar, apta, ready) Executando (runnng) Suspensa esperando pela próxma atvação Outros estados serão acrescentados mas adante Em geral escalonamento é preemptvo Tarefas possuem prordade fxa defnda em projeto Garanta exge Tarefas peródcas ou esporádcas Tempo máxmo de computação conhecdo Teste de escalonabldade aproprado Quanto menor o período, mas alta a prordade Ótmo quando Tarefas são peródcas Deadlne é sempre gual ao período Exemplo: Tarefas eríodos = = =5 rordades p= p= p= udado! úmero menor ndca prordade maor Mutas vezes é o contráro rordade Fxa Rate Monotonc 9
6 rordade Fxa Análse da Utlzação Utlzação de uma tarefa: Tempo máxmo de computação dvddo pelo período U = / tem = e =5, então U = / = / 5 =. Teste para Rate Monotonc, sstema é escalonável se: = ( ) ( / ) ara = utlzação máxma é % ara grandes utlzação máxma tende para 69.% Baseado no conceto de Instante rítco Teste é sufcente mas não necessáro Lmar de Utlzação.% 8.8% 78.% 75.7% 5 7.% 7.8% nfnto 69.% rordade Fxa Análse da Utlzação rordade Fxa Análse da Utlzação Exemplo: eríodos =6 = =8 omputação = =5 = Utlzação U=.5 U=.5 U=. rordades p= p= p= Utlzação total é.775, abaxo do lmte.78 rordade Fxa Análse da Utlzação Exemplo: eríodos = = =8 omputação = = = Utlzação U=.5 U=.5 U=.5 rordades p= p= p= Utlzação total é, acma do lmar.78, mas conjunto é escalonável Testes baseados em utlzação ão são geras ão são exatos Mas são rápdos, O() rordade Fxa Análse da Utlzação Exemplo de teste necessáro mas não sufcente para este modelo de tarefas = ( ) 5 rordade Fxa Análse do Tempo de Resposta Lmtações da análse baseada em Utlzação ão éexata Aplcável apenas a modelos de tarefas muto smples Análse baseada em Tempo de Resposta Abordagem analítca calcula tempo de resposta no por caso Tempo de resposta de cada tarefa é comparado com o deadlne da tarefa Baseada no conceto de Função Demanda de Tempo 6
7 rordade Fxa Análse do Tempo de Resposta Função Demanda de Tempo (Tme-Demand Functon) Base da análse do tempo de resposta Indca quando tempo de processador é demandado pelas tarefas Exemplo: : =,=; : =,= Demanda + Dsponbldade rordade Fxa Análse do Tempo de Resposta omo calcular o tempo de resposta de cada tarefa? ara a tarefa mas prortára temos R = Demas tarefas sofrem Interferênca das tarefas com prordade maor este caso, R = + I Interferênca é máxma a partr do Instante rítco Todas as tarefas são lberadas smultaneamente Suposto nstante zero na análse tempo rordade Fxa Análse do Tempo de Resposta Seja Tj uma tarefa com prordade maor que T Quantas vezes Tj pode acontecer durante a execução de T? Qual a nterferênca total de Tj sobre T? Qual a nterferênca total sobre T? R j R j j R j j hp( ) j rordade Fxa Análse do Tempo de Resposta O tempo máxmo de resposta de T é R = + I R R = + j j hp( ) j Equação é recursva alculada através de terações sucessvas, até: Tempo de resposta passar do deadlne Resultado convergr, teração x+ gual a teração x w w x + x = + j j hp( ) j w = 9 rordade Fxa Análse do Tempo de Resposta Exemplo: eríodos =7 = = omputação = = =5 rordades p= p= p= R = = rordade Fxa Análse do Tempo de Resposta Análse da tarefa : w = = w w = + 6 = + 7 = w 6 w = + 6 = + 7 = 6
8 rordade Fxa Análse do Tempo de Resposta Análse da Tarefa : w = = 5 w 5 5 w = + j = 5+ j hp j 7 + = ( ) w = = w = = 7 7 w = = w 5 = = rordade Fxa Análse do Tempo de Resposta 7 Exemplo: eríodos =7 = = omputação = = =5 rordades p= p= p= Tempo Máxmo de Resposta R= R=6 R= rordade Fxa Análse do Tempo de Resposta Exemplo: eríodos = = =8 omputação = = = Utlzação U=.5 U=.5 U=.5 rordades p= p= p= Utlzação total é, acma do lmar.78 mas conjunto é escalonável Aplcando o cálculo do tempo de resposta temos Análse da tarefa : R = = 5 rordade Fxa Análse do Tempo de Resposta Exemplo: eríodos = = =8 omputação = = = Utlzação U=.5 U=.5 U=.5 rordades p= p= p= Análse da tarefa : w w = = w = + = + = 7 w w = + = + = 7 6 rordade Fxa Análse do Tempo de Resposta Exemplo: eríodos = = =8 omputação = = = Utlzação U=.5 U=.5 U=.5 rordades p= p= p= Análse da Tarefa : w w w = = = + = + + = () j j hp j 5 5 w = + + = 5 w = + + = w = + + = 8 w = + = rordade Fxa Análse do Tempo de Resposta Exemplo: eríodos = = =8 omputação = = = Utlzação U=.5 U=.5 U=.5 rordades p= p= p= Resposta R= R= R=8 Utlzação total é, acma do lmar.78, mas conjunto é escalonável
9 rordade Fxa Análse do Tempo de Resposta Teste de escalonabldade exato (sufcente e necessáro) Deadlne pode ser menor que o período Basta comparar o tempo de resposta com o deadlne Deadlne maor que o período exge análse mas complexa Tarefa pode nterferr com ela mesma Tarefas esporádcas podem ser tratadas como peródcas Intervalo mínmo entre atvações é usado como período A forma como prordades são atrbudas ÃO é mportante Funcona pos hp() sempre ndca as tarefas mas prortáras do que a tarefa 9 rordade Fxa Deadlne Monotonc Quanto menor o deadlne, maor a prordade Ótmo quando deadlne é menor ou gual ao período Exemplo: Tarefas T eríodos = =5 = = WET = = = = Deadlne D=5 D=7 D= D= rordades p= p= p= p= Tempo máxmo de resposta R= R=6 R= R= aso fosse RM R= R=7 R= R= 5 ada tarefa recebe uma prordade fxa rordade Fxa Resumo Teste é desenvolvdo para examnar a escalonabldade Dos tpos de análse Análse da Utlzação Utlza o valor / Análse do Tempo de Resposta Tenta calcular o tempo de resposta no por caso Executvo íclco Escalonamento com Garanta - Resumo rordades + Teste de Escalonabldade rordades Varáves com Teste de Escalonabldade rordades Fxas com Teste de Escalonabldade Todos são capazes de garantr deadlnes Executvo cíclco é menos flexível porém oferece determnsmo de escala EDF oferece escalonabldade superor em relação à prordade fxa, porém é caótco em sobrecarga e análse é mas complexa rordade fxa permte extender mas faclmente a análse de escalonabldade 5 5
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 maisEscalonamento 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 maisSistemas de Tempo-Real
Sstemas de Tempo-Real Notas de curso realzado em Agosto de 2006 na Unversdade Federal do Ro Grande do Norte, Natal, Brasl 2. Escalonamento de Tempo-Real (parte 1) Francsco Vasques Faculdade de Engenhara
Leia maisSistemas de Tempo-Real
Aula 7 Acesso exclusvo a rescursos partlhados O acesso exclusvo a recursos partlhados A nversão de prordades como consequênca do bloqueo Técncas báscas para acesso exclusvo a recursos partlhados Herança
Leia maisO Escalonamento de Tempo Real
apítulo 2 O Escalonamento de Tempo Real Em sstemas de tempo real que seguem a abordagem assíncrona os aspectos de mplementação estão presentes mesmo na fase de proeto. Na mplementação de restrções temporas,
Leia maisExecutivo Cíclico. Executivo Cíclico Introdução. Sistemas de Tempo Real: Executivo Cíclico Exemplo. Executivo Cíclico Introdução
Sistemas de Tempo Real: Executivo Cíclico Rômulo Silva de Oliveira Departamento de Automação e Sistemas - DAS UFSC romulo.deoliveira@ufsc.br http://www.romulosilvadeoliveira.eng.br Setembro/201 1 Também
Leia maisExtensões da Análise para Prioridades Fixas
Sstemas de Tempo eal: Extesões da Aálse para Prordades Fxas ômulo Slva de Olvera Departameto de Automação e Sstemas - DAS UFS elease Jtter loqueo Potos de Preempção Tolerâca a Faltas haveameto de otexto
Leia maisCap 6: 4,5,8,9,10,11,12,15,16,21 fazer diagramas, usar análise por cálculo do tempo de resposta
QUESTÕES DO LIVRO Real-Tme Systems, Jane Lu Cap 6: 4,5,8,9,10,11,12,15,16,21 fazer dagramas, usar análse por cálculo do tempo de resposta Cap 8: 1,2,7 fazer dagramas Concetos Báscos e Técncas de Implementação
Leia maisSuporte Básico para Sistemas de Tempo Real
Suporte Básco para Sstemas de Tempo Real Escalonamento e Comuncação Sldes elaborados por George Lma, com atualzações realzadas por Ramundo Macêdo Suporte Básco para Sstemas de Tempo-Real Escalonamento
Leia maisImplemente uma solução para o problema da barreira usando mutexes e variáveis condição da biblioteca das pthreads. A solução consiste de 2 rotinas:
1) Em um sstema que suporta programação concorrente apenas através da troca de mensagens, será crado um Servdor para controlar o uso das portas seras. Quando um processo Clente deseja usar uma porta seral,
Leia maisMecanismos 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 mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisSistemas de Tempo-Real
Sstemas de Tempo-Real Notas de curso realzado em Agosto de 006 na Unversdade Federal do Ro Grande do Norte, Natal, Brasl. Escalonamento de Tempo-Real (parte ) Francsco Vasques Faculdade de Engenhara da
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisÍndice. Exemplo de minimização de estados mais complexo. estados
Sumáro Método da tabela de mplcações para mnmzar estados. Atrbução de códgos aos estados: métodos baseados em heurístcas. Índce Exemplo de mnmzação de estados mas complexo Método da tabela de mplcações
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisGuia 11 Escalonamento de Mensagens
Até esta altura, temos abordado prncpalmente questões relaconadas com escalonamento de tarefas a serem executadas num únco processador. No entanto, é necessáro consderar o caso de sstemas tempo-real dstrbuídos,
Leia maisEscalonamento. Entender o papel do escalonamento e da análise de escalonabilidade na previsão de que aplicações de tempo real cumprem seus deadlines
Escalonamento Objetvo Entender o papel do escalonamento e da análse de escalonabldade na prevsão de que aplcações de tempo real cumprem seus deadlnes Tópcos Modelo de processos smples A abordagem executvo
Leia maisEscalonamento de Tarefas
Escalonamento de Tarefas Rômulo Silva de Oliveira ebook Kindle, 2018 www.romulosilvadeoliveira.eng.br/livrotemporeal Outubro/2018 1 Escalonamento de Tarefas Sistemas de tempo real são organizados em torno
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisAnálise Temporal da Implementação da Fila de Aptos como Lista Ordenada e Lista Desordenada
Anas do XXVI Congresso da SBC WSO l III Workshop de Sstemas Operaconas 14 a 20 de julho de 2006 Campo Grande, MS Análse Temporal da Implementação da Fla de Aptos como Lsta Ordenada e Lsta Desordenada Rcardo
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisNa Aula Anterior... Impasses (Deadlocks) Nesta Aula. Impasse. Recurso. Impasse (Deadlock) 17/10/2016
GI018 stemas Operaconas 17/10/2016 Impasses (Deadlocks) Na ula nteror... Unversdade Federal de Uberlânda Faculdade de Computação Prof. Dr. rer. nat. Danel D. bdala 2 Nesta ula Impasse Motvação acerca dos
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia maisPROVA 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 maisGARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS
GARANIA DE EXCELENE INERCAMBIALIDADE E REDUÇÃO DE CUSOS ARAVÉS DA ANÁLISE ESAÍSICA DE OLERÂNCIAS Edvaldo Antono Bulba* *Prof. Dr. da Fatec SP FEI e Unversdade São Judas E mal: bulba@fe.edu.br Resumo Numa
Leia maisEstatística 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 maisOptimização com variáveis discretas
Engenhara de Processos e Sstemas Optmzação com varáves dscretas Fernando Bernardo Fev 2013 mn f ( x,, θ ) x, s. t. h( x,, θ ) = 0 g( x,, θ ) 0 x x x L U x real, {0,1} Por que necesstamos de varáves dscretas?
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 entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisUMA 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 maisProf. 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 maisMestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas
Mestrado Integrado em Engenhara Cvl Dscplna: TRANSPORTES Prof. Responsável: José Manuel Vegas Sessão Prátca 7 (Tpo A): Dmensonamento de ntersecções semaforzadas smples Curso 2008/09 1/22 INTERSECÇÕES Introdução
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisSistemas de Tempo-Real
Aula Escalonamento usando prioridades dinâmicas Escalonamento on-line com prioridades dinâmicas O critério Earliest Deadline First limite de utilização de CPU Optimalidade e comparação com RM: nível de
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisTRANSPORTES. Sessão Prática 11 Dimensionamento de Interseções Semaforizadas
Mestrado Integrado em Engenhara Cvl TRANSPORTES Prof. Responsável: Lus Pcado Santos Sessão Prátca 11 Dmensonamento de Interseções Semaforzadas Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl
Leia maisProf. 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 maisDiferença 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 mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisJogos. Jogos. Jogo. Jogo. Óptimo alvo investigação
Jogos Óptmo alvo nvestgação O seu estado é fácl de representar; As acções são bem defndas e o seu número lmtado; A presença de oponentes ntroduz ncerteza tornando o problema de decsão mas complcado. Estamos
Leia maisProf. 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 mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisDIFERENCIANDO 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 mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisRAD1507 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 maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisAlocação sequencial - filas
Alocação sequencal - las Flas A estrutura de dados Fla também é bastante ntutva. A analoga é com uma la de pessoas aguardando para serem atenddas no guchê de um banco, ou aguardando o ônbus. Se houver
Leia maisLISTA DE EXERCÍCIOS PARA P2 INCLUI PROVAS ATÉ 2007/2
LISTA DE EXERCÍCIOS PARA P2 INCLUI PROVAS ATÉ 2007/2 GRAFO DE PRECEDÊNCIA 1) Desenhe o grafo de precedênca do códgo abaxo: man() [1] nt f1, f2, f3; /* Identfca processos flho*/ [2] prntf("alo do pa\n");
Leia maisPrograma 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 maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisChapter 9 Location INTRODUÇÃO. Localização de Instalações. Problemas de comunicação
Chapter 9 Locaton Localzação de Instalações Problemas de comuncação http://www.youtube.com/watch?v=h_qnu4rwlvu INTRODUÇÃO INTRODUÇÃO Analsar padrões de localzação pode ser nteressante Porque a Whte Castle,
Leia maisModelação com Variáveis Discretas
Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos
Leia mais5 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 maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
Leia maisModelação, Identificação e Controlo Digital
Modelação, Identfcação e Controlo Dgtal 1-Aspectos Geras 1 Modelação, Identfcação e Controlo Dgtal Elaborado por J. Mranda Lemos Professor Catedrátco do IST, 2002 Revsto por A. Bernardno Professor Auxlar
Leia maisPalavras-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 mais5 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 maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisResponda 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 maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia maisPUCPR- 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 maisANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS
DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
Leia maisMETOLOGIA. 1. Histórico
METOLOGIA A Sondagem da Construção Cvl do RS é uma sondagem de opnão empresaral realzada mensalmente e fo crada pela Confederação Naconal da Indústra (CNI) com o apoo da Câmara Braslera da Indústra da
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisLaboratório de Mecânica Aplicada I Determinação de Centros de Gravidade
Laboratóro de Mecânca Aplcada I Determnação de Centros de Gravdade Em mutos problemas de mecânca o efeto do peso dos corpos é representado por um únco vector, aplcado num ponto denomnado centro de gravdade.
Leia mais2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6:
Lsta de Exercícos - Probabldade INE 700 GABARITO LISTA DE EXERÍIOS PROBABILIDADE ) Vamos medr o tempo de duração da lâmpada. Ao lgarmos a lâmpada ela pode não funconar, ou durar um tempo ndetermnado. a)
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisUm Modelo De Programação Linear Inteira Mista Para A Localização De Armazéns E A Distribuição De Produtos Siderúrgicos
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN Um Modelo De Programação Lnear Intera Msta Para A Localzação De Armazéns E A Dstrbução De Produtos Sderúrgcos Carlos Roberto
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia mais22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos
Razão de crescmento desse temo Imortânca de análse de algortmos Um mesmo roblema ode, em mutos casos, ser resolvdo or város algortmos. Nesse caso, qual algortmo deve ser o escolhdo? Crtéro 1: fácl comreensão,
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisModelo 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 maisNotas 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 maisProgramação Não Linear. Programação Não-Linear 1
Proramação Não Lnear Proramação Não-Lnear Os modelos empreados em Proramação Lnear são, como o própro nome dz, lneares (tanto a unção-obetvo quanto as restrções). Este ato é, sem dúvda, a maor das restrções
Leia maisAlgoritmos de Escalonamento para a Síntese de Alto Nível
4 Algortmos de Escalonamento para a Síntese de Alto Nível Francsco Asss M. Nascmento* Resumo: Neste capítulo são apresentados os prncpas algortmos de escalonamento empregados em ferramentas de automação
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisModelos para Localização de Instalações
Modelos para Localzação de Instalações Prof. Dr. Ncolau D. Fares Gualda Escola Poltécnca da Unversdade de São Paulo Departamento de Engenhara de Transportes CLASSIFICAÇÃO DE WEBER (WEBER, Alfred. Uber
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisRobótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016
Robótca Prof. Renaldo Banch Centro Unverstáro FEI 2016 6 a Aula IECAT Objetvos desta aula Momentos Lneares, angulares e de Inérca. Estátca de manpuladores: Propagação de forças e torques. Dnâmca de manpuladores:
Leia mais