Modelação com Variáveis Discretas
|
|
- Moisés Barreiro
- 5 Há anos
- Visualizações:
Transcrição
1 Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos de problemas: Escolha múltpla, decsões dscretas, condções lógcas, síntese de processos. Modelação de condções lógcas Exemplos város. 1
2 Optmzação dscreta. Aplcações váras Localzação das almentações e produtos lateras de uma coluna de destlação Dmensões dscretas de equpamentos Nº de reactores em paralelo, eventualmente de dmensão gual, fxa ou não Estrutura do dagrama de fabrco e opções de equpamento alternatvo Problemas de formulação (e.g. no máxmo 10 ngredentes, 3 dos quas préespecfcados) Selecção de grupos funconas numa molécula Planear/calendarzar a produção. O que produzr e quando, face a prevsões na curva de procura. Comprar produtos ntermédos ou produz-los a partr de percursores? Expandr capacdade? s/n?) max f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L U x real y ntero (habtualmente, y {0,1}) 2
3 Modelação de problemas Nesta aula vamos preocupar-nos em como formular os problemas, envolvendo decsões dscretas e não em como resolvê-los (enumeração explícta, branch and bound ; aula anteror) De um ponto de vsta mas geral, o modelo ou formulação do problema envolve: - análse prelmnar do problema - representação do problema (dagrama de blocos, rede, representação de alternatvas) - dentfcação de graus de lberdade (varáves de decsão) - defnção da função objectvo - modelação de restrções - modelação de condções lógcas - Submodelos ncorporados (balanços, dmensonamento, estmatva de custos, ) 3
4 Modelação de problemas Formulação geral: mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U f escalar x, y vectores h e g vectores MILP: Mxed-nteger lnear programmng, se f convexa, h e g lneares em x e y MINLP: Mxed-nteger non-lnear programmng Óptmo global se f convexa, h lnear e g <=0 regão convexa 4
5 Um prmero exemplo Problema de formulação: mnmzar o custo de uma formulação, sujeto a um desempenho mínmo. a) Sem lmtação no número de ngredentes b) Lmtando o número de ngredentes a N x fracção mássca do componente V valor nutrtvo (U/kg) C custo (EUR/kg) Avea, trgo, mlho amêndoas, etc Cereas de pequenoalmoço Nível nutrtvo 5
6 Custo= Valor= x C x V Um prmero exemplo Sem lmtação no número de ngredentes mn x s. t. x V V x C x = 1 0 x 1 mn 6
7 E agora lmtando o número de ngredentes a N: Um prmero exemplo Varáves bnáras y: y = 1, se o componente está presente na formulação y = 0, caso contráro mn x s. t. x y V V = 1 0 x 1 x y C x y mn Será esta uma formulação razoável? 7
8 Um prmero exemplo Devemos evtar termos não-lneares, neste caso do tpo x*y Isso é possível se consegurmos modelar a condção lógca y = 0 x = 0 Restrção do tpo bg-m : x My (1), sendo M um lmte superor para x, neste caso M=1 Tem-se também a restrção: 0 x M = 1 (2) Então, se y=1, (1) resulta em x <= M, o que é elemento neutro na formulação Se y=0, tem-se x <= 0, o q em conjunto com (2), resulta em x=0, tal como desejado 8
9 Um prmero exemplo (na aula, este slde estava em falta) A formulação adequada é então: mn x s. t. x V V x = 1 mn My, neste caso M = 1 0 x 1 x C x y mn x s. t. x y V V = 1 0 x 1 x y C x y MINLP mn MILP Óptmo global 9
10 Arte e Cênca Por agora, sto parece mas arte do que cênca. Vamos agora abordar alguns tpos de problemas e depos apresentar uma teora geral para a modelação de condções lógcas. Escolha múltpla - Selecconar um só tem: y = - Selecconar no máxmo N tens: 1 - Selecconar pelo menos duas opções de entre 3: y1 + y2+ y3 2 y - Selecconar ou a opção A ou a opção B (e não as duas): y A + y = 1 B 10
11 Decsões dscretas Bnáras: componente presente ou não na formulação; basta defnr varável y Optmzar o volume de um reactor de entre 5 dmensões específcas possíves: V = V y, y = 1 (trata-se no fundo de uma escolha múltpla) Coluna com N pratos entre 5 e , ' = 5 5 u= 45, 2 =32, r= 5 Então : ' = y + 2y + 4y + 8y + 16y + 32y Temos pos 6 varáves bnáras Representação bnára de nteros: 0 γ u, γ, u N { } γ = y + 2y + 4 y y, y 0,1 r onde 2 é a menor potênca de 2, r onde 2 é a maor potênca de 2, (errado, na aula) r r u u
12 Nota sobre conversão de ntero a bnáro Por exemplo: = Então: Em geral, é melhor usar o algortmo da dvsão ntera por 2 45 a dvdr por 2 dá 22 e resto 1 22 a dvdr por 2 dá 11 e resto 0 11 a dvdr por 2 dá 5 e resto 1 5 a dvdr por 2 dá 2 e resto 1 2 a dvdr por 2 dá 1 e resto 0 1 a dvdr por 2 dá 0 e resto 1 Então: (de baxo para cma) Ou seja: = Compreende-se agora melhor como representa todos os nteros entre 0 e 45. ' = y + 2y + 4y + 8y + 16y + 32y
13 Implcação lógca Se y=0, então função contínua assocada f(x)=0 (e.g.: exstênca de corrente e o seu caudal): f ( x) U y 0, f ( x) [0; U ] f f (restrção do tpo bg-m) Evta-se assm termos não-lneares do tpo F x y, F caudal. Exemplo: função custo, C = CF + CV*x, CF custo fxo, CV custo varável Se reactor selecconado com caudal x, então C = CF + CV*x Mas se reactor não selecconado, C = 0 y codfca a selecção do reactor Modelação não-lnear (ndesejável): C= ( C + C x) y Modelo lnear, com modelação de condção lógca: C= C y+ C x F V ( y= 0 x= 0) x U y 0 x F V CF C 13 x
14 Síntese de processos químcos A optmzação dscreta é um método sstemátco de explorar dferentes possbldades processuas Defne-se uma super-estrutura do processo, que codfca as váras alternatvas Formula-se um problema com varáves bnáras que seleccona a melhor alternatva (a menos de óptmos locas) 14
15 Exemplo 1 15
16 y= 0 x= 0 16
17 Exemplo 2: super-estrutura de separação Sstema de separação flash e/ou coluna com ou sem bypass s S 2 S 1 Varáves bnáras: yf flash exste yc coluna exste S 3 S 4 17
18 Exemplo 2: super-estrutura de separação S 2 S 1 S 3 S 4 18
19 Exemplo 2: super-estrutura de separação Se yf = 0, então S1 = 0 0 S1 yf S 2 S 1 Se yc = 0, então S4 = 0 0 S4 yc S 3 S 4 Se coluna exste então tem dâmetro entre 2.2 e 5.5 Se não exste, dâmetro é nulo e o respectvo custo também 2.2yC D 5.5yC C 19
20 Excerto do fchero GAMS S 2 S 1 S 3 S 4 20
21 S 2 S 1 S S 3 4 Conjunto de soluções para xamn e xbmn crescentes xamn xbmn Proft DC DF S2 S3 xa xb UNF Unfeasble 21
22 Método geral (apenas varáves bnáras y) - Condções lógcas smples têm tradução matemátca Modelação de condções lógcas Relação lógca Expressão lógca Restrção lnear equvalente OR P 1 P 2 y 1 + y 2 1 A D P 1 P 2 y 1 1, y 2 1 Implcação P 1 P 2 ~ P 1 P 2 1 y 1 + y 2 1 Equvalênca P 1 P 2 y 1 = y 2 OR (exclusvo) P 1 ɺ P 2 y 1 + y 2 = 1 - Condções lógcas compostas podem ser reduzdas à forma conjuntva normal, aplcando equvalêncas lógcas. A forma conjuntva normal corresponde depos a um sstema de restrções lneares. ( P P...) ( P P...) y y + y y
23 Método geral (apenas varáves bnáras y) Modelação de condções lógcas - Exemplo: Se produzmos A então pelo menos um dos produtos B, C e D tb. devem ser produzdos. Como traduzr matematcamente? P ( P P P ) A B C D ~ P ( P P P ) A B C D 1 y + y + y + y 1 A B C D 23
24 Modelação de condções lógcas Exemplo. Consdere a segunte condção lógca na síntese de um processo de separação: se a coluna de absorção para recuperar o produto é escolhda ou o separador de membrana é escolhdo, então não usar separação crogénca. Proposções: P A = selecconar absorção; P M = selecconar membrana; P C = selecconar separador crogénco Condção lógca: P A P M ~ P C Redução à forma conjuntva P 1 P 2 P 3... ~ (P A P M ) ~ P C (~ P A ~ P M ) ~ P C (~ P A ~ P C ) (~ P M ~ P C ) Modelo: 1 y A + 1 y C 1 y A + y C 1 1 y M + 1 y C 1 y M + y C 1 24
25 Modelação de condções lógcas Método geral (lgação varáves dscretas/varáves contínuas Como conclar esta teora com varáves e restrções contínuas? A base está em assocar uma varável bnára y à verfcação da restrção contínua f(x) <=0. Caso 1: y = 1 f ( x) 0 Restrção correspondente: f ( x) U (1 y) f (restrção do tpo bg-m) Caso 2 (nverso): f ( x) 0 y= 1 Podemos usar a lógca para deduzr a restrção para este caso ( A B) (~ B ~ A) Então ( f ( x) 0 y= 1) é equvalente a ( y= 0 f ( x) > 0) Faz-se f ( x) ε, ε pequeno f ( x) ε f ( x) + ε 0 Então: y= 0 f ( x) + ε 0 E a restrção correspondente é: f ( x) + ε U y f ( x) L y+ ε f f 25
26 Caso 1: y = 1 f ( x) 0 f ( x) U (1 y) f Caso 3: y = 1 g( x) 0 Pode converter-se no caso 1 y= 1 g( x) 0 E a restrção correspondente é: g( x) U (1 y) g( x) L (1 y) g g Caso 4: g( x) 0 y= 1 Análogo ao caso 2: g( x) 0 y= 1 E a restrção correspondente é: g( x) + ε U y g( x) U y ε g g 26
27 Caso 5: y= 1 h( x) = 0 h( x) = 0 h( x) 0 h( x) 0 Logo: h( x) U (1 y ) h( x) L (1 y ) h 1 h 2 27
28 Exemplo Se reactor 1 escolhdo, então pressão entre 5 e 10 bar Se reactor 2 escolhdo, então pressão entre 20 e 30 bar Escolha exclusva de um dos dos reactores y + y = Caso 1: y = 1 f ( x) 0 f ( x) U (1 y) f y = 1 P 10 P P 10 U (1 y ) P + 5 U (1 y ) 1 P1 1 1 P1 1 y = 1 P 10 P P 30 U (1 y ) P + 20 U (1 y ) 2 P2 2 2 P2 2 De forma mas smples: 5y P 10y y P 30y Mas aqu P = 0 se y=0, o que pode ser uma lmtação 28
29 Problema 12 de Wllams Uma empresa compra 5 óleos (VEG1, VEG2, OIL1, OIL2 e OIL3), refna-os e vende msturas deles. Custo actual dos óleos: 110, 120, 130, 110, 115 (EUR/ton) Preço de venda da mstura: 150 EUR/ton Lmtes na refnação: 200 ton/mês (VEG) e 250 ton/mês (OIL) Dureza fnal da mstura entre 3 e 6; durezas ndvduas: 8.8; 6.1; 2.0; 4.2; 5.0 Parte 1. Qual a polítca de compras e produção para maxmzar o lucro? Custo dos óleos no momento presente, mês de Jan. LP, um só período (stuação actual de custos) Varante semelhante a 1, mas face a dferentes cenáros de custo no futuro (de Fev a Jun). Em cada mês, dstngue-se qtd comprada, armazenada e processada LP, mult-período 29
30 Problema 12 de Wllams Uma empresa compra 5 óleos (VEG1, VEG2, OIL1, OIL2 e OIL3), refna-os e vende msturas deles. Custo actual dos óleos: 110, 120, 130, 110, 115 (EUR/ton) Preço de venda da mstura: 150 EUR/ton Lmtes na refnação: 200 ton/mês (VEG) e 250 ton/mês (OIL) Dureza fnal da mstura entre 3 e 6; durezas ndvduas: 8.8; 6.1; 2.0; 4.2; 5.0 LP, um só perído: max Lucro= 150 z (110 x + 120x + 130x + 110x x ) x, z s. t. z=x + x + x + x + x x1+ x2 200 x3+ x4+ x (8.8x x x x x5 ) 6 z 3z 8.8x x x x x5 8.8x x x x x5 6z 30
31 Parte 2. Adconar restrções (1) a mstura não pode conter mas do que três óleos (2) Se um óleo é usado, a quantdade mínma é de 20 ton (3) Se VEG1 ou VEG2 são usados então OIL3 tem também de ser usado VEG1, VEG2, OIL1, OIL2 e OIL3 y1, y2, y3, y4, y5 (1) (2) (3) y1 + y2+ y3+ y4+ y5 3 x 20y ( Y1 Y 2) Y5 ~ ( Y1 Y 2) Y5 (~ Y1 ~ Y 2) Y5 (~ Y1 Y5) (~ Y 2 Y5) 1 y + y 1 1 y + y
32 Conclusões A modelação e optmzação com nteros tem um vasto leque de aplcações, onde quer que estejam envolvdos cenáros alternatvos, varáves dscretas e/ou mposção de condções lógcas Uma das aplcações relevantes é ao problema de síntese de processos químcos, defnndo-se uma super-estrutura que codfca múltplas alternatvas processuas É possível modelar pratcamente qualquer condção lógca, podendo assm ncorporar-se na formulação do problema todo o tpo de nteracções e cenáros ou mesmo regras heurístcas 32
Modelação com variáveis discretas
Engenhara de Processos e Sstemas Modelação com varáves dscretas Fernando Bernardo Fev 2012 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Aplcações váras de optmzação
Leia maisModelação com variáveis discretas
Engenhara de Processos e Sstemas Modelação com varáves dscretas Fernando Bernardo Fev 2014 P1 P2 ~ P1 P2 Alguns casos partculares: mplcação lógca de lgação entre varáves dscretas e varáves contínuas; escolha
Leia maisOptimização com variáveis discretas
Engenhara de Processos e Sstemas Optmzação com varáves dscretas Fernando Bernardo Fev 2013 mn f ( x,, θ ) x, s. t. h( x,, θ ) = 0 g( x,, θ ) 0 x x x L U x real, {0,1} Por que necesstamos de varáves dscretas?
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
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 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 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 maisMicroeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot)
Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 2.1 Olgopólo em Quantdades (Cournot) Isabel Mendes 2007-2008 18-03-2008 Isabel Mendes/MICRO II 1 2.1 Olgopólo em Quantdades
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 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 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 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 mais2ª Atividade Formativa UC ECS
I. Explque quando é que a méda conduz a melhores resultados que a medana. Dê um exemplo para a melhor utlzação de cada uma das meddas de localzação (Exame 01/09/2009). II. Suponha que um professor fez
Leia maisCapítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes
Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75
Leia maisEduardo Miqueles Graduando do Curso de Matemática Industrial - UFPR. Cristina Falk Graduanda do Curso de Matemática Industrial - UFPR
II Encontro aconal de Engenhara de Produção Curtba PR, 23 a 25 de outubro de 2002 MODELO MAEMÁICO PARA RECOMPOSIÇÃO DE UMA REDE ELÉRICA USADO MARIES DE ADJACÊCIA Eduardo Mqueles raduando do Curso de Matemátca
Leia maisProblemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria.
Elementos de Engenhara Químca I II. Frações e Estequometra (problemas resolvdos) Problemas Propostos. Frações másscas, volúmcas ou molares. Estequometra.. Em 5 moles de Benzeno (C 6 H 6 ) quanto é que
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisProblemas de engenharia
Análse de Sstemas de otênca Análse de Sstemas de otênca ( AS ) Aula 3 Operação Econômca de Sstemas de otênca 03//008 roblemas de engenhara Análse de Sstemas de otênca ( AS ) ANÁLISE Defndo o sstema, determnar
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 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 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 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 maisAvaliação de Económica de Projectos e Cálculo de Tarifas
Gestão Avançada ada de Sstemas de Abastecmento de Água Avalação de Económca de Projectos e Cálculo de Tarfas Antóno Jorge Montero 26 de Mao de 2008 Aula 5-1 COCEITO DE PROJECTO Processo específco utlzado
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisAjuste de um modelo linear aos dados:
Propagação de erros Suponhamos que se pretende determnar uma quantdade Z, a partr da medda drecta das grandezas A, B, C,, com as quas se relacona através de Z = f(a,b,c, ). Se os erros assocados a A, B,
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 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 maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
Leia 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 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 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 maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisDesenho de uma rede Logística
Desenho de uma rede Logístca Desenho da rede Logístca ( Logístca empresaral) Desenho do sstema através do qual exste um fluxo de produtos entre os fornecedores e os clentes. Desenho da rede Logístca (
Leia maisQ 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )
DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco
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 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 maisUm Modelo De Programação Linear Inteira Mista Para A Localização De Armazéns E A Distribuição De Produtos Siderúrgicos
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN Um Modelo De Programação Lnear Intera Msta Para A Localzação De Armazéns E A Dstrbução De Produtos Sderúrgcos Carlos Roberto
Leia 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 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 maisUm modelo nada mais é do que uma abstração matemática de um processo real (Seborg et al.,1989) ou
Dscplna - MR070 INTRODUÇÃO À MODELAGEM DE SISTEMAS LINEARES POR EQUAÇÕES DIFERENCIAIS Os modelos de um determnado sstema podem ser físcos ou matemátcos. Neste curso focaremos a modelagem pela dentfcação
Leia maisCAPÍTULO IV TEORIA DE JOGOS
CAPÍTULO IV TEORIA DE JOGOS 66 Teora de Jogos Caracterzação:. Cenáro determnístco.. v. Um conjunto de agentes de decsão (jogadores) Um conjunto de estratégas (acções) puras Uma função utldade para cada
Leia maisModelos para Localização de Instalações
Modelos para Localzação de Instalações Prof. Dr. Ncolau D. Fares Gualda Escola Poltécnca da Unversdade de São Paulo Departamento de Engenhara de Transportes CLASSIFICAÇÃO DE WEBER (WEBER, Alfred. Uber
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
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 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 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 maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia 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 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 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 mais1 a chamada Duração: 2 horas e 30 minutos Com Consulta
Lcencatura em Engenhara Electrotécnca e de Computadores Investgação Operaconal 1 a chamada 2002.01.08 Duração: 2 horas e 30 mnutos Com Consulta Responda a cada questão numa folha separada 1. Quem pensou
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
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 maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisResolução de Conflitos
Mestrado em Engenhara Informátca Tecnologas do Conhecmento e Decsão Sstemas Baseados em Agentes Resolução de Confltos Abrl de 2008 Realzado por: 1020541 Ivo Perera Índce Índce... 1 1. Introdução... 2 2.
Leia maisDETERMINAÇÃO DE VALORES LIMITE DE EMISSÃO PARA SUBSTÂNCIAS PERIGOSAS DA LISTA II DA DIRECTIVA 76/464/CEE
DETERMINAÇÃO DE VALORES LIMITE DE EMISSÃO PARA SUBSTÂNCIAS PERIGOSAS DA LISTA II DA DIRECTIVA 76/464/CEE Anabela R. S. REBELO Lc. Químca Industral, CCDR Algarve, Rua Dr. José de Matos n.º 13, 800-503 Faro,
Leia maisModelação, Identificação e Controlo Digital
Modelação, Identfcação e Controlo Dgtal 1-Aspectos Geras 1 Modelação, Identfcação e Controlo Dgtal Elaborado por J. Mranda Lemos Professor Catedrátco do IST, 2002 Revsto por A. Bernardno Professor Auxlar
Leia 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 maisPROBLEMA DE DIMENSIONAMENTO DE LOTES E SEQÜENCIAMENTO DA PRODUÇÃO: UM ESTUDO DE CASO EM UMA INDÚSTRIA DE BEBIDAS
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& PROBLEMA DE DIMENSIONAMENTO DE LOTES E SEQÜENCIAMENTO
Leia maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
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 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 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 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 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 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 maisMicroeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson
Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 5.3 Afectação de Bens Públcos: a Condção de Isabel Mendes 2007-2008 5/3/2008 Isabel Mendes/MICRO II 5.3 Afectação de Bens
Leia maisAjuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
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 maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia mais8 Regime de transição
8 Regme de transção Por delberação do Senado Unverstáro em reunão de 2 de Março de 2006 (Cf. Pág. 2 da Mnuta nº 10) consdera-se que, «a partr do ano lectvo de 2006/07, todos os cursos da Unversdade do
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
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 mais3.2 Modulações não-binárias (MPSK)
odulações dgtas 3 odulações dgtas lneares com detecção coerente 3. odulações não-bnáras (SK) QSK: formas de onda e componentes em fase e em quadratura E π s() t = cos π fct ( ) T 4 t T =,,3, 4 f c = nc,
Leia mais3 Algoritmo das Medidas Corretivas
3 Algortmo das Meddas Corretvas 3.1 Introdução Conforme apresentado no Capítulo, o algortmo das Meddas Corretvas compõe o conjunto das etapas responsáves pela análse de desempenho do sstema de potênca.
Leia maisModelo de Programação Estocástica
Modelo de Programação Estocástca 23 2 Modelo de Programação Estocástca 2.. Concetos báscos A programação estocástca (PE) é defnda como um modelo de otmzação que apresenta um ou mas parâmetros estocástcos
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 maisINVESTIGAÇÃO OPERACIONAL PROGRAMAÇÃO NÃO LINEAR. (Exercícios)
INVESTIGAÇÃO OPERACIONAL PROGRAMAÇÃO NÃO LINEAR (Exercícos) ( Texto revsto para o ano lectvo 2001-2002 ) Antóno Carlos Moras da Slva Professor de I.O. Recomendações 1. Fazer dez exercícos ou o mesmo exercíco
Leia maisÍndice. Exemplo de minimização de estados mais complexo. estados
Sumáro Método da tabela de mplcações para mnmzar estados. Atrbução de códgos aos estados: métodos baseados em heurístcas. Índce Exemplo de mnmzação de estados mas complexo Método da tabela de mplcações
Leia maisU N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA
U N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A CLASSIFICAÇÃO DE MONOGRAFIAS UMA PROPOSTA PARA MAIOR OBJECTIVIDADE ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisFísica C Intensivo V. 2
Físca C Intensvo V Exercícos 01) C De acordo com as propredades de assocação de resstores em sére, temos: V AC = V AB = V BC e AC = AB = BC Então, calculando a corrente elétrca equvalente, temos: VAC 6
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 maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisParte 1: Exercícios Teóricos
Cálculo Numérco SME0300 ICMC-USP Lsta 2: Sstemas Lneares Métodos Dretos Professora: Cyntha de O. Lage Ferrera Parte 1: Exercícos Teórcos 1. Consdere o sstema Ax = b, onde 1 α 3 α 1 4 ; x = 5 2 1 Para que
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisIntrodução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis
Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisRemuneração de Índole Marginal no Uso das Redes
Remuneração de Índole Margnal no Uso das Redes Introdução Métodos smples de remuneração: Injustos Podem gerar nefcêncas Podem gerar concorrênca desleal Tarfas de uso das redes baseadas em concetos de índole
Leia maisSistemas de Tempo-Real
Aula 7 Acesso exclusvo a rescursos partlhados O acesso exclusvo a recursos partlhados A nversão de prordades como consequênca do bloqueo Técncas báscas para acesso exclusvo a recursos partlhados Herança
Leia maisMODELO PARA ALOCAÇÃO DE BANCOS DE CAPACITORES PARA REGULAÇÃO DE TENSÃO EM REDES DE DISTRIBUIÇÃO SÉRGIO HAFFNER
MODELO PARA ALOAÇÃO DE BANOS DE APAITORES PARA REGULAÇÃO DE TENSÃO EM REDES DE DISTRIBUIÇÃO SÉRGIO HANER Departamento de Engenhara Elétrca, UDES-T ampus Unverstáro Prof. Avelno Marcante s/n Barro Bom tro
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia mais