1. Introdução 2. Misturas Gaussianas
|
|
- Amadeu Madeira Sousa
- 8 Há anos
- Visualizações:
Transcrição
1 Ajuste de Msturas Gaussanas utlzando Algortmo de Maxmzação da Esperança e Crtéro de Comprmento de Descrção Mínmo para Modelagem de Tráfego VoIP Chela Mendes de Olvera Escola de Engenhara Elétrca e de Computação - UFG Av. Unverstára S.N. Setor Leste Unverstáro Goâna Goás Chela@eee.ufg.br Flávo Henrque Teles Vera Escola de Engenhara Elétrca e de Computação - UFG Av. Unverstára S.N. Setor Leste Unverstáro Goâna Goás flavo@eee.ufg.br Marcos Antôno de Sousa Escola de Engenhara Elétrca e de Computação - UFG Av. Unverstára S.N. Setor Leste Unverstáro Goâna Goás marcos@eee.ufg.br Marco Aurélo de Faras Borges Escola de Engenhara Elétrca e de Computação - UFG Av. Unverstára S.N. Setor Leste Unverstáro Goâna Goás marcoafborges@gmal.com RESUMO O aumento do número de aplcações que geram tráfego VoIP (Voce over IP) requer que modelos adequados para este tpo de tráfego sejam empregados para um melhor dmensonamento dos recursos da rede. Neste artgo, propomos a aplcação de Msturas Gaussanas ajustadas por um algortmo adaptatvo EM (Expectaton-Maxmzaton) com seleção de classes utlzando o prncípo do Comprmento de Descrção Mínmo (MDL-Mnmum Descrpton Length) para descrever o tráfego VoIP. Dados reas de VoIP foram coletados e séres sntétcas foram geradas de acordo com esses dados. O algortmo proposto é comparado com o algortmo adaptatvo denomnado Msturas Adaptatvas em termos do desempenho em modelar as séres de tráfego VoIP consderadas. PALAVRAS CHAVES. VoIP, Tráfego, Msturas. Área prncpal: PO em Telecomuncações e Sstemas de Informação ABSTRACT The growng number of applcatons that generate traffc VoIP (Voce over IP) requres that sutable models for ths nd of traffc be used n order to better estmate the requred networ resources. In ths paper, we propose the applcaton of Gaussan mxtures adjusted by an adaptve algorthm EM (Expectaton-Maxmzaton) wth selecton of classes usng the prncple of Mnmum Descrpton Length (MDL Mnmum Descrpton Length-) to descrbe the VoIP traffc. Real VoIP data were collected and synthetc traces were generated accordng to them. The proposed algorthm s compared to the adaptve algorthm called Adaptve Mxtures n terms of performance n modelng the seres of VoIP traffc consdered. KEYWORDS. VoIP, Traffc, Mxtures Man area: Operatons Research n Telecommuncatons and Informaton Systems 269
2 . Introdução O crescente aumento do acesso à Internet mpulsonou o processo de ntegração da transmssão das dversas mídas. A compettvdade de preços, mposta por grandes ndústras, para equpamentos específcos para VoIP, o aumento da qualdade dos servços em conjunto com a grande utlzação da rede Internet ou de outras redes baseadas em IP e a cração de padrões relaconados ao VoIP permtram sua entrada defntva no mercado. Na década de 9, o surgmento do software comercal Internet Phone crado pela empresa VocalTec Communcatons possbltou o empacotamento de amostras de voz para transmt-las va rede IP (Colcher et. al., 25). O conhecmento das característcas do tráfego VoIP torna-se crucal, especalmente quando os prestadores de servços se deparam com a escassez de recursos de rede e são obrgados a alocar seus recursos da forma mas efcente possível (Hassan et. al., 26). Neste trabalho, propomos um algortmo adaptatvo de ajuste de parâmetros para o modelo Msturas Gaussanas baseado no algortmo de estmação de maxmzação da esperança (EM-Expectaton-Maxmzaton), (Martnez at. al., 28) e no conceto de Comprmento de Descrção Mínmo (MDL-Mnmum Descrpton Length) (Bouman et. al., 25) para representar efcentemente o tráfego VoIP. A prncpal motvação para estudarmos a aplcação de Msturas Gaussanas para modelar o tráfego VoIP fo a constatação de que suas densdades de probabldade poderam ser representadas pela soma de dstrbuções Gaussanas. Além dsso, as Msturas Gaussanas proporconam uma modelagem precsa para város tpos de fenômenos cujas densdades de probabldade podem ser contínuas ou dscretas (Martnez at. al., 28). Para avalar o algortmo proposto aplcado a Msturas Gaussanas, ncalmente foram fetas coletas de dados de tráfego de pacotes em dversas chamadas VoIP. Em seguda, analsouse o desempenho de modelagem para Msturas Gaussanas varando o tpo de algortmo adaptatvo de estmação do número de Gaussanas para o modelo. Utlzando o modelo obtdo, dados sntétcos foram gerados e a partr dos mesmos a méda, a varânca e o desvo-padrão foram calculados para comparação com os valores dos dados de tráfego reas. Este artgo está dvddo em 5 seções. A seção 2 ntroduz os concetos báscos sobre Msturas Gaussanas. A seção 3 expõe brevemente o conceto de Comprmento de Descrção Mínma (MDL) e o algortmo proposto. A seção 4 traz a descrção dos dados coletados e os prncpas resultados para as análses realzadas. Fnalmente, a seção 5 expõe as conclusões obtdas neste trabalho. 2. Msturas Gaussanas A utlzação generalzada das msturas gaussanas é devdo ao fato de que uma dstrbução gaussana tem uma representação smples e concsa que requer apenas dos parâmetros, a méda µ e varânca σ 2 (Zhuang et. al., 996). A Mstura Gaussana é uma forma de modelagem de séres temporas que consste no agrupamento de densdades de probabldades gaussanas com característcas ndvduas. Tem como característcas desejáves para um modelo, necesstar de pouco volume de nformações armazenadas e de pouca carga computaconal para se realzar as estmatvas de densdade de probabldade, prncpalmente quando se trabalha com conjunto de dados de n dmensões. A Mstura Gaussana parte do prncípo que a função de densdade de probabldade f(x) pode ser modelada como a soma ponderada de um certo número c de densdade de probabldade, com c<<n. O caso mas comum é a Mstura Gaussana unvarada que é dada pela Equação (Martnez et. al., 28): f c ( x) = δ ( x;θ ) = ρ () 269
3 onde δ x; θ representa uma densdade de probabldade, com os parâmetros µ e σ 2 representados pelo vetor θ e x é o ponto da varável que se deseja estmar a densdade. Para a Mstura Gaussana multvarada podese usar a segunte equação (Martnez et. al., 28): ρ representa o peso ou o coefcente da mstura para -ésmo termo e ( ) f FM c = ( x) = ρ φ( x; µ, ) (2) onde x é um vetor n-dmensonal dos valores da sére que se deseja estmar a densdade; µ é um vetor n-dmensonal de médas e é uma matrz de covarânca n x n de x. A condção de que a soma dos coefcentes ρ da mstura deve ser gual à undade tem que ser obedecda tanto para uma mstura unvarada quando para uma multvarada. Os parâmetros da função de densdade de probabldade de uma mstura gaussana são o número de Gaussanas (c), seu fator de ponderação ρ e os parâmetros µ (méda) e Σ (matrz de covarânca) de cada função de densdade Gaussana (Resch, 2). Geralmente o algortmo EM é utlzado para estmar estes parâmetros. O algortmo EM (Expectaton-Maxmzaton) executa um cálculo teratvo de estmadores de máxma verossmlhança quando as observações podem ser vstas como dados ncompletos (Pcard, 27). É de grande mportânca ncar os parâmetros do algortmo EM com valores adequados, pos o algortmo encontra um valor ótmo local e não um valor ótmo global e a convergênca do algortmo também depende destes valores ncas (Resch, 2). O algortmo EM possu duas lmtações báscas: a taxa de convergênca pode ser lenta e, como mutos procedmentos teratvos, é sensível à etapa de ncalzação (Pcard, 27). Exstem métodos menos sensíves à etapa de ncalzação como a Mstura Adaptatva que será abordada na próxma subseção. 2. Msturas Adaptatvas (MA) A Mstura Adaptatva é um método para se estmar adaptatvamente os parâmetros de uma Mstura Gaussana, assm como o seu número de Gaussanas. A déa básca na abordagem da mstura adaptatva é obter para cada ponto (amostra) dos dados (sére temporal) à dstânca a partr desta observação a cada componente de densdade no modelo. Se a dstânca entre a observação e cada componente (termo) da densdade de probabldade é maor do que algum lmar (t c ) de todos os termos, então um termo novo é crado. Se a dstânca for nferor ao lmar (t c ) de todos os termos, as estmatvas de parâmetros são atualzadas com base nas equações EM recursvas (Martnez et. al., 28). Se t c = for usado, então um novo termo é crado quando uma nova observação é maor do que um desvo-padrão dstante da méda de cada termo. Para t c =4, um novo termo será crado para uma observação que é, pelo menos, dos desvos-padrão de dstânca a partr dos termos exstentes (Martnez et. al., 28). Esta dstânca é dada pela Dstânca de Mahalanobs (dstânca de cada elemento até o elemento central da sére). A dstânca de Mahalanobs pode ser defnda como uma medda de smlardade. A dstânca de Mahalanobs ao quadrado entre a nova observação ( n+) x e o -ésmo termo é dado por MD 2 ( ) Σ n n n n+ n+ n+ x = x x µ T µ (3) A abordagem das Msturas Adaptatvas pode ser resumda da segunte forma, (Martnez et. al., 28): î 2692
4 Algortmo MA. Incalzar o algortmo das msturas adaptatvas usando o prmero ponto do dados ( ) x : ( ) ( ) ( ) ( ) µ = x, ρ = e Σ = I onde I denota a matrz dentdade. No caso unvarado, a varânca do termo ncal é a undade. ( n+) 2. Para um novo ponto de dados x, calcular a dstânca de Mahalanobs ao quadrado como na Equação (3). 3. Se 2 n mn { MD ( x )} + > t, crar um novo termo utlzando as Equações (4), (5) e (6). c Aumentar o número de termos N em uma undade. ( n+ ) ( + ) µ + = n N x (4) ( n+ ) ρ N + = (5) n + ( n+ ) Σ N + = I Σ (6) onde I Σ é a méda ponderada das probabldades a posteror calculadas usando as Equações (7) e (8). n ( n) ( ) ( n) n+ ρ φ x ; µ, ( n ) + (7) τ = ; =,..., c ( n+ ) ( n) ( n+ ) f ( x ) ( n) c ( ) ( ) ( ) ( ) + ( ) = + ; n n n n f x, φ x µ = Σ ρ (8) onde τ representa a probabldade estmada a posteror de que a nova observação ( n+) x pertença ao -ésmo termo e o subescrto (n) denota os valores dos parâmetros estmados com base em n observações anterores. O denomnador é a estmatva de densdade da mstura gaussana para a nova observação usando a mstura dos n pontos anterores. 4. Se a dstânca mínma ao quadrado é nferor ao lmar de cração t c, atualzar os termos exstentes usando as Equações (9), () e (). ( n+ ) ( n) ( n+ ) ( n) ρ = + ρ τ ρ (9) n ( n+ ) ( n+ ) ( n) ( n ) τ ( ) = + n+ µ µ ( ) x µ n () n ρ ( n+ ) T ( n+ ) ( n ) ( ) ( ) ( ) n ( ) n + ( + ) n n n Σ = Σ + ( ) x µ x µ Σ n τ () n ρ 5. Repetr os passos 2 à 4, utlzando todos os pontos do vetor de amostras. Na prátca, o método de msturas adaptatvas é utlzado para obter os valores ncas para os parâmetros, bem como uma estmatva do número de termos necessáros para o modelo de densdade. Esta abordagem apresenta dos fatores que devem ser consderados: a complexdade do modelo que as vezes pode apresentar um número de termos maor do que o necessáro e a função de densdade de probabldade estmada depende da ordem na qual os 2693
5 dados são apresentados ao algortmo. Maores detalhes podem ser encontrados em Martnez, et. al., (28). 3. Algortmo de Maxmzação da Esperança com Seleção de Classes utlzando Comprmento de Descrção Mínmo (MDL) A abordagem MDL (Mnmum Descrpton Length) basea-se no fato de que se exste alguma regulardade nos dados, esta pode ser usada para comprmr os mesmos. Quanto mas os dados forem compactados menos classes e consequentemente menos parâmetros serão necessáros para caracterzar as mesmas, (Peter, 25). O crtéro MDL tenta obter o número de subclasses que melhor descreve os dados da amostra. Propomos então a partr dos dados compactados, utlzar o algortmo EM para estmar os parâmetros das subclasses formadas pelos dados da amostra e, dessa forma reduzr o número de Gaussanas na Mstura Gaussana. As etapas relaconadas abaxo resumem a abordagem proposta de utlzação da maxmzação da esperança em conjunto com o crtéro MDL (Bouman, et. al. 25). Algortmo 2 - MDL. Incalzar a classe com um grande número de subclasses, Ko. ( ) 2. Incalzar θ () () () () (onde θ = ( π, µ, R ) ) usando (2), (3) e (4). ( ) π = K ( ) = y n onde n = ( )( N ) /( K ) + (2) µ (3) N ( ) (4) t R = yn yn N n= onde y n é uma amostra da sére que se deseja modelar usando a Mstura Gaussana; N é o número de elementos da sére e. é uma função pso com arredondamento para baxo onde o resultado é o maor ntero menor ou gual ao argumento da função. 3. Aplcar o algortmo teratvo EM - Equação (5) - até a mudança de MDL (K; θ ) dado pela Equação (6), seja menor que ε. onde ( + ) ( + ) ( + ) ( ) ( π, µ, R ) = arg ( ) ( K ) max Q( θ; θ ) (5) π, µ, R Ω = ( π, µ, R ) [ ] ( ) ( ) ( ) Q( θ, θ ) = E log ρ x, y ( y, X θ ) Y = y, θ L log NM 2 MDL( K, ) = log py ( y K, θ ) + Llog( NM ) 2 θ (6) e L é um termo de penaldade e M é a dmensão da sére temporal que se deseja modelar. 4. Armazenar o parâmetro ( K, θ ) fnal e o valor MDL (K, ( K, fnal ) θ ). 5. Se o número de subclasses K é maor que, aplcar a Equação (7) para reduzr o número de subclasses, conjunto K K, e voltar para o passo 3. onde l e m são exemplos de subclasses. * * ( l m ) arg( ) mn d( l m), l, m, = (7) 6. Escolher o valor de K* e dos parâmetros ( K*, fnal ) θ que mnmzam o valor do MDL. Na etapa 3, o valor de ε é escolhdo para ser (Bouman et. al., 25): 2694
6 ( M ) + M ε = + M + log( NM ) 2 ( K*, fnal ) Uma vez obtdos K*e θ é possível utlzar as seguntes equações para calcular a densdade de probabldade da Mstura e posterormente gerar uma sére sntétca. ρ y n xn ( y θ ) 4. Avalação dos Algortmos Adaptatvos n 2 t = ( ) ( ), R / exp y M n µ R yn µ (8) / 2 ( 2π ) 2 ρ y n ( y n θ ) = ρ y x ( y n, θ ) π n n, (9) 4. - Dados coletados Os dados foram coletados de chamadas realzadas com um software (Sype) que utlza a comuncação VoIP entre dos termnas fm-a-fm. Para mostrar os resultados de modelagem neste artgo, foram escolhdas 3 séres de tráfego (chamadas) que representam a maora dos comportamentos do tráfego VoIP das séres coletadas. A Tabela mostra o comportamento estatístco dos dados coletados para três destas chamadas realzadas. Chamada Nº. de Pacotes (Amostras) Méda da Amostra Varânca da Amostra , , , , Tabela Resumo dos Dados Coletados nas Chamadas VoIP. Frequênca dos Paylood dos Pacotes Coletados Paylood dos Pacotes Coletados em Bytes Função de Densdade de Probabldade dos Paylood dos Pacotes Coletados Paylood dos Pacotes Coletados (Bytes) Fgura Hstograma Chamada. Fgura 2 Densdade de Probabldade da Chamada Frequênca dos Paylood dos Pacotes Coletados Paylood dos Pacotes Coletados em Bytes Função de Densdade de Probabldade dos Paylood dos Pacotes Coletados Paylood dos Pacotes Coletados (Bytes) Fgura 3 Hstograma Chamada 2. Fgura 4 Densdade de Probabldade da Chamada
7 Frequênca dos Paylood dos Pacotes Coletados Paylood dos Pacotes Coletados em Bytes Função de Densdade de Probabldade dos Paylood dos Pacotes Coletados Paylood dos Pacotes Coletados (Bytes) Fgura 5 Hstograma Chamada 3. Fgura 6 Densdade de Probabldade da Chamada 3 As fguras de a 6 apresentam os hstogramas e as curvas de densdades de probabldade para os valores de payload (número de bytes de dados de usuáro) nas três chamadas. É possível observar que na chamada exste uma regulardade entre os valores dos payload, com uma pequena varação na quantdade de bytes para o payload. Este comportamento no tamanho dos pacotes já não se repete para as chamadas 2 e 3. A Tabela 2 lustra este comportamento no tamanho do payload para os dez prmeros valores coletados nas três séres VoIP. Chamada Chamada 2 Chamada Tabela 2 Dez Prmeros Valores de Payload dos Pacotes das Chamadas VoIP Análse Realzada utlzando os Métodos MA e MDL Para encontrar o número adequado de gaussanas para as Msturas Gaussanas foram utlzadas abordagens adaptatvas: Msturas Adaptatvas e a proposta (MDL-EM). Para realzar as comparações, depos de gerada a amostra sntétca, também, fo calculado a méda, a varânca e o desvo-padrão de ambas as séres. Chamada : As Tabelas 3 e 4 mostram os erros percentuas calculados para as duas abordagens para a chamada. Comparou-se também as funções de densdade das séres geradas com as das séres reas. A Fgura 7 mostra a densdade de probabldade de cada sére gerada com os algortmos adaptatvos para a chamada. Sére Coletada Sére Sntétca com 4 Gaussanas Erro(%) Méda 97, ,6497,28 Varânca 33, ,583,3 Desvo Padrão 7,772 7,782,56 Tabela 3 - Parâmetros Estatístcos da Chamada utlzando MA. Sére Coletada Sére Sntétca com 3 Gaussanas Erro(%) Méda 97, ,6385,66 Varânca 33,5448 3,856,5386 Desvo Padrão 7,772 7,6594,2694 Tabela 4 - Parâmetros Estatístcos da Chamada utlzando MDL-EM. 2696
8 Comparando os valores mostrados nas Tabelas 3 e 4, nota-se que apesar do algortmo MA apresentar menores valores de erro percentual para o desvo padrão e conseqüentemente para varânca, os valores de erro percentual apresentados para méda é maor que o valor apresentado pelo algortmo MDL-EM. Entretanto, o algortmo MDL-EM atnge este desempenho utlzando um menor número de gaussanas. Densdade de Probabldade dos Dados Sére Coletada Sére do MDL-EM Sére da MA Dados (Bytes) Fgura 7 Densdade de Probabldade das Séres Sntétcas Geradas pelo MDL-EM e MA e da Sére Coletada para a chamada Observa-se na Fgura 7, que a curva de densdade de probabldade da sére gerada pelo algortmo MDL-EM aproxmadamente sobrepõe a curva de densdade da sére coletada enquanto que a curva de densdade da sére gerada pelo algortmo MA apresentou uma dscrepânca sgnfcatva. Chamada 2: Para a chamada 2 utlzou os mesmos procedmentos realzados para a chamada, utlzou os algortmos MA e MDL-EM, com base nas séres VoIP coletadas, para gerar as séres sntétcas para posteror calculo de suas estatístcas. As Tabelas 5 e 6 mostram os erros percentuas calculados para as abordagens MA e MDL-EM. A Fgura 8 mostra as curvas de densdade de probabldade de cada sére gerada com os algortmos adaptatvos. Sére Coletada Sére Sntétca com Gaussanas Erro(%) Méda 455, ,382,222 Varânca ,98 Desvo Padrão 582, ,4,544 Tabela 5 - Parâmetros Estatístcos da Chamada 2 utlzando MA. Sére Coletada Sére Sntétca com 9 Gaussanas Erro(%) Méda 455, ,743,78 Varânca ,7 Desvo Padrão 582,422 58,9382,35 Tabela 6 - Parâmetros Estatístcos da Chamada 2 utlzando MDL-EM Observando os valores apresentados pelas Tabelas 5 e 6, nota-se que os menores erros percentuas para os parâmetros estatístcos foram obtdos para a sére sntétca gerada pelo algortmo MDL-EM. Pode-se dzer então que a sére gerada pelo algortmo MDL-EM se aproxmou mas da sére VoIP coletada. 2697
9 Densdade de Probabldade dos Dados Sére Coletada Sére do MDL-EM Sére da MA Dados (Bytes) Fgura 8 Densdade de Probabldade das Séres Sntétcas Geradas pelo MDL-EM e MA e da Sére Coletada para a chamada 2 Pode-se observar na Fgura 8 que a curva de densdade de probabldade da sére gerada pelo algortmo MA apresenta pcos mas dstantes da curva de densdade da sére coletada. Anda na Fgura 8, também, pode-se observar que a densdade da sére gerada pelo algortmo MDL- EM acompanha de forma mas precsa a curva de densdade da sére coletada do que a densdade da sére gerada pelo algortmo MA. Chamada 3: Para a chamada 3 foram mantdos os mesmos procedmentos realzados para as chamadas e 2. As Tabelas 7 e 8 mostram os erros percentuas calculados para as abordagens MA e MDL-EM. A Fgura 9 mostra as curvas de densdade de cada sére gerada com os algortmos adaptatvos. Sére Coletada Sére Sntétca com Gaussanas Erro(%) Méda 566, ,899,237 Varânca ,238 Desvo Padrão 63,72 63,45,9 Tabela 7 - Parâmetros Estatístcos da Chamada 3 utlzando MA. Sére Coletada Sére Sntétca com 8 Gaussanas Erro(%) Méda 566, ,594,269 Varânca ,22 Desvo Padrão 63,72 63,46, Tabela 8 - Parâmetros Estatístcos da Chamada 3 utlzando MDL-EM Na chamada 3, a sére sntétca gerada pelo algortmo MDL-EM, também, apresentou os menores erros percentuas comparados com os erros percentuas calculados para a sére sntétca gerada pelo algortmo MA, como mostra as Tabelas 7 e 8. Também para a chamada 3, a sére sntétca gerada pelo algortmo MDL-EM possu característcas mas próxmas das característcas da sére VoIP coletada. 2698
10 Densdade de Probabldade dos Dados Sére Coletada Sére do MDL-EM Sére do MA Dados (Bytes) Fgura 9 Densdade de Probabldade das Séres Sntétcas Geradas pelo MDL-EM e MA e da Sére Coletada para a chamada 3. Observa-se na Fgura 9 que a curva de densdade de probabldade da sére gerada pelo algortmo MDL-EM se aproxma mas da curva de densdade da sére coletada do que a curva de densdade da sére gerada pelo algortmo MA. Os pcos da curva de densdade da sére do MDL- EM se aproxma mas que os pcos da curva de densdade da sére coletada Taxa de Perda Uma análse do comportamento de fla no buffer também fo realzada para comparar as séres sntétcas geradas com o da sére VoIP orgnal coletada. Para sso, consderou-se nas smulações, um enlace com um servdor e um buffer sendo almentado pelas séres. A smulação computaconal fo realzada mantendo-se o tamanho do buffer fxo em bytes e varando a capacdade do enlace em 45, 6, 7, 85 e bytes/s. As Tabelas 9, e mostram os valores obtdos para a taxa de perda de pacotes para as séres coletada e sntétcas. Tamanho do Buffer(Bytes) / Capacdade de Enlace(Bytes/s) Sére Coletada Sére MA Sére MDL / 45 53,9 53,94 53,9 / 6 38,6 38,53 38,6 / 7 28,49 28,3 28,44 / 85 3,77 3,6 3,8 / 4,53,39,47 Tabela 9 Comportamento de Fla das Séres Coletada, do MA e MDL-EM para a Chamada Tamanho do Buffer(Bytes) / Capacdade de Enlace(Bytes/s) Sére Coletada Sére MA Sére MDL / 2 73,24 69,8 7,3 / 5 53,9 49,5 5,9 / 9 27,56 23,8 24,6 /. 2,4 7,99 8,63 /.3 3,48,4 4,52 Tabela Comportamento de Fla das Séres Coletada, do MA e MDL-EM para a Chamada
11 Tamanho do Buffer(Bytes) / Capacdade de Enlace(Bytes/s) Sére Coletada Sére MA Sére MDL / 2 74,98 7,82 72,7 / 5 54,65 5,55 52, / 9 28,58 26,2 26,33 /. 22,24 9,49 9,78 /.3 3,8,76 4,24 Tabela - Comportamento de Fla das Séres Coletada, do MA e MDL-EM para a Chamada 3 Os valores da capacdade de enlace utlzados na chamada são menores do que para as outras chamadas devdo ao fato que os valores de capacdade de enlace guas a 2, 5, 9,. e.3 geram taxas de perdas guas a zero para esta chamada. A não ser por este crtéro, os valores para o tamanho do buffer e para capacdade de enlace utlzados nas smulações foram escolhdos aleatoramente. Observando as tabelas acma nota-se que à medda que a capacdade de enlace aumenta a taxa de perda dmnu. Observa-se anda, que para as três chamadas, a sére gerada pelo algortmo MDL-EM apresentou os valores da taxa de perda mas próxmos da taxa de perda da sére VoIP coletada, ou seja, o comportamento de fla da sére sntétca gerada pelo algortmo MDL-EM é o mas parecdo com a sére VoIP coletas. A relação entre a taxa de perda de pacotes e o tamanho do buffer para duas chamadas pode ser averguada nas fguras e. Taxa de Perdas (Bytes) Sére Coletada Sére MDL-EM Sére MA Tamanho do Buffer (Bytes) x 4 Fgura Gráfco da Relação entre a Taxa de Perda e o Tamanho do Buffer para Sére Coletada e Séres do MDL-EM e MA na Chamada Sére Coletada Sére MDL-EM Sére MA Taxa de Perda (Bytes) Tamanho do Buffer (Bytes) x 4 Fgura Gráfco da Relação entre a Taxa de Perda e o Tamanho do Buffer para Sére Coletada e Séres do MDL-EM e MA na Chamada 3 27
12 As Fguras e corroboram os resultados apresentados nas tabelas 9, e no sentdo de que as séres geradas pelo algortmo MDL-EM também apresentam uma relação entre a taxa de perda e o tamanho do buffer smlar as das séres VoIP coletadas. Observa-se também que o tamanho do buffer nfluenca no valor da taxa de perda. Um aumento do tamanho do buffer proporcona uma queda na taxa de perda. 5. Conclusões A geração de séres a partr de Msturas Gaussanas depende da estmação da densdade de probabldade para este modelo. As dfculdades na obtenção da densdade de probabldade para Msturas Gaussanas é encontrar os parâmetros do modelo e um número de gaussanas que seja efcaz na geração da sére sntétca. Este artgo apresentou abordagens adaptatvas para encontrar o número adequado de gaussanas. Observou-se que é possível obter uma sére sntétca com característcas semelhantes das amostras coletadas utlzando msturas gaussanas. A abordagem proposta MDL-EM, de modo geral, apresentou menores valores para os erros percentuas para as médas e varâncas das séres nas três chamadas VoIP do que o algortmo MA. O algortmo MDL-EM, também, apresentou menor número de gaussanas, conseqüentemente necessta de menor volume de nformação a ser armazenado e de menor processamento computaconal para estmar a densdade do que o algortmo MA. Avalando os resultados obtdos, pode-se dzer que a sére gerada pelo algortmo MDL-EM possu em geral característcas mas próxmas das característcas das séres de VoIP coletadas do que as séres geradas através do algortmo MA. Outro fato, também observado, é que com a utlzação do algortmo MDL-EM não é necessáro determnar o quanto de regulardade possu a sére para posterormente escolher o método a ser usado. O tempo gasto na estmatva dos parâmetros do modelo apresentado pela abordagem MDL-EM é maor que o tempo gasto apresentado pela abordagem MA, mas a dferença entre o tempo computaconal dos algortmos não sobressa às vantagens que o MDL-EM apresenta. Por fm, na análse de taxa de perda em um enlace de comuncação com buffer fnto, a sére gerada pelo algortmo MDL-EM também apresentou um comportamento mas próxmo do das séres coletadas do que o algortmo MA. Referêncas Bouman, C. A., Shapro, M., Coo, G. W., Atns, C. B., Cheng, H., Dy, J.G., Borman, S., (25), CLUSTER: An Unsupervsed Algorthm for Modelng Gaussan Mxtures, School of Electrcal Engneerng, Purdue Unversty, West Lafayerette. Colcher, S., Gomes, A. T. A., Slva, A. O., Souza, G. L. F. e Soares, L. F. S., (25), VoIP Voz sobre IP, 4 ed., Edtora Elsever, Ro de Janero. Hassan, H., Garca, J. M., Bocstal, C., (26), Aggregate Traffc Models for VoIP Applcatons, LAAS-CNRS, 7 av du colonel ROCHE, 377 Toulouse cedex4, FRANCE. Martnez, W. L., Martnez, A. R., (28), Computatonal Statstcs Handboo wth MatLab, Chapman & Hall/CRC, Boca Raton, Florda. Peter G., (25), A Tutoral Introducton to the Mnmum Descrpton Length Prncple, Centrum voor Wsunde en Informatca, Kruslaan 43, 98 SJ Amsterdam, The Netherlands, Pcard, F., (27), An ntroducton to mxture models, Laboratore Estatstque et Génome, UMR CNRS 87 INRA 52 Unv. d Evry, France. Resch, B. (2), Mxtures of Gaussans A Tutoral for the Course Computatonal Intellgence. Sgnal Processng and Speech Communcaton Laboratory. MxtGaussan/MxtGaussan.html, Inffeldgasse 6c, last updated: 24. Jun. Zhuang, X., Huang, Y., Palanappan, K. end Zhao, Y., (996), Gaussan Mxture Densty Modelng, Decomposton, and Applcatons, IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 5, NO
NOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
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 maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
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 maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO
ANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO J. W. B. Lopes 1 ; E. A. R. Pnhero 2 ; J. R. de Araújo Neto 3 ; J. C. N. dos Santos 4 RESUMO: Esse estudo fo conduzdo
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisMAE5778 - Teoria da Resposta ao Item
MAE5778 - Teora da Resposta ao Item Fernando Henrque Ferraz Perera da Rosa Robson Lunard 1 de feverero de 2005 Lsta 2 1. Na Tabela 1 estão apresentados os parâmetros de 6 tens, na escala (0,1). a b c 1
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 maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisCaderno de Exercícios Resolvidos
Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisIV - Descrição e Apresentação dos Dados. Prof. Herondino
IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser
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 mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia 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 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 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 maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
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 maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP SISTEMA
Leia maisPREVISÃO DE PARTIDAS DE FUTEBOL USANDO MODELOS DINÂMICOS
PREVISÃO DE PRTIDS DE FUTEBOL USNDO MODELOS DINÂMICOS Oswaldo Gomes de Souza Junor Insttuto de Matemátca Unversdade Federal do Ro de Janero junor@dme.ufrj.br Dan Gamerman Insttuto de Matemátca Unversdade
Leia maisMetodologia IHFA - Índice de Hedge Funds ANBIMA
Metodologa IHFA - Índce de Hedge Funds ANBIMA Versão Abrl 2011 Metodologa IHFA Índce de Hedge Funds ANBIMA 1. O Que é o IHFA Índce de Hedge Funds ANBIMA? O IHFA é um índce representatvo da ndústra de hedge
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
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 maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
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 maisAula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014
Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca
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 maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia 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 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 maisLOCALIZAÇÃO ESPACIAL DA MÃO DO USUÁRIO UTILIZANDO WII REMOTE. Ricardo Silva Tavares 1 ; Roberto Scalco 2
LOCALIZAÇÃO ESPACIAL DA MÃO DO USUÁRIO UTILIZANDO WII REMOTE Rcardo Slva Tavares 1 ; Roberto Scalco 1 Aluno de Incação Centífca da Escola de Engenhara Mauá (EEM/CEUN-IMT); Professor da Escola de Engenhara
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 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 mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisUniversidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas
Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema
Leia maisPrincípios do Cálculo de Incertezas O Método GUM
Prncípos do Cálculo de Incertezas O Método GUM João Alves e Sousa Laboratóro Regonal de Engenhara Cvl - LREC Rua Agostnho Perera de Olvera, 9000-64 Funchal, Portugal. E-mal: jasousa@lrec.pt Resumo Em anos
Leia maisApostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna
Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade
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 maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
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 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 maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisO Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining
O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação
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 maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
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 maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia maisMODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE
MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE R. L. S. CANEVESI 1, C. L. DIEL 2, K. A. SANTOS 1, C. E. BORBA 1, F. PALÚ 1, E. A. DA SILVA 1 1 Unversdade Estadual
Leia maisPalavras-chaves: Gráficos de controle, ambiente R, análise estatística multivariada
A ntegração de cadeas produtvas com a abordagem da manufatura sustentável. Ro de Janero, RJ, Brasl, 13 a 16 de outubro de 2008 O DESENVOLVIMENTO DE GRÁFICOS DE CONTROLE MCUSUM E MEWMA EM AMBIENTE R COMO
Leia maisUniversidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S
Unversdade Federal da Baha Insttuto de Físca Departamento de Físca da Terra e do Meo Ambente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Físca I SALVADOR, BAHIA 013 1 Prefáco Esta apostla é destnada
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia mais7.4 Precificação dos Serviços de Transmissão em Ambiente Desregulamentado
64 Capítulo 7: Introdução ao Estudo de Mercados de Energa Elétrca 7.4 Precfcação dos Servços de Transmssão em Ambente Desregulamentado A re-estruturação da ndústra de energa elétrca que ocorreu nos últmos
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia mais2 ANÁLISE ESPACIAL DE EVENTOS
ANÁLISE ESPACIAL DE EVENTOS Glberto Câmara Marla Sá Carvalho.1 INTRODUÇÃO Neste capítulo serão estudados os fenômenos expressos através de ocorrêncas dentfcadas como pontos localzados no espaço, denomnados
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 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 maisALGORITMOS GENÉTICOS COMO FERRAMENTA AUXILIAR NA TOMADA DE DECISÃO EM ATIVIDADES DE GESTÃO AGROINDUSTRIAL
ALGORITMOS GENÉTICOS COMO FERRAMENTA AUXILIAR NA TOMADA DE DECISÃO EM ATIVIDADES DE GESTÃO AGROINDUSTRIAL Danlo Augusto Hereda VIEIRA 1 Celso Correa de SOUZA 2 José Francsco dos REIS NETO 3 Resumo. As
Leia maisProf. Antônio Carlos Fontes dos Santos. Aula 1: Divisores de tensão e Resistência interna de uma fonte de tensão
IF-UFRJ Elementos de Eletrônca Analógca Prof. Antôno Carlos Fontes dos Santos FIW362 Mestrado Profssonal em Ensno de Físca Aula 1: Dvsores de tensão e Resstênca nterna de uma fonte de tensão Este materal
Leia maisLista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.
Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta
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 maisANEXO II METODOLOGIA E CÁLCULO DO FATOR X
ANEXO II Nota Técnca nº 256/2009-SRE/ANEEL Brasíla, 29 de julho de 2009 METODOLOGIA E ÁLULO DO FATOR X ANEXO II Nota Técnca n o 256/2009 SRE/ANEEL Em 29 de julho de 2009. Processo nº 48500.004295/2006-48
Leia maisUTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:
UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje
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 maisAnálise do Retorno da Educação na Região Norte em 2007: Um Estudo à Luz da Regressão Quantílica.
Análse do Retorno da Edcação na Regão Norte em 2007: Um Estdo à Lz da Regressão Qantílca. 1 Introdcão Almr Rogéro A. de Soza 1 Jâno Macel da Slva 2 Marnalva Cardoso Macel 3 O debate sobre o relaconamento
Leia mais