Escalonamento com Garantia

Tamanho: px
Começar a partir da página:

Download "Escalonamento com Garantia"

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

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

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

Sistemas de Tempo-Real

Sistemas 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 mais

Sistemas de Tempo-Real

Sistemas 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 mais

O Escalonamento de Tempo Real

O 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 mais

Executivo Cíclico. Executivo Cíclico Introdução. Sistemas de Tempo Real: Executivo Cíclico Exemplo. Executivo Cíclico Introdução

Executivo 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 mais

Extensões da Análise para Prioridades Fixas

Extensões 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 mais

Cap 6: 4,5,8,9,10,11,12,15,16,21 fazer diagramas, usar análise por cálculo do tempo de resposta

Cap 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 mais

Suporte Básico para Sistemas de Tempo Real

Suporte 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 mais

Implemente uma solução para o problema da barreira usando mutexes e variáveis condição da biblioteca das pthreads. A solução consiste de 2 rotinas:

Implemente 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 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

3 Elementos de modelagem para o problema de controle de potência

3 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 mais

Sistemas de Tempo-Real

Sistemas 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 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

Índice. Exemplo de minimização de estados mais complexo. estados

Índice. 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 mais

Introdução aos Problemas de Roteirização e Programação de Veículos

Introdução 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 mais

2 Metodologia de Medição de Riscos para Projetos

2 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 mais

Guia 11 Escalonamento de Mensagens

Guia 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 mais

Escalonamento. Entender o papel do escalonamento e da análise de escalonabilidade na previsão de que aplicações de tempo real cumprem seus deadlines

Escalonamento. 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 mais

Escalonamento de Tarefas

Escalonamento 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 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

Análise Temporal da Implementação da Fila de Aptos como Lista Ordenada e Lista Desordenada

Análise 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 mais

Reconhecimento Estatístico de Padrões

Reconhecimento 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 mais

Na Aula Anterior... Impasses (Deadlocks) Nesta Aula. Impasse. Recurso. Impasse (Deadlock) 17/10/2016

Na 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 mais

Programação Linear 1

Programação 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 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

GARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS

GARANTIA 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 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

Optimização com variáveis discretas

Optimização 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 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

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

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

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas

Mestrado 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 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

Sistemas de Tempo-Real

Sistemas 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 mais

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

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

Leia mais

3 Método Numérico. 3.1 Discretização da Equação Diferencial

3 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 mais

TRANSPORTES. Sessão Prática 11 Dimensionamento de Interseções Semaforizadas

TRANSPORTES. 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 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

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

2 Lógica Fuzzy Introdução

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

Leia mais

Jogos. Jogos. Jogo. Jogo. Óptimo alvo investigação

Jogos. 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 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

4.1 Modelagem dos Resultados Considerando Sazonalização

4.1 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 mais

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS

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

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. 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 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

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

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

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos 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 mais

Alocação sequencial - filas

Alocação 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 mais

LISTA DE EXERCÍCIOS PARA P2 INCLUI PROVAS ATÉ 2007/2

LISTA 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 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

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

Chapter 9 Location INTRODUÇÃO. Localização de Instalações. Problemas de comunicação

Chapter 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 mais

Modelação com Variáveis Discretas

Modelação 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 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

INF 1771 Inteligência Artificial

INF 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 mais

Análise Exploratória de Dados

Análise 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 mais

Classificação e Pesquisa de Dados

Classificação 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 mais

Modelação, Identificação e Controlo Digital

Modelação, 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 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

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

Testes não-paramétricos

Testes 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 mais

CONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:

CONTROLADORES 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 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

Redes Neurais (Inteligência Artificial)

Redes 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 mais

Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.

Jorge 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 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

ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS

ANÁLISE 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 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

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

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

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

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

Leia mais

Gestão e Teoria da Decisão

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

Leia mais

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

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

Leia mais

METOLOGIA. 1. Histórico

METOLOGIA. 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 mais

EXERCÍCIO: VIA EXPRESSA CONTROLADA

EXERCÍCIO: 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 mais

CURSO A DISTÂNCIA DE GEOESTATÍSTICA

CURSO 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 mais

8 - Medidas Descritivas

8 - 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 mais

Laboratório de Mecânica Aplicada I Determinação de Centros de Gravidade

Laboratório 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 mais

2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6:

2) 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 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

Algoritmos Genéticos com Parâmetros Contínuos

Algoritmos 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 mais

Um Modelo De Programação Linear Inteira Mista Para A Localização De Armazéns E A Distribuição De Produtos Siderúrgicos

Um 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 mais

Métodos de Ordenação Parte 1

Métodos 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 mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES 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 mais

22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos

22/8/2010 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 mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

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

Leia mais

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

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

Programação Não Linear. Programação Não-Linear 1

Programação 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 mais

Algoritmos de Escalonamento para a Síntese de Alto Nível

Algoritmos 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 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

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos

Laboratório 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 mais

Modelos para Localização de Instalações

Modelos 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 mais

Teoria Elementar da Probabilidade

Teoria 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 mais

Robótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016

Robótica. 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