CAPÍTULO 6 ESTRATÉGIA ÓTIMA DE OFERTA DE PREÇOS
|
|
- Daniela Avelar Igrejas
- 5 Há anos
- Visualizações:
Transcrição
1 CAPÍTULO 6 ESTRATÉGIA ÓTIMA DE OFERTA DE PREÇOS 6.1 INTRODUÇÃO Como vsto no Capítulo 1, se um mercado apresenta competção perfeta não á brecas que possam ser exploradas pelos agentes, nem espaço é dexado lvre para ogos que dstorçam a operação e/ou os preços. Entretanto, os mercados de energa elétrca no mundo se aproxmam mas de um olgopólo do que um mercado de competção perfeta. Em função deste fato, as empresas de geração podem maxmzar os seus lucros através de ofertas estratégcas de preços, sendo este sempre o obetvo prncpal dessas empresas. Neste capítulo é apresentada a formulação do problema de estabelecmento de estratégas de oferta ótma de preços em mercados compettvos de energa elétrca. A formulação apresentada é geral e pode ser estendda para qualquer mercado spot de energa elétrca baseado em ofertas para o da segunte. A dferença básca está no cálculo da remuneração das usnas, que é função das regras de contablzação do mercado em questão. Nesta tese será utlzado como referênca para o cálculo da remuneração das usnas as regras de contablzação do MAE [40]. 6.2 FORMULAÇÃO DO PROBLEMA PARA TERMELÉTRICAS Consdere que os geradores termelétrcos fazem ofertas de preço para cada período de contablzação do da segunte. Assume-se por smplfcação que toda a capacdade dsponível é conecda a pror e deve ser ofertada a um únco preço. A prevsão de carga para o da segunte também é conecda no momento que as ofertas são fetas. Com base nas ofertas realzadas pelos agentes, o preço spot é então calculado para cada período de contablzação do da segunte utlzando o programa DESSEM do Cepel, no caso do tgt pool, ou resolvendo o Problema 4.5, ou equvalente, para cada período de contablzação, no caso do esquema geral de ofertas de preços, como vsto no Capítulo 4. Note que no segundo caso os geradores drelétrcos também faram ofertas de preços. A receta operaconal bruta (sem o pagamento de mpostos) de uma usna 107
2 termelétrca será dada para cada período de contablzação do da segunte por: RB = RC + RMAE DO (6.1) onde: RC = EC. PC receta de contrato (6.1.1) RMAE = (EG EC ). Pspot lqudação no MAE (6.1.2) DO = EG. CV despesa operaconal (6.1.3) EC PC energa contratada preço de venda contratado EG energa gerada Pspot CV preço spot custo varável (combustível + O&M) Observe que a parcela assocada a lqudação no MAE ( RMAE ) pode ser postva ou negatva dependendo da geração da usna. A estratéga ótma do gerador termelétrco é então determnar a oferta de preços que maxmze a sua receta operaconal bruta ao longo do próxmo da: H RB = Max EC.PC + ( EG EC ).Pspot - = 1 EG. CV (6.2) onde H representa o número de períodos de contablzação no da segunte, podendo ser 24 se a contablzação é feta ora a ora, ou 48 se a contablzação é de ½ ora em ½ ora. Note entretanto que o preço spot (Pspot ) e a energa gerada ( EG ) em cada período de contablzação são funções das ofertas de preços de todos os agentes, que não são conecdas no momento que o gerador faz a sua oferta. 108
3 6.3 TRATAMENTO DETERMINÍSTICO Incalmente, vamos supor conecdas as ofertas fetas pelos demas agentes. Anda assm, observe que o Problema 6.2 é não-lnear, pos a função obetvo apresenta produto entre duas varáves de decsão, o preço spot (Pspot ) e a energa gerada ( EG ). Teorcamente, a estratéga ótma podera ser determnada acoplando o Problema (6.2) ao problema de despaco de custo mínmo, que é resolvdo para a determnação do preço spot / despaco, e utlzando algum pacote conecdo de programação não-lnear. Entretanto, no caso do tgt pool, este acoplamento ao programa DESSEM é computaconalmente bastante dfícl. Aqu o Problema (6.2) será resolvdo de forma aproxmada dscretzando o ntervalo de possíves preços ofertados pelo gerador para cada período de contablzação, e fazendo uma busca undmensonal pela oferta de preço que maxmza a receta operaconal bruta. A pótese básca que deve ser assumda é que não exste dependênca entre as estratégas ótmas nos períodos e +1. No caso do esquema geral de ofertas de preços esta pótese é valda desprezando os custos de partda das usnas térmcas, e assumndo pequenas varações nos níves de armazenamento de para +1. Já para o caso do tgt pool, sto não é totalmente verdadero porque exste acoplamento temporal entre as decsões de despaco obtdas com o programa DESSEM em cada período, entretanto, na prátca está dependênca em bases oráras é muto pequena em função também das pequenas varações nos níves de armazenamento de para +1, podendo ser desprezada. Assm é possível determnar a oferta ótma para o período ndependentemente da oferta para o período +1. Logo para cada período de contablzação a estratéga ótma é estmada utlzando o algortmo apresentado na Fgura 6.1: 109
4 Incalzar p = CV, p ot = CV e RB max = 0 Resolver Despaco de Custo Mínmo (DESSEM ou Problema 4.5) para obter Pspot (p ) e EG (p ) Calcular RB (p ) (Expressão 6.2) RB (p ) > RB max? Não Não p > p max? Sm FIM Oferta Ótma p ot Sm RB max = RB (p ) p ot = p p = p + Fgura 6.1 Algortmo Estratéga Ótma (Caso Determnístco) Note que a busca pela pelo oferta ótma ( p ot ) é ncada fazendo a oferta ncal gual ao custo varável (CV ) da termelétrca. A cada teração o oferta é aumentada de um valor até que a oferta máxma possível ( p max ) sea atngda. O valor de pode ser utlzado para austar o precsão da estmatva e o tempo de processamento. Algortmos smlares a este podem ser encontrados em [53] e [54]. 6.4 TRATAMENTO ESTOCÁSTICO Infelzmente, no momento que o gerador faz a sua oferta, as ofertas dos outros agentes não são conecdas. Adconalmente, também exste ncerteza com relação à carga e a dsponbldade de geração. Estas ncertezas aumentam sobremanera a complexdade do problema, que se confgura em problema de decsão sob ncertezas. 110
5 6.4.1 DECISÃO SOB INCERTEZAS Um tratamento muto utlzado em problemas de decsão sob ncerteza consste em maxmzar o valor esperado de uma função utldade, U, que represente o perfl de aversão a rsco do agente. A função utldade pode se vsta smplesmente como uma forma de descrever preferêncas em relação a dferentes níves de rsco. Normalmente, as funções utldade de um agente apresentam as seguntes característcas: utldade crescente com o resultado, x: du/dx > 0 utldade margnal decrescente com o resultado: du 2 /dx 2 A defnção de aversão a rsco encontra suas orgens no conceto de utldade margnal decrescente. Por resultado pode-se entender, e.g., receta bruta, valor presente líqudo, ou qualquer outro ndcador de remuneração, dependendo do problema analsado. O valor esperado da função utldade é calculado como: E[U(x)] = U(x)f (x) dx (6.3) onde o rsco é representado pela função densdade de probabldade f(x). Se um agente tem que escoler entre dos níves de rsco ele escole aquele que maxmza a sua função utldade. Na prátca a defnção de função utldade específca para um agente não é smples, prncpalmente quando o problema analsado se torna mas complexo. Um tratamento comumente utlzado consste em adotar um Modelo Méda- Varânca, onde o obetvo é maxmzar a função utldade dada por: U(x) = E[x] λ Var[x] (6.4) sendo λ um parâmetro que reflete o perfl de aversão a rsco do agente. Quando λ é gual a zero o agente é consderado neutro ao rsco. O Modelo Méda-Varânca somente corresponde à maxmzação da utldade esperada sob condções específcas: 1. Função utldade é quadrátca - como para estas funções as dervadas de tercera ordem e ordem superor são nulas, a função 111
6 obetvo pode ser escrta apenas como função da méda e da varânca do resultado. 2. Resultado é normalmente dstrbuída porque assm a dstrbução de probabldade é completamente caracterzada pela méda e pela varânca. Entretanto, mesmo para dstrbuções não normas, que não podem ser completamente caracterzadas por méda e varânca, o Modelo Méda-Varânca pode ser consderado uma aproxmação razoável para a maxmzação da utldade esperada [55]. Em algumas aplcações o Modelo Méda-Varânca é substtuído por um modelo smlar dado por [56]: U(x) = (1 λ).e[x] λ.v (6.5) onde λ representa novamente o perfl de aversão a rsco do agente, sendo neste caso um número entre 0 e 1, e V representa alguma medda de ncerteza (.e., o desvo padrão, sem desvo-padrão, etc.) TRATAMENTO ADOTADO O tratamento adotado aqu consste em determnar a oferta que maxmza a utldade da remuneração operaconal bruta para um conunto de cenáros (ofertas dos outros agentes, carga e dsponbldade). É utlzada novamente uma busca undmensonal onde para cada oferta de preço é calculada, não RB, mas o valor de sua função utldade para o conunto de cenáros analsados. O algortmo apresentado na Fgura 6.1 pode ser adaptado para resolver este problema, substtundo o cálculo de RB pelo cálculo de sua utldade, U[ RB ], como mostrado na Fgura
7 Incalzar p = CV, p ot = CV e U[RB ] max = 0 Calcular U[RB (p )] para um conunto de cenáros Não U[RB (p )] > U[RB ] max? Não p > p max? Sm FIM Oferta Ótma p ot Sm U[RB ] max = U[RB (p )] p ot = p p = p + Fgura 6.2 Algortmo Estratéga Ótma (Caso Estocástco) CÁLCULO DA UTILIDADE DA RECEITA OPERACIONAL BRUTA POR SIMULAÇÃO MONTE CARLO Será consderada a função utldade apresentada na Expressão (6.5) onde a medda de ncerteza será dada pelo desvo padrão. A função utldade da receta operaconal bruta para cada oferta de preço do gerador ( p [ (p )] (1 λ)e[ RB (p )] λ Var[RB (p )] U RB ) é dada então por: = (6.6) O valor de U[ RB (p ) ]) pode ser obtdo através do método Smulação Monte Carlo. Os seguntes estmadores não-tendencosos são utlzado para E[RB (p )] e Var[RB (p )] [57]: Ê[RB (p N 1 )] = RB n (p ) (6.7) N n= 1 113
8 Vˆ ar[rb (p N 1 )] = N n= [ RB (p )] E [RB (p )] n (6.8) onde: N número de cenáros analsados RB n (p ) receta operaconal bruta do cenáro n Cada cenáro é composto por carga, dsponbldade e conunto de ofertas de preços dos outros agentes. O cenáro de carga pode ser obtdo utlzando um modelo de prevsão de carga orára de curto prazo [58]. As dsponbldades podem ser amostradas modelando o processo fala / reparo dos geradores através de dstrbuções exponencas [59]. O detalamento da representação do processo de ofertas dos outros agentes é apresentado na próxma seção. O algortmo utlzado para estmar U[RB (p )] é lustrado na Fgura 6.3. Incalzar n = 0 n = n+1 Amostrar Cenáro de Carga Amostrar Cenáro de Dsponbldade Amostrar Cenáro de Ofertas Resolver Despaco de Custo Mínmo (DESSEM ou Problema 4.5) Calcular RB n (p ) (Expressão 6.2) Sm n =N? Calcular U[RB (p )] (Expressão 6.6) Fgura 6.3 Algortmo Utldade da Receta Operaconal Bruta Não 114
9 Uma característca atratva da smulação Monte Carlo é que o tamano da amostra N necessáro para estmar E[RB (p )] com uma dada precsão, não depende do número de varáves ncertas consderadas na smulação. É mportante também observar em (6.7) que Ê[RB (p )] não é o valor verdadero de E[RB (p )], porém uma estmatva deste valor. Se a smulação fosse repetda com uma outra amostra aleatóra, podera-se obter outro valor para a estmatva. Como a receta operaconal bruta é uma varável aleatóra, este estmador, que é a méda de N observações de RB (p ), é também uma varável aleatóra. A ncerteza em torno da estmatva é dada pela varânca do estmador: Var[ Ê[RB (p )]] = Vˆ ar[rb N (p )] (6.9) onde Vˆ ar[rb (p )] é estmada pela Expressão (6.8): Expressão (6.9) ndca que a ncerteza na estmatva de E[RB (p )] depende da varânca da receta operaconal bruta e é nversamente proporconal ao tamano da amostra. Isto confrma a noção ntutva de que a precsão da smulação Monte Carlo aumenta com o aumento do tamano da amostra N. Esta ncerteza pode ser representada por um coefcente de varação, β: β = Var[Ê[RB Ê[RB (p (p )] )]] (6.10) A expressão (6.10) pode ser usada para estmar o tamano da amostra necessára para uma dada precsão. Substtundo (6.9) em (6.10) e reescrevendo em termos de N resulta em: N = Vˆ ar[rb ( βê[rb (p (p )] )]) 2 (6.11) Este últmo resultado mostra que o esforço computaconal da smulação Monte Carlo, dado pelo tamano da amostra N, não depende da dmensão ou da 115
10 complexdade do problema analsado. Por outro lado, o esforço computaconal depende fortemente da precsão deseada, β REPRESENTAÇÃO DAS OFERTAS DOS AGENTES COMPETIDORES Como vsto no Capítulo 1, dos tratamentos são encontrados na lteratura para a representação do processo de oferta dos agentes competdores. O prmero é baseado nos concetos de teora dos ogos, e o segundo consste em modelar o comportamento probablístco de oferta dos agentes a partr de dados stórcos e de conecmento prévo sobre seus perfs de aversão a rsco Teora dos Jogos A representação baseada na teora dos ogos segue modelos de competção olgopolsta como os modelos de Cournot, Bertrand, Stackelberg, etc. [47]. Esta representação consste em, para cada cenáro analsado, determnar o conunto de ofertas dos outros agentes que defne um Equlíbro de Nas (vde Capítulo 5). Isto pode ser feto utlzando um processo teratvo onde a cada teração os agentes redefnem as suas póteses sobre o comportamento dos outros agentes partcpantes através das nformações (despaco e preço) obtdas na teração anteror. Resumndo, a cada teração os agentes tentam defnr a sua estratéga de oferta ótma para a condção de mercado corrente. O processo teratvo converge quando para todos os geradores a estratéga ótma na teração -1 e muto próxma da estratéga da teração. O algortmo lustrado na Fgura 6.4 é baseado no modelo de Bertrand, e pode ser utlzado para tentar encontrar o Equlíbro de Nas para um conunto de K geradores que competem por preço. 116
11 Iteração =0 Para k =1,, K : Ofertas = Custo Varável =+1 Para k =1,, K : Calcular oferta que maxmza a receta operaconal bruta do gerador k, fxadas as ofertas dos outros geradores Sm Para k =1,, K: Oferta k () Oferta k (-1) >? Não Fm Fgura 6.4 Algortmo Equlíbro de Nas A utlzação dos concetos de teora dos ogos parece à forma natural de representar o comportamento de ofertas dos outros agentes. Infelzmente, não exste garanta teórca de que um equlíbro exsta para estratégas puras em um mercado de energa elétrca, mas especfcamente quando restrções de transmssão são representadas [48]. Os modelos de competção olgopolsta são mas aproprados para avalar o potencal de poder de mercado do que para a construção de estratégas ótmas de oferta, apesar de, em prncípo, os estados de equlíbro destes ogos representarem a estratéga ótma para todos os agentes. A razão para sto está assocada às mutas póteses smplfcadoras utlzadas por estes modelos. Na prátca, em função das complexdades dos mercados de energa elétrca é pouco provável que no curto prazo os agentes consegussem concordar que um determnado estado é um Equlíbro de Nas. Em função do exposto acma, a representação baseada em teora dos ogos não será utlzada para a construção de ofertas ótmas nesta tese. Por outro lado, o 117
12 algortmo apresentado na Fgura 6.4 será utlzado no próxmo capítulo para avalar o potencal de poder de mercado no Setor Elétrco Braslero Modelagem Probablístca Modelar o comportamento probablístco de ofertas dos agentes competdores não é uma tarefa smples. O tratamento natural é tentar construr dstrbuções de probabldade para as ofertas dos dversos agentes, a partr de dados stórcos e de conecmento prévo sobre seus perfs de aversão a rsco. Estas dstrbuções de probabldades devem ser condconadas ao estado do sstema no momento em que as ofertas são fetas. Por exemplo, no caso do Brasl, as dstrbuções para o período seco devem ser dferentes das dstrbuções no período cuvoso, e para um mesmo período, as dstrbuções devem varar em função do nível de armazenamento do sstema. No momento não se tem um modelo baseado em ofertas em operação no sstema braslero, o que mplca na nexstênca de dados stórcos para o auste das dstrbuções de probabldades. Uma alternatva que podera ser adotada consste em utlzar uma modelagem baseada em conuntos nebulosos (fuzzy) [60]. A tratamento aqu adotado consstrá de uma modelagem probablístca combnada com uma representação baseada em conuntos nebulosos. Será utlzada na verdade, uma modelagem probablístca, mas utlzando dstrbuções de probabldade equvalentes às funções de pertnênca típcas de uma representação fuzzy. Deve-se ressaltar, que se a defnção das dstrbuções de probabldade forem consstentes com as funções de pertnênca fuzzy, os resultados obtdos serão equvalentes, como mostrado em [61]. Para a representação das ofertas dos geradores termelétrcos será utlzada a função densdade de probabldade trangular lustrada na Fgura 6.5. Note que esta dstrbução é utlzada porque os geradores termelétrcos não têm nenum estmulo para ofertar preços menores que seus custos varáves de operação (O&M + combustível). O condconamento ao estado do sstema (níves de armazenamento e afluêncas) no momento que as ofertas são fetas do sstema, e ao perfl de aversão a rsco do agente, é feto austando o lmte superor da dstrbução de probabldade. 118
13 Esse comportamento de ofertas representara a tentatva por parte dos geradores termelétrcos mas agressvos de exercerem poder de mercado, estando por outro lado assumndo um rsco maor de não serem despacados. Este representação será utlzada na construção de estratégas ótmas para termelétrcas, tanto no caso do tgt pool, quanto no caso de esquema geral de ofertas de preços. f(x) Custo Varável x Fgura 6.5 Dstrbução Trangular (Geradores Termelétrcos) Apenas para o esquema geral de ofertas de preços, onde os geradores drelétrcos também fazem ofertas, será utlzada para estes geradores a função densdade de probabldade lustrada na Fgura 6.6. f(x) Valor da Água x Fgura 6.6 Dstrbução Trangular (Geradores Hdrelétrcos) 119
14 O parâmetro central da densdade será dado pelo valor da água calculado utlzando os mesmos modelos de programação da operação (Programa DESSEM) utlzados no caso do tgt pool. Esta fo a forma adotada para condconar o estado do sstema ao perfl de ofertas dos agentes drelétrcos. Note que no caso das drelétrcas, as ofertas podem ser menores que o valor da água, representando a antecpação de receta pelos geradores drelétrcos mas agressvos,.e, geradores menos avessos ao rsco futuro de preços elevados em stuação drológca crítca, quando neste caso á teram utlzado os seus recursos de água antecpadamente. Ofertas acma do valor da água poderão representar tanto geradores conservadores, tentando manter os seus armazenamentos elevados para reduzr a exposção a períodos drológcos runs, quanto geradores agressvos, tentando exercer poder de mercado. 6.5 FORMULAÇÃO DO PROBLEMA PARA HIDRELÉTRICAS A formulação do problema para usnas drelétrcas só tem sentdo no esquema proposto de ofertas de preços apresentado no Capítulo 4. Consdere que os geradores drelétrcos também fazem ofertas de preço para cada período de contablzação do da segunte, como os termelétrcos. Com base nas ofertas realzadas pelos agentes o preço spot é então calculado para cada período de contablzação do da segunte resolvendo o Problema (4.5), ou equvalente, para cada um dos períodos de contablzação. A receta operaconal bruta (sem o pagamento de mpostos) de uma usna drelétrca será dada para cada período de contablzação do da segunte por: onde: RB = RC + RMAE DO + DOR (6.12) RC = EC. PC receta de contrato (6.12.1) RMAE = (EGC EC ). Pspot lqudação no MAE (6.12.2) DO = EG. CV despesa operaconal (6.12.3) DOR = (EG EGC ).CVR desp.operaconal realocada (6.12.4) 120
15 EC energa contratada PC preço de venda contratado EG energa gerada físcamente EGC Pspot CV CVR energa gerada comercalmente preço spot custo varável real (O&M) custo varável regulado (a ser defndo ANEEL) Note que na Expressão (6.12) é representado o desacoplamento entre o despaco físco e o despaco comercal, uma das característcas prncpas do esquema geral de ofertas de preços apresentado no Capítulo 4. Note também que pode aver dferenças entre o custo varável real e o custo varável regulado que será utlzado para valorar as dferenças entre as energas geradas fscamente e comercalmente, entretanto, estas dferenças devem ser pequenas. Como no caso termelétrco, observe que a parcela assocada a lqudação no MAE ( RMAE ) pode ser postva o negatva, dependendo da geração da usna, mas neste caso é utlzada a energa gerada comercalmente, e não a fscamente gerada. Em função do acoplamento temporal das decsões operatvas das usnas drelétrcas, o problema de estabelecmento de uma estratéga ótma de oferta para um gerador drelétrco é extremamente mas complexo que o problema termelétrco. Um gerador drelétrco não pode maxmzar a sua receta só ao longo do da segunte, sendo necessára a representação das recetas futuras. A estratéga ótma do gerador drelétrco será então determnar a oferta de preços que maxmze a sua receta operaconal bruta, ou uma função utldade assocada, ao longo do próxmo da mas a sua receta bruta futura, RBF: H Max EC.PC + ( EGC EC ). Pspot = 1 - ( EG. CV + EG EGC ). CVR + RBF (6.13) 121
16 Note que, da mesma forma que no caso termelétrco, o preço spot e a energa gerada em cada período de contablzação são funções das ofertas de preços de todos os agentes competdores, que não são conecdas no momento que o gerador faz a sua oferta. A receta futura também será função das ofertas dos agentes competdores nos próxmos períodos. Em prncípo, o tratamento deste problema requer a combnação da modelagem do comportamento de ofertar dos agentes competdores (nclundo os drelétrcos) com um esquema de programação dnâmca. Entretanto, em função do excessvo esforço computaconal, um tratamento que smplfca sobremanera o problema consste em adotar a pótese de que no futuro o mercado tenderá a competção perfeta e, por conseqüênca, os resultados do esquema de oferta de preços convergem para os resultados do tgt pool. A partr desta pótese, podemos assumr que um agente drelétrco tenta exercer poder de mercado no curto prazo, mas consdera que as suas recetas futuras seram equvalentes àquelas que seram obtdas no tgt pool. Desta forma, pode-se consderar que o agente drelétrco na determnação de sua estratéga de oferta ótma só estara dsposto a gerar quando o preço spot for maor que o valor da água calculado utlzando os mesmos modelos programação da operação do tgt pool (e.g., Programa DESSEM). Assm o problema (6.13) pode ser smplfcado da segunte forma: H Max EC.PC + ( EGC EC ). Pspot = 1 - EG. CV + ( EG EGC ). CVR - EGC. VA (6.14) onde VA valor da água da usna no período. Observe que a receta futura RBF na Expressão (6.13) fo substtuída por uma penaldade na função obetvo, que ndca que o gerador só estara dsposto a gerar se o preço spot for maor que o valor da água. Desta forma, é possível utlzar para os geradores drelétrcos um algortmo gual ao apresentado na Fgura
17 Na prátca, o problema formulado na Expressão (6.14) é equvalente a determnar a estratéga de oferta que maxmza a receta bruta presente, com a restrção de que as ofertas de preços são maores ou guas ao valor da água, ou sea, H Max EC.PC + ( EGC EC ). Pspot = 1 - ( EG. CV + EG EGC ). CVR (6.15) Sueto a p VA, =1,..., H. Note que elmnando a restrção anteror é possível determnar a estratéga de oferta ótma para um agente drelétrco agressvo que tenta maxmzar a sua receta presente, ndependentemente das conseqüêncas futuras de sua decsão. 123
18 6.6 CONCLUSÃO Neste capítulo fo apresentada a formulação do problema de estabelecmento de estratégas de oferta ótma de preços em mercados compettvos de energa elétrca. A formulação apresentada é geral, podendo ser estendda para qualquer mercado spot de energa elétrca baseado em ofertas para o da segunte. Apenas como referênca para o cálculo da remuneração das usnas foram utlzadas as regras de contablzação do MAE, entretanto, qualquer regra de contablzação podera ser adotada. Como no momento que os geradores fazem suas ofertas, as ofertas dos agentes competdores não são conecdas, e também exste ncerteza com relação à carga e à dsponbldade de geração no da segunte, o problema de estabelecmento de estratégas ótmas se confgura em problema de decsão sob ncertezas. O tratamento adotado aqu consstu em utlzar o conceto de maxmzação de uma função utldade, que represente o perfl de aversão a rsco do agente. Um ponto crítco da metodologa é a modelagem do comportamento de ofertas dos agentes competdores. O tratamento adotado fo baseado em uma modelagem probablístca, mas utlzando dstrbuções de probabldade equvalentes a funções de pertnênca típcas de uma representação fuzzy. Isto fo feto em função da nexstênca de dados que permtssem o auste de dstrbuções de probabldade clásscas. 124
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 mais3 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 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 maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
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 maisAlgarismos 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 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 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 mais2 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 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 maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia 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 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 maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
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 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 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 maisX = 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 maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
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 maisEstatística 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 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 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 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 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 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 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 maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia 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 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 maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisCAPÍTULO 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 maisUNIDADE 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 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 mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
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 maisContabilometria. 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 maisRegressão 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 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 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 maisAula 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 maisDIAGNÓSTICO 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 maisVariáveis Aleatórias
Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisExperiência 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 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 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 mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais6 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 maisRadiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)
Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,
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 maisGráficos 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 maisEquações Simultâneas
Equações Smultâneas Caracterzação. Os modelos de equações smultâneasenvolvem mas de uma varável dependente, ou endógena, sendo necessáras tantas equações quanto for o número de varáves endógenas 2. Uma
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 maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
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 mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
Leia mais3 Desenvolvimento do Modelo
3 Desenvolvmento do Modelo Neste capítulo apresentaremos como está estruturado o modelo desenvolvdo nesta dssertação para otmzar o despacho de geradores dstrbuídos com o obetvo de reduzr os custos da rede
Leia maisDinâmica 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 mais3 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 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 maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisModelo de Alocação de Vagas Docentes
Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006
Leia maisDinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc
Dnâmca Estocástca Insttuto de Físca, outubro de 06 Dnâmcas estocástcas defndas em retculados odelo de Isng Dnâmcas estocástcas em retculados Retculado (rede Exemplo: Rede quadrada regular com = 4 X 4=6
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
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 maisCORRELAÇÃO 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 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 maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisEQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) Introdução Seja a segunte equação derencal: d ( ) ; d para. que é reerencado com o problema do valor ncal. Essa denomnação deve-se
Leia mais4 Análise de confiabilidade de estruturas
4 Análse de confabldade de estruturas Nos prmórdos da engenhara cvl, o desconhecmento técnco-centífco conduza a proetos excessvamente seguros, mas em contrapartda de custo muto elevado. Hoe em da, o progresso
Leia maisModelo 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 mais2 Teoria da Informação no Sistema MIMO
Teora da Informação no Sstema MIMO esta sessão são apresentados os fundamentos teórcos relaconados à capacdade de um sstema com múltplas antenas no transmssor e receptor, procurando-se nterpretar os resultados
Leia mais18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas
01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia mais4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisDepartamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória
Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisEXPANSÃO TÉRMICA DOS LÍQUIDOS
Físca II Protocolos das Aulas Prátcas 01 DF - Unversdade do Algarve EXPANSÃO ÉRMICA DOS ÍQUIDOS 1 Resumo Estuda-se a expansão térmca da água destlada e do glcerol utlzando um pcnómetro. Ao aquecer-se,
Leia maisFiltros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências.
1 Fltros são dspostvos seletvos em freqüênca usados para lmtar o espectro de um snal a um determnado ntervalo de freqüêncas. A resposta em freqüênca de um fltro é caracterzada por uma faxa de passagem
Leia 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 maisAo 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 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 mais6 ALOCAÇÃO POR ÚLTIMA ADIÇÃO (UA)
ALOCAÇÃO POR ÚLTIMA ADIÇÃO (UA 7 6 ALOCAÇÃO POR ÚLTIMA ADIÇÃO (UA As desvantagens do método BM apresentadas no capítulo 5 sugerem que a alocação dos benefícos seja feta proporconalmente ao prejuízo causado
Leia maisParênteses termodinâmico
Parênteses termodnâmco Lembrando de 1 dos lmtes de valdade da dstrbução de Maxwell-Boltzmann: λ
Leia mais2 Modelos de Otimização sob Incerteza 2.1. Introdução
2 Modelos de Otmzação sob Incerteza 2.. Introdução Modelos de programação matemátca são comumente utlzados para solução de problemas de programação da produção, de logístca, de schedulng e de planejamento
Leia mais