4 Modelos em Espaço de Estado e Filtro de Kalman
|
|
- Raphaella Tomé
- 5 Há anos
- Visualizações:
Transcrição
1 4 Modelos em Esaço de Esado e Filro de Kalma 4 Modelo em Esaço de Esado As alicações do filro e suavizador de Kalma requerem que os modelos a serem esimados eseam rereseados a forma em Esaço de Esado (EE Nese rabalho os resrigiremos aeas aos modelos lieares, ara os quais seguem uma defiição geral e flexível [cf izziga (4]: Defiição: Sea =,,, ara =,,, um rocesso esocásico - (,,, variado observável defiido em algum esaço de robabilidade ( Ω, Λ, Diz-se que em uma rereseação em Esaço de Esado Liear, se exisem duas equações, uma das medidas e oura do esado, dadas resecivamee or: ( x ( xm ( mx ( x ( x (, H ( x ( x WN( Q = Z α + d + ε, ε ~ WN (3 α + +, + T ( ( c ( R, ~ mx mxm mx ( mx ( mxr ( rx ( rx ara as quais: η =,, η ( rxr (i α é um rocesso esocásico m-variado, em geral ão observável, chamado de veor de esado, ou uramee, esado (ii α é um veor aleaório m-variado de seguda ordem, chamado esado iicial, com veor de médias a e mariz de covariâcias ão egaiva defiida (iii ε é um rocesso esocásico -variado,em geral ão observável e de seguda ordem, chamado de erro da equação das medidas, com veor de médias ulo e mariz de covariâcias ão egaiva defiida H
2 3 (iv η é um rocesso esocásico r-variado, em geral ão observável, chamado de erro da equação do esado, com veor de médias ulo e mariz de covariâcias ão egaiva defiida Q (v ε, ηs e α são veores aleaórios ão correlacioados ara quaisquer isaes e s (vi Z, d, H, T, c, R, e Q são dias marizes do sisema e êm aureza deermiísica, odedo deeder de ermos assados do rocesso A rereseação acima será referida como forma em Esaço de Esado wide sese dada a geeralização com que foi defiida Rereseações com roriedades eseciais surgem com a imosição de resrições Seguem abaixo algus desses modelos, cuas omeclauras são largamee ciadas a lieraura Modelo em Esaço de Esado Liear Gaussiao: Seam as equações em (3 válidas Dizemos que segue um modelo em Esaço de Esado Liear Gaussiao [cf Durbi e Kooma, ] se valem as seguies codições: (i ε ~ NID η (ii ~ N( a, x rx α e H, x rx Q xr rxr, (3 ε (iii η e α são ideedees, Modelo em Esaço de Esado Liear Codicioalmee Gaussiao: Deomia-se modelo em Esaço de Esado Liear Codicioalmee Gaussiao [cf Harvey (989] aos modelos em Esaço de Esado que areseam ermo(s deedee(s de observações assadas de em alguma(s mariz(es do sisema Diversos modelos odem ser esruurados a forma em Esaço de Esado, ere eles, os modelos ARMA, ARIMA, SARIMA, modelos de regressão com coeficiees cosaes ou variaes o emo, modelos esruurais ui ou
3 33 mulivariados, Veores Auo-Regressivos (VAR e modelos de volailidade esocásica, dere ouros Coforme lisado em Marques (9, arofudameos sobre a assagem deses e ouros modelos de séries emorais ara esa forma odem ser ecorados em Harvey (989, Hamilo (994, Durbi e Kooama (, Brockwell e Davis (, e Shumway e Soffer (6 4 O Filro de Kalma O filro de Kalma é um algorimo que forece esimadores ão edeciosos e cosisees do veor de esado, ara cada isae de emo O filro gera um esimador liear óimo sob o oo de visa do erro quadráico médio Quado a hióese de ormalidade dos erros do esado e das medidas é assumida, o esimador obido é óimo ão aeas ere os lieares 8, coicidido com a média do veor α codicioada à σ-álgebra I 9 Sob uma erseciva geomérica, o filro gera a roeção orogoal das coordeadas uivariadas do veor de esado α o subesaço gerado elas coordeadas uivariadas de odas as medidas aé o isae [cf izziga (4], ou iformalmee, do couo de iformações disoíveis aé o momeo De acordo com a σ-álgebra codicioae, odemos ober os seguies ios de esimação do esado: se <, o esimador realiza uma revisão do esado ( a se =, o esimador realiza uma aualização ou filragem do esado ( a / se >, o esimador realiza a suavização do esado ( α ~ 8 Esimadores formados ela combiação liear das variáveis,,,,, 9 Deomia-se I à σ-álgebra gerada elas variáveis,,, covecioalmee deoada or σ,,, (
4 É iuiivo que, quao maior o uso de iformações ara a esimação, maior a recisão do esimador obido elo filro de Kalma Desa forma, é fácil mosrar que a variâcia do esado suavizado ( aualizado ( / V ~ 34 é iferior (ou igual à do esado, que or sua vez é iferior (ou igual à do esado reviso ( [vide izziga (4 e Marques (9] O filro de Kalma é cosruído a arir de um couo de equações recursivas, que serão areseadas aós a exosição da seguie oação básica: : úmero oal de observações resee em cada uma das séries do veor ; a Π ( α : roeção orogoal de α o subesaço gerado elo / S couo de odas as combiações lieares das coordeadas de S =,,,,, que sob ormalidade, equivale a média codicioal de α dada ( I ; a a / a / a / : esado reviso; : esado aualizado; : esado suavizado; = MSE a = E[( α a ( α a ' / I ]: mariz de erros / ( / / / quadráicos médios de α codicioados a I, que sob ormalidade equivale a mariz de variâcias e covariâcias de α codicioada a I ; = / V / = ; υ E / : iovações ( I F Var υ / : mariz de variâcias e covariâcias codicioais das iovações ( I
5 35 Seguem as recursões do filro de Kalma ara realização da revisão, aualização e suavização (ela abordagem de iervalo fixo do esado, quado ese ossui aeas variáveis esacioárias de seguda ordem: revisão: a + + = T a = T / / + c T ' + R Q R ' (3 Sedo: a = ( I m T c vec( = ( I m² T T ' vec( Q Aualização: a / = a + Z ' F υ / = Z ' F Z (33 ara F qualquer iversa geeralizada de F Observe que os ius das equações de revisão são os veores aualizados assados, equao os ius das equações de aualização são os veores revisos correes Como o veor de esado é comoso uicamee or comoees esacioárias de seguda ordem, a e são cohecidos a riori, o que ermie que o filro sea iiciado com as equações de aualização ara obeção de a/ e / Uma vez calculados, odemos ober o segudo esado reviso a e a mariz, os quais servirão de ius ara a obeção dos veores aualizados a / e / e assim sucessivamee erceba que subsiuido a / e / de (33, as equações de revisão em (3, obemos as seguies recursões ara o filro, cohecidas como recursões do filro de Kalma em : a + = T ( a = T ( + Z ' F + υ Z ' F + c Z T ' + R Q R ' (34
6 36 Suavização: ˆ α = a + A ( ˆ α V = / / A ( / + a V + + ara = -, -,, A ' (35 sedo: A = / T ' + e + qualquer iversa geeralizada de + Oura rereseação ara o suavizador é dada or: ˆ α = a + r r r N V com F = Z F υ + ( T T Z ' F Z ' r V = N =, = Z ' F Z + ( T T Z ' F Z ' N ( T T Z ' F Z =, qualquer iversa geeralizada de F (36 As vaages da seguda rereseação foram exausivamee exloradas em De Jog (989 e, ere elas, cia-se a eficiêcia comuacioal Quado as marizes o sisema ão ossuem arâmeros descohecidos (caso eórico a esimação do veor de esado ode ser feia direamee aravés da alicação do algorimo de Kalma Caso corário, será ecessário o uso de méodos de esimação esecíficos ara obeção dos hierarâmeros Nese rabalho, uilizaremos o méodo de Quasi Máxima Verossimilhaça (QMV ara obeção de esimaivas dos hierarâmeros 43 Esimador de Quasi Máxima Verossimilhaça e Alicação do Filro de Kalma Em exercícios eóricos é comum suor o cohecimeo a riori da fução de disribuição codicioal de dada a σ algebra I Mais esecificamee, cosuma-se aribuir a disribuição Normal ara o rocesso
7 dada a vaagem do esimador resulae ser óimo ão somee ere os / I esimadores lieares e oder ser ierreado como a média codicioal de dada a σ algebra I Em um ambiee eórico ode a disribuição dos dados é cohecida, o esimador que maximiza a fução de verossimilhaça ossui roriedades deseáveis como cosisêcia e eficiêcia Ereao, quado assamos da eoria ara a ráica, lidamos com o descohecimeo da fução de disribuição dos dados Ao suor ormalidade ara dados que a verdade ão ossuem al disribuição, gera-se uma fução de verossimilhaça diferee daquela que seria obida aravés da disribuição verdadeira das séries Coseqüeemee, o esimador que maximiza a fução de verossimilhaça oimiza uma fução que ão reflee a realidade Ese esimador é dio eão de Quasi Máxima Verossimilhaça (QMV e, embora ão sea eficiee, ossui boas roriedades assióicas, cosisêcia e ivariâcia em relação a fuções bieivas oso isso, imoremos a suosição de Normalidade à disribuição codicioal de : I ~ N[ E( / I, V ( / I ], / de forma que a fução de verossimilhaça defiida or: L( ψ = (,, = Π ( / I (ode: ψ é o veor dos arâmeros e I = { φ, } é a σ-álgebra miimal, = Ω 37 α ode ser escria, de acordo com a eoria da disribuição Normal Mulivariada, como: L( ψ = (π L( ψ = (π L( ψ = (π de[ V( de[ F ] de[ Z / / I ] / ex υ '( F Z ' + H ] ex ( / E( υ ex ( Z / I a d '( V( '( Z / I ( Z ' + H E( ( Z / I a d (37 (38 (39 ossui variâcia míima
8 38 de erceba que a equação (39 descreve a verossimilhaça como uma fução a, e das marizes de rasição ara efeio de simlificação dos cálculos da oimização, oamos or maximizar a fução l ( ψ = l[ L( ψ ] ao ivés de L (ψ l( ψ = l(π l( ψ = l(π = [ l(de( F + ν ' F ν ] [ l(de( ZZ ' + H + ( Za d '( ZZ ' + H ( Za d ] (4 = (4 Observe que os arâmeros descohecidos esão resees as marizes do sisema, as quais aarecem como ius das recursões do filro de Kalma, o qual or sua vez gera a e, ius da fução de verossimilhaça Desa forma, a esimação dos arâmeros erá de ser feia cocomiaemee com a esimação da média e variâcia codicioais do esado (suodo ormalidade elo filro de Kalma, como ilusrado a seguir: Figura Fluxo da esimação dos hierarâmeros em um modelo de EE liear gaussiao f Tal oção faz-se ossível em decorrêcia da moooicidade crescee e esria da fução ( x = l( x, x R+
9 39 Aós a obeção do veor óimo de arâmeros, calcula-se ela úlima vez as marizes do sisema e alicam-se o filro e o suavizador de Kalma ara obeção dos esados fiais reviso e suavizado 44 Iicialização do filro de Kalma Na reseça de variáveis ão esacioárias de seguda ordem o esado, o veor a e a mariz (que sob ormalidade deoam resecivamee a média e variâcia icodicioais do veor iicial α ão são bem defiidos, violado a codição (ii resee a defiição da forma em Esaço de Esado Liear e ivalidado, orao, odas as recursões subseqüees ara comrovar iso, basa observar que ara a e ão defiidos, as recursões em (3 e (33 (ou (34 areseam roblema de iicialização, iso é, ão é ossível ober os esados revisos seguies Há diferees roosas ara lidar com ese icoveiee Duas delas esão areseadas a seguir: Iicialização Difusa Aroximada Big Kaa [cf Harvey e hillis (979] Iicialização Difusa Exaa [cf Kooma (997 e Durbi e Kooma (] Aes da areseação formal das abordages acima, segue oação esecial [cf Durbi e Kooma (] ara rereseação do veor de esado iicial, a qual se basearão as exlaações oseriores Sea α o veor de esado iicial Reresea-se α da seguie forma: α = a + A δ + R η (4 mx mx mxq qx mx( mq ( mq x η ~ (( mq x, ( mq,( m Q ( mq x q Adoaremos aqui o ermo veor aleaório difuso ara raar de variáveis como δ, com disribuição N(, κ I quado κ De forma iformal, são variáveis ão esacioárias que areseam variâcias arbirariamee grades Desa forma, coforme Durbi e Kooma (,, deomia-se iicialização difusa do filro de Kalma a qualquer rocedimeo que vise a alicação do filro de Kalma quado houver o veor iicial elo meos uma coordeada difusa
10 4 Ode, q é o úmero de variáveis ão esacioárias o veor esado; δ é um veor cuas coordeadas são variáveis ão esacioárias e, E( δ = e V ( δ = κι ara qx qxq κ (κ lê-se kaa η é um veor aleaório de seguda ordem, de forma que Q é uma mariz osiiva defiida Sea a [ ] a i-ésima liha do veor a Eão, a [ i E( α[ i], se α[ i] é uma variável esacioária i] =, se α[ i] é uma variável ão esacioária Seam i, i,, i q as lihas do veor esado que ossuem variáveis ão esacioárias Eão a mariz A é al que os elemeos da -ésima, colua ara =,,,q são: ara a liha i = i A[ i][ ] = ara as demais lihas De forma sucia, a -ésima colua da mariz A corresode à i -ésima colua de uma mariz ideidade de ordem m Seam i', i',, i' mq as lihas do veor esado que ossuem variáveis esacioárias Eão a mariz R é al que os elemeos da -ésima colua, ara =,,,m-q, são: ara a liha i = i' R [ i][ ] = ara as demais lihas, erceba, orao, que a mariz R ossui as coluas da mariz ideidade de ordem m que falam a mariz A, logo A ' R qxm = qx( qm As marizes A e R são dias marizes de seleção Dada a defiição em (4 odemos ober a média e a variâcia icodicioais do veor iicial: mx( q m
11 4 a = E( α = a = V ( α = AV ( δ A' + R Q R ' = A( κi A' + R Q R ' (43 44 Iicialização Difusa Aroximada Big Kaa A abordagem aroximada sugerida or Harvey e hillis (979 cosise em fixar um valor arbirariamee alo ara κ, e em seguida subsiuir ese valor a equação (43, obedo bem defiido Uma vez que a e esão bem defiidos, as recursões em (3 e (33 (ou (34 odem ser imlemeadas exaamee como o caso esacioário Em resumo, a irodução da cosae κ a variâcia do bloco ão esacioário (δ do esado iicial em como obeivo descrever a grade icereza acerca do comorameo desa comoee A variâcia das coordeadas difusas é, orao, imosa a criério do aalisa, sedo κ, em geral, suerior a 3 A simlicidade de imlemeação areseada elo méodo é acomahada de algumas desvaages como uma oecial isabilidade comuacioal e esimaivas ossivelmee divergees ara diferees valores de κ 44 Iicialização Difusa Exaa rooso or Kooma (997, ese méodo cofere uma forma ão arbirária de lidar com a icereza em relação à variâcia icodicioal do esado iicial Ese io de iicialização cosise basicamee em recohecer que as equações do filro de Kalma em e do suavizador de Kalma deedem de κ a forma de fuções suaves, escrever esas fuções como fórmulas de Maclauri, e omar κ esas exressões [cf Marques (9] Tal
12 4 exercício é rabalhoso e aresea-se dealhado em Durbi e Kooma (, ca 5 A iuição que ermeia as recursões do Filro de Kalma com Iicialização difusa Exaa (FKIE é, ereao, simles e deriva da seguie exesão da equação (43: = V( α = AV( δ A' + R Q R ' = A( κi A' + R Q R = κ = κ ( AA' + ( R Q R ', +, ' (44 Observe que dada a oação do esado iicial areseada em (44, a mariz ode ser searada em duas comoees disias: uma bem comorada e oura mal comorada quado κ, resecivamee rereseadas or, e κ, elo FKIE, as variâcias dos esados seguies ambém odem ser decomosas em duas comoees (bem e mal comoradas quadoκ, de modo que o cálculo de deede de, o cálculo de 3 deede de, e assim sucessivamee As recursões do FKIE ermiem que a esruura difusa do veor iicial se roague elos veores de esado seguies Tal roagação é reduzida a cada ieração aé a eveual dissiação oal do comoee difuso, quado eão a mariz se esabiliza Deomiamos o úlimo isae ara o qual o esado assume comorameo difuso (ou equivaleemee, úlimo isae ara o qual é ão ula como isae d 3 A arir de =d+ a variâcia do esado assa a ser bem comorada (, coicidir com as do filro origial = e, mais do que isso, as recursões do FKIE assam a 3 ara modelos esruurais, a eoria aoa que d coicide com o úmero de comoees ão esacioárias o veor de esado Ereao, ara séries emorais curas al fao eórico ode ão ser observado a ráica
13 43 45 Traameo Uivariado ara Séries Mulivariadas Uma das vaages do filro de Kalma é a facilidade com que suas recursões odem ser alicadas a séries mulivariadas Ereao, quado o veor aresea dimesão ala (, as recursões do filro de Kalma odem aresear roblemas comuacioais relacioados às reeidas iversões das marizes de variâcia das iovações F Ouro foco de ieficiêcia comuacioal da alicação do filro ara séries mulivariadas advém do rocesso de oimização da fução de verossimilhaça, a qual, sob hióese de ormalidade, ambém deede de F (vide equação 38 Sob a hióese de que os erros do veor ε são ão correlacioados (ou, equivaleemee, que a mariz H é diagoal é ossível alicar um raameo uivariado às séries mulivariadas, elimiado a dificuldade mecioada acerca de iversão de marizes Tal rocedimeo cosise em: (i Seccioar as marizes de rasição Z e d : de modo que M, resecivamee,, Z, i e Z = Z M Z,,, d + d α M d, Observe que sob a hióese de,, ε + ε M ε,,,, (45 d, i rereseam a i-ésima liha das marizes Z e d, H diagoal odemos reescrever as equações do modelo mulivariado clássico areseado em (3 da seguie forma: =, ~ ( H, Z, α + d, + ε, α + ε, WN,, ara =, (46 + = Tα + c R η, η ~ WN (, Q
14 44 ode H, reresea o elemeo da liha e colua da mariz H e, é uma série uivariada (ii Escrever o modelo (46 a forma de Esaço de Esado: Embora o modelo (46 coeha as mesmas iformações que o exoso em (3, o rimeiro ão esá a forma EE, oso que há rês equações de medidas ara cada equação de esado ara colocar al modelo a forma EE é reciso cosruir um ovo veor de esado [ ( α ara =,,] al que, ara cada equação de,, haa uma equação defiido ( α Esa cosrução deve ser feia cuidadosamee, de modo a reservar odas as iformações forecidas origialmee ara α (em 3 Observado aeamee o modelo (46, verifica-se que ara um dado isae de emo, a equação das medidas varia com o sub-ídice, mas o esado resee o segudo ermo da equação é o mesmo ara odo Desa forma a relação correa ere α e ( α é: α ara =,,, (47 ( ( mx ( mx α + ara =,,, ( ( mx + ( mx Orgaizado serialmee as variáveis dos veores, e ( α emos:,,,,,,,,,,,, = ª coordeada de = ª coordeada de = ª coordeada de = ª coordeada de = ª coordeada de = ª coordeada de = ª coordeada de = ª coordeada de = ª coordeada de α α α α α α α α α α α α,,,,,,,,,,,, (48
15 45 Com base esa orgaização serial, segue o modelo uivariado a forma em Esaço de Esado que reserva odas as iformações origiais do modelo mulivariado em (3: ara =,,,- 4 :, = Z, α, + d + ε, α =, + α,, ara = (49, = Z, α, + d, + ε, α = T α + c + R η +,,, 4 Observe que ara =,,,-, assume-se que T I, c = e R = Desa forma a equação do esado reseia odas as hióeses defiidas em (3 =
7 Estimação de Parâmetros Desconhecidos e a Questão dos Diagnósticos
7 Esimação de Parâmeros Descohecidos e a Quesão dos Diagósicos Nese capíulo, são apreseadas e discuidas as expressões referees às fuções de log verossimilhaça dos modelos em EE lieares (codicioalmee) Gaussiaos
Leia mais5 Modelo Teórico Modelagem determinística
5 Modelo Teórico Nese rabalho será adoada a simulação de Moe Carlo para precificar as opções reais do projeo, uilizado o sofware @Risk. O modelo eórico aplicado é baseado a premissa de que o valor presee
Leia mais5 Análise Não-Linear pelos Métodos de Galerkin-Urabe e Balanço Harmônico
álise Não-Liear pelos Méodos de Galerki-Urabe e Balaço Harmôico expressão (.7) obida o Capíulo para a fução de Larae é uilizada essa seção para a obeção das equações difereciais de movimeo uilizadas a
Leia maisOpções Reais. Estimando Volatilidade. Volatilidade. Volatilidade. Mestrado. IAG PUC-Rio. Prof. Luiz Brandão
Opções Reais Esimado Volailidade Mesrado Prof. Luiz Bradão bradao@iag.puc-rio.br IAG PUC-Rio Volailidade Volailidade O Valor Presee V 0 de um aivo é obido descoado-se os seus fluxos de caixa a uma axa
Leia mais3 Fundamentação Teórica de Modelos Bayesianos de Previsão
37 3 Fudameação Teórica de Modelos Bayesiaos de Previsão 3.. Abordagem Bayesiaa para Esimação A iformação que se em acerca de um parâmero de ieresse θ é crucial a ciêcia esaísica. Se o valor verdadeiro
Leia maisz 0 0 w = = 1 Grupo A 42. alternativa C det A = Como A é inteiro positivo, então n deve ser par. 43. A comuta com B A B = B A
Resoluções das aividades adicioais Capíulo 6 Grupo A. aleraiva C de A 6 (de A) 8 de A. aleraiva C de A de( A) (de A) de A (de A) de A Como A é ieiro posiivo, eão deve ser par.. A comua com B A B B A y
Leia mais5.1. Filtragem dos Estados de um Sistema Não-Linear Unidimensional. Considere-se o seguinte MEE [20] expresso por: t t
5 Esudo de Casos Para a avaliação dos algorimos online/bach evolucionários proposos nese rabalho, foram desenvolvidas aplicações em problemas de filragem dos esados de um sisema não-linear unidimensional,
Leia maisSecção 7. Sistemas de equações diferenciais.
7. Sisemas de equações difereciais Secção 7. Sisemas de equações difereciais. (Farlow: Sec. 6., 6.4 e 6.6) No caso geral, um sisema de equações difereciais de primeira ordem pode ser represeado da seguie
Leia mais4 Filtro de Kalman. 4.1 Introdução
4 Filro de Kalman Ese capíulo raa da apresenação resumida do filro de Kalman. O filro de Kalman em sua origem na década de sessena, denro da área da engenharia elérica relacionado à eoria do conrole de
Leia maisMétodos Estatísticos de Previsão MÉTODOS ESTATÍSTICOS DE PREVISÃO. Análise de Erros. Bernardo Almada Lobo. Bernardo Almada-Lobo (2007)
Méodos saísicos de Previsão MÉTODO TATÍTICO D PRVIÃO 0 08 06 04 0 00 98 96 94 9 90 0 5 0 5 0 Aálise de rros Berardo Almada Lobo Berardo Almada-Lobo (007) Méodos saísicos de Previsão Regressão Liear Múlipla
Leia maisGrupo I ( 3 valores) 0 Os parâmetros podem ser considerados variáveis aleatórias pois as suas estimativas variam de amostra para amostra
Exame fial Esaísica Maria Helea Almeida 7 de Maio de 003 José Aóio Piheiro Duração h e 30 Noe bem: Grupos diferees em folhas diferees Não se esqueça de ideificar TODAS as folhas 3 Para maer a ordem, a
Leia maisAPLICAÇÃO DO FILTRO DE KALMAN NA DETERMINAÇÃO DO PRAZO DE VALIDADE DE ALIMENTOS PERECÍVEIS
45 APLICAÇÃO DO FILTRO DE KALMAN NA DETERMINAÇÃO DO PRAZO DE VALIDADE DE ALIMENTOS PERECÍVEIS Péricles César de Araújo* RESUMO A simplicidade meodológica do Filro de Kalma viabiliza sua aplicação para
Leia mais4 Método dos elementos distintos para simular rochas
4 Méodo dos elemeos disios para simular rochas Em 2004, Poyody e Cudall (56) propuseram um modelo para simular o comporameo de rochas, o BPM ( Boded Paricle Model for rock ). Nesse modelo, a rocha é modelada
Leia mais1 a Lista: MTM146: Prof. Paulo Magalhães:
Exercício : Mosre que a solução do sisema de EDO s x y f ( x y y com codições iiciais: x ( ) x() ) ), f saisfazedo x( f ( ) d f ( ) cos( ) d f ( ) cos( ) d f ( ), é dada por Exercício : Resolva o seguie
Leia mais1 a Lista: MTM146: Prof. Paulo Magalhães:
a Lisa: MTM46: Prof Paulo Magalhães: Exercício : Mosre que a solução do sisema de EDO s x y f ( x y y com codições iiciais: x ( x(, f saisfazedo f (, é dada por x( f ( d Exercício : Resolva o seguie y
Leia maisUma função X que associa a cada elemento de S (s S) um número real x = X(s) é denominada variável aleatória.
Prof. Lorí Viali, Dr. viali@ma.ufrgs.br hp://www.ma.ufrgs.br/~viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X R x = X(s) X(S) Uma fução X que associa a cada elemeo de S (s S) um úmero real x = X(s) é deomiada
Leia maisIntervalo de Confiança
8/8/05 Uiversidade Federal do ará Isiuo de Tecologia Esaísica Aplicada I ro. Dr. Jorge Teóilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 8/08/05 06:54 ESTATÍSTICA ALICADA I - Teoria das
Leia mais4 Modelo de fatores para classes de ativos
4 Modelo de aores para classes de aivos 4.. Análise de esilo baseado no reorno: versão original (esáica A análise de esilo baseada no reorno é um procedimeno esaísico que visa a ideniicar as ones de riscos
Leia maisTEORIA DE SISTEMAS LINEARES
Ageda. Algebra Liear (Parte I). Ativadades IV Profa. Dra. Letícia Maria Bolzai Poehls /0/00 Potifícia Uiversidade Católica do Rio Grade do Sul PUCRS Faculdade de Egeharia FENG Programa de Pós-Graduação
Leia maisFiltros de Partículas: O Algoritmo Resample-Move Ana Flávia Cupertino Pinto
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MESTRADO EM ESTATÍSTICA Filros de Parículas: O Algorimo Resample-Move Aa Flávia Cuperio Pio Orieador: Prof.
Leia maisReceita do Método da Aproximação Polinomial Global Aplicado a Problemas. Unidirecionais sem Simetria
Recea do Méodo da Aromação olomal Recea do Méodo da Aromação olomal Global Alcado a roblemas Esruura Geral do roblema: Udrecoas sem Smera y y y F y o domío : 0 < < e >0. Suea às codções de cooro: CC: G
Leia maisUNIVERSIDADE DE BRASÍLIA FACULDADE DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA PROFESSOR: DR. ING. ADOLFO BAUCHSPIESS
UNIVERSIDADE DE BRASÍLIA FACULDADE DE ECNOLOGIA DEPARAMENO DE ENGENHARIA ELÉRICA PROFESSOR: DR. ING. ADOLFO BAUCHSPIESS Nome: Kleyo Cordeiro de Oliveira Marícula: 94/4643 Brasília, dezembro de 999 Agradecimeos
Leia maisVALÉRIO LUIZ BORGES UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE ENGENHARIA MECÂNICA
VLÉRIO LUIZ BORGES DESENVOLVIMENO DO MÉODO DE QUECIMENO PLNO PRCIL PR DEERMINÇÃO SIMULÂNE DE PROPRIEDDES ÉRMICS SEM O USO DE RNSDUORES DE FLUXO DE CLOR UNIVERSIDDE FEDERL DE UBERLÂNDI FCULDDE DE ENGENHRI
Leia maisO MÉTODO VARIACIONAL APLICADO AO PROBLEMA NÃO-LINEAR DA PROPAGAÇÃO DE SÓLITONS.
O ÉTODO VARIACIONAL APLICADO AO PROBLEA NÃO-LINEAR DA PROPAGAÇÃO DE SÓLITONS. Cibele Aparecida Ladeia (PROIC/PIBIC/CNPQ- AF), Paulo Laere Nai (Orieador), e-mail: cibele_ma_uel@yahoo.com.br, pauloai@uel.br.
Leia maisInstituto Tecnológico de Aeronáutica VIBRAÇÕES MECÂNICAS MPD-42
Isiuo Tecológico de Aeroáuica VIBRAÇÕES MECÂNICAS MPD-4 Isiuo Tecológico de Aeroáuica SISTEMAS DISCRETOS MPD-4 Isiuo Tecológico de Aeroáuica SISTEMAS COM UM GRAU DE LIBERDADE: VIBRAÇÃO FORÇADA MPD-4 3
Leia mais(aulas de 14/11/2014 e 18/11/2014) (Observação: esta aula será complementada e ilustrada no quadro de aula)
Uiversidade do Estado do Rio de Jaeiro UERJ Istituto de atemática e Estatística Deartameto de Estatística Discilia: Processos Estocásticos I Professor: arcelo Rubes (aulas de 4//24 e 8//24) (Observação:
Leia maisFundamentos da Análise Estocástica
Fudameos da Aálise Esocásica BREVE REVISÃO SOBRE A TEORIA DE PROBABILIDADES AXIOMAS DE KOLMOGOROV Espaço de Probabilidades Ω,,P. Adrey N. Kolmogorov 1903-1987. Ω Espaço Amosral Todos os possíveis resulados
Leia maisEscola de Engenharia de Lorena - USP Cinética Química Capítulo 03 Métodos Cinéticos
Escola de Egeharia de Lorea - USP iéica Química aíulo 03 Méodos iéicos Irodução O esudo ciéico, usualmee, é feio a arir de dados exerimeais coleados durae a evolução de uma reação química. Eses dados coleados
Leia maisA limitação da metodologia dos MQ conduziu a diversas abordagens alternativas. As
Capíulo 3 ESTIMAÇÃO ROBUSTA A limiação da meodologia dos MQ coduziu a diversas abordages aleraivas. As écicas de esimação robusa cosiuem uma abordagem à esimação ão depededo de uma disribuição em paricular.
Leia maisUMA ABORDAGEM GEOMÉTRICA DA TEORIA DE INVERSAS GENERALIZADAS PAULO HENRIQUE SALES GUIMARÃES
UMA ABORDAGEM GEOMÉTRICA DA TEORIA DE INVERSAS GENERALIZADAS PAULO HENRIQUE SALES GUIMARÃES 2010 PAULO HENRIQUE SALES GUIMARÃES UMA ABORDAGEM GEOMÉTRICA DA TEORIA DE INVERSAS GENERALIZADAS Disseração apreseada
Leia maisANÁLISE DE SINAIS E SISTEMAS
ANÁLISE DE SINAIS E SISTEMAS AULA 3: OPERAÇÕES BÁSICAS EM SINAIS: OPERARAÇÕES NAS VARIÁVEIS DEPENDENTES; OPERARAÇÕES NA VARIÁVEL INDEPENDENTE. FUNÇÕES ELEMENTARES: O DEGRAU UNITÁRIO; A RAMPA UNITÁRIA;
Leia maisClassificação de Imagens Codificadas por Cadeias Direcionais Utilizando Redes Neurais Artificiais
Proceedigs of he V razilia oferece o eural eworks - V ogresso rasileiro de Redes eurais. 73 78, ril 5, - PU, Rio de Jaeiro - RJ - razil lassificação de Images odificadas or adeias irecioais Uilizado Redes
Leia maisPROF. DR. JACQUES FACON
PUCPR- Ponifícia Universidade Caólica Do Paraná PPGIA- Programa de Pós-Graduação Em Informáica Alicada PROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE RENYI Resumo: Segmenação de imagem é um méodo
Leia mais4 Procedimentos de solução
4 Procedimenos de solução De acordo com Leis e chrefler (998), os roblemas de acolameno fluido mecânico odem ser resolvidos aravés de esraégias acoladas ou desacoladas. As soluções acoladas dividem-se
Leia maisDisciplina de Princípios de Telecomunicações Prof. MC. Leonardo Gonsioroski da Silva
UNIVERSIDADE GAMA FILHO PROCE DEPARAMENO DE ENGENHARIA ELÉRICA Disciplia de Pricípios de elecomuicações Pro. MC. Leoardo Gosioroski da Silva Séries e rasormadas de Fourier Aálise de um sial seoidal o empo
Leia maisDepartamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Processos Estocásticos
Deparameo de Iformáica Disciplia: do Desempeho de Sisemas de Compuação Variável leaória Real Variável leaória x(w) Processos Esocásicos R Prof. Sérgio Colcher Medida de Probabilidade colcher@if.puc-rio.br
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada
PUCPR- Poifícia Uiversidade Caóica Do Paraá PPGIA- Programa de Pós-Graduação Em Iformáica Apicada LIMIARIZAÇÃO IMODAL DE OSU Resumo: Ese arigo descreve a eoria do Agorimo de Limiarização imoda de Osu assim
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 miutos Gruo I Probabilidades e Estatística TODOS OS CURSOS Justifique coveietemete todas as resostas 1 o semestre 2017/2018 30/01/2018 15:00 2 o Teste C 10 valores 1. A variável aleatória X
Leia mais3 Modelos de Markov Ocultos
23 3 Modelos de Markov Oculos 3.. Processos Esocásicos Um processo esocásico é definido como uma família de variáveis aleaórias X(), sendo geralmene a variável empo. X() represena uma caracerísica mensurável
Leia maisAPÊNDICE C FUNDAMENTOS ESTATÍSTICOS SÉRIES TEMPORAIS 1
Apêdice C APÊNDICE C FUNDAMENTOS ESTATÍSTICOS SÉRIES TEMPORAIS Nese Apêdice são apreseados algus coceios de esaísica úeis para validar os modelos de previsão de demada de eergia, sobreudo os que evolvem
Leia maisPREVISÃO PARA O PREÇO FUTURO DO CACAU ATRAVÉS DE UMA SÉRIE UNIVARIADA DE TEMPO: UMA ABORDAGEM UTILIZANDO O MÉTODO ARIMA
PREVISÃO PARA O PREÇO FUTURO DO CACAU ATRAVÉS DE UMA SÉRIE UNIVARIADA DE TEMPO: UMA ABORDAGEM UTILIZANDO O MÉTODO ARIMA MARCEL CASTRO DE MORAES; ALDOUS PEREIRA ALBUQUERQUE; UFPB JOÃO PESSOA - PB - BRASIL
Leia mais4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.
MÉTODOS NM ÉRICOS PARA E QAÇÕES DIFEREN CIAIS PARCIAIS 4- Méodo de Difereças Fiias Aplicado às Equações Difereciais Parciais. 4.- Aproximação de Fuções. 4..- Aproximação por Poliômios. 4..- Ajuse de Dados:
Leia maisExemplo. Exemplo. Taxa Interna de Retorno. Administração
Admiisração Taxa Iera de Reoro Deomia-se Taxa Iera de Reoro (TRI) de um fluxo de caixa à axa de juros que aula o Valor Presee Líquido (VPL). MATEMÁTICA FINANCEIRA Por: EDÉZIO SACRAMENTO edezio@oi.com.br
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
éodos méricos SISTEMS DE EQUÇÕES LINERES (Coiação) Prof. Erivelo Geraldo Nepomceo PROGRM DE PÓS-GRDUÇÃO EM ENGENHRI ELÉTRIC UNIVERSIDDE DE JOÃO DEL-REI PRÓ-REITORI DE PESQUIS CENTRO FEDERL DE EDUCÇÃO TECNOLÓGIC
Leia maisCurso de Dinâmica das Estruturas 25. No exemplo de três graus de liberdade (GLs) longitudinais, para cada uma das partículas, temos:
Crso de iâica das Esrras 5 III ESTRUTURAS COM VÁRIOS GRAUS E LIBERAE III. Eqações do Movieo No exelo de rês gras de liberdade (GLs) logidiais, ara cada a das aríclas, eos: x F x F x F As orças elásicas
Leia maisCapítulo 3 SLITs Sistemas Lineares e Invariantes no Tempo
Capíulo 3 SLITs Siseas Lieares e Ivariaes o Tepo 3. Irodução 3.2 Repreação e odelo de esado 3.3 Siseas SISO 3.4 Siseas MIMO uli-diesioais 3.5 Modelo de espaço de esados coíuos 3.6 Resposa ipulsiva e covolução
Leia maisUniversidade Federal de Pelotas Vetores e Álgebra Linear Prof a : Msc. Merhy Heli Rodrigues Matrizes
Uiversidde Federl de Pelos Veores e Álgebr Lier Prof : Msc. Merhy Heli Rodrigues Mrizes. Mrizes. Defiição: Mriz m x é um bel de m. úmeros reis disposos em m lihs (fils horizois) e colus (fils vericis)..
Leia mais3 Derivação dos modelos
3 Derivação dos modelos Ese capíulo apresea a derivação de odos os modelos que serão aalisados. Basicamee serão desevolvidos rês casos disios. Deses casos serão exraídos os modelos que serão esudados esa
Leia maisMétodo de integração por partes
Maemáica - 8/9 - Inegral de nido 77 Méodo de inegração or ares O méodo de inegração or ares é aenas uma "radução", em ermos de inegrais, do méodo de rimiivação or ares. Sejam f e g duas funções de nidas
Leia maisExercícios de Análise de Sinal
Exercícios de Aálise de Sial Faculdade de Egeharia da Uiversidade do Poro Seembro 006 recolha de problemas de diversos auores edição feia por: H. Mirada, J. Barbosa (000) M. I. Carvalho, A. Maos (003,006)
Leia maisAprendizagem de Máquina
predizagem de Máquia Modelos de Mistura lgoritmo EM Estimação semi-paramétrica de desidade abordagem paramétrica para estimação de desidade supõe que a amostra X é extraída de uma distribuição que segue
Leia maisSinais e Sistemas. Env. CS1 Ground Revolute. Sine Wave Joint Actuator. Double Pendulum Two coupled planar pendulums with
-4-6 -8 - - -4-6 -8-3 -3 Frequecy (khz Hammig kaiser Chebyshev Siais e Sisemas Power Specral Desiy Ev B F CS CS B F CS Groud Revolue Body Revolue Body Power/frequecy (db/hz Sie Wave Joi Acuaor Joi Sesor
Leia maisJuros Compostos 2016
Juros Composos 2016 1. (G1 - ifal 2016) Em 2000, cero país da América Laia pediu um emprésimo de 1 milhão de dólares ao FMI (Fudo Moeário Ieracioal) para pagar em 100 aos. Porém, por problemas políicos
Leia maisn n ...
6. Álgebra Matricial Defiição : Um couto de ( m, ) úmeros (reais ou complexos) arraados em uma forma retagular de m lihas e coluas: a a a. a a a a. a..... a a a. a 2 3 2 22 23 2 m m2 m3 m é chamada de
Leia maisWavelets. Jorge Salvador Marques, Motivação
Wavelets Jorge Salvador Marques, 9 Motivação Jorge Salvador Marques, 9 Qual é a melhor escala? Os obectos aparecem a imagem com dimesões muito diferetes Não uma escala úica que sea apropriada Há uma escala
Leia maisquanto maior a diferença de energia entre 2 níveis, mais provável fica a emissão espontânea em relação à estimulada. Vemos também que: A
Vimos a aula passada os coeficiees de Eisei: Com B B e A B A 8 B hv c ρ( v) A B B quao maior a difereça de eergia ere íveis, mais provável fica a emissão espoâea em relação à esimulada. Vemos ambém que:
Leia maisResolução das equações
Resolução das equações Equação de Difusão (calor) (1D) Equação de odas (corda vibrae) (1D) Equação de aplace (2D) Odas acúsicas: corda (1D) e ambor (2D); odas de água, odas eleromagéicas e odas sísmicas
Leia mais- Processamento digital de sinais Capítulo 2 Sinais e sistemas discretos
- Processameo digial de siais Capíulo Siais e sisemas discreos Siais discreos Siais aalógicos x digiais Coíuos x discreo Admiido como sequêcia de úmeros. {x[]}, 0, ±, ±,... Z Período amosragem: s Variáveis
Leia maisFundamentos de Telecomunicações 2004/05 LERCI
Fudaeos de elecouicações 4/5 LERCI ese º 4 aio, 5 Núero: Noe: Assiale aeas a resosa que cosiderar correca. Se ão esiver cero da resosa que deve assialar, é referível ão resoder. As resosas erradas são
Leia maisMétodos iterativos. Métodos Iterativos para Sistemas Lineares
Métodos iterativos Métodos Iterativos para Sistemas Lieares Muitos sistemas lieares Ax = b são demasiado grades para serem resolvidos por métodos directos (por exemplo, se A é da ordem de 10000) á que
Leia maisMAGISTÉRIO MATEMÁTICA
PROVA DE CONHECIMENTOS ESPECÍFICOS CONCURSO DE ADMISSÃO 0 ao CFO/QC - 0 PAG -6 4 Aalise as afirmaivas a seguir, colocado ere parêeses a lera V quado se raar de proposição verdadeira e a lera F quado se
Leia mais1.4 Determinantes. determinante é igual ao produto dos elementos da diagonal principal menos o produto dos elementos da diagonal secundária.
1.4 Determiates A teoria dos determiates surgiu quase simultaeamete a Alemaha e o Japão. Ela foi desevolvida por dois matemáticos, Gottfried Wilhelm Leibiz (1642-1716) e Seki Shisuke Kowa (1642-1708),
Leia maisforma em espaço de estado e filtro de Kalman
forma em espaço de esado e filro de Kalman 62 Forma em espaço de esado: definida por duas equações esocásicas eq. das medidas: eq. do esado: esado (não observável) condição inicial: 63 Modelo SS na forma
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FINAL DE CURSO UM EXERCÍCIO QUANTITATIVO TEÓRICO EM FINANÇAS
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FINAL DE CURSO UM EXERCÍCIO QUANTITATIVO TEÓRICO EM FINANÇAS Rafael Lopes de Melo Marícula: 99477-3 Orieador: Marcos
Leia maisProblema de Designinação Generalizada. Problema de Designinação. - aplicações: - observações: = 0 caso contrário n n. - Seja a variável: xij
Prof. Silvio Alexadre de Araujo Problema de Desigiação ou Alocação (Assigme) - Dados agees desigados para realizar arefas - Cada agee j (j=,..,) deve execuar uma e só uma arefa i,.., - Cada arefa i deve
Leia mais5 Filtro de partículas
5 Filro de arículas Ese caíulo raa da aresenação do filro de arículas em seus conceios básicos. O filro de arículas é um méodo numérico de inegração. É adequado ara lidar com roblemas não lineares e não
Leia maisFaculdade de Engenharia. Análise Matemática 2 MIEEC 2015/2016
aculdade de Egeharia Aálise Maemáica 2 MEEC 25/26 ucioameo aculdade de Egeharia Teórico-práicas exposição e discussão da maéria resolução de exercícios Trabalho exra-aula resolução dos exercícios proposos
Leia maisSinais e Sistemas. Env. CS1 Ground Revolute. Sine Wave Joint Actuator. Double Pendulum Two coupled planar pendulums with
-4-6 -8-0 - -4-6 -8-30 -3 Frequec Hz Hammig aiser Chebshev Faculdade de Egeharia iais e isemas Power pecral Desi Ev B F C C B F C Groud Revolue Bod Revolue Bod Power/frequec db/hz ie Wave Joi Acuaor Joi
Leia maisUMA ABORDAGEM GEOMÉTRICA DA TEORIA DE INVERSAS GENERALIZADAS DE MATRIZES
UMA ABORDAGEM GEOMÉTRICA DA TEORIA DE INVERSAS GENERALIZADAS DE MATRIZES Paulo Herique Sales GUIMARÃES Lucas Moeiro CHAVES Devail Jaques de SOUZA RESUMO: Ua abordage geoérica e eros de subesaços veoriais
Leia maisCálculo do valor em risco dos ativos financeiros da Petrobrás e da Vale via modelos ARMA-GARCH
Cálculo do valor em risco dos aivos financeiros da Perobrás e da Vale via modelos ARMA-GARCH Bruno Dias de Casro 1 Thiago R. dos Sanos 23 1 Inrodução Os aivos financeiros das companhias Perobrás e Vale
Leia maisConceito. Exemplos. Os exemplos de (a) a (d) mostram séries discretas, enquanto que os de (e) a (g) ilustram séries contínuas.
Coceio Na Esaísica exise siuações ode os dados de ieresse são obidos e isaes sucessivos de epo (iuo, hora, dia, ês ou ao), ou aida u período coíuo de epo, coo acoece u elerocardiograa ou sisógrafo. Esses
Leia mais3 Modelos lineares para séries temporais ARIMA(p,d,q)
3 Modelos lineares ara séries emorais ARIMA(,d,) Ao longo dos anos diversas ferramenas ara modelagem e revisão de séries emorais êm sido desenvolvidas, mas, no enano, a maioria deses méodos baseia-se em
Leia mais( ) ( ) ( ) ( ) ( ) ( ) ( ) III. Estruturas com Vários Graus de Liberdade. III.1 Equações do Movimento
Crso de iâica das Esrras 5 III. Esrras co Vários Gras de Liberdade III. Eqações do Movieo No exelo de rês gras de liberdade (GLs) logidiais, ara cada a das aríclas, eos: x F x F x F As orças elásicas ode
Leia maisEXAME DE ESTATÍSTICA AMBIENTAL 2ª Época (V1)
Nome: Aluno nº: Duração: horas LICENCIATURA EM CIÊNCIAS DE ENGENHARIA - ENGENHARIA DO AMBIENTE EXAME DE ESTATÍSTICA AMBIENTAL ª Época (V) I (7 valores) Na abela seguine apresena-se os valores das coordenadas
Leia maisFaculdades Adamantinenses Integradas (FAI)
Faculdades Adamaieses Iegradas (FAI) www.fai.com.br ROCHA, Naiara Chierici; BOTTA, Vaessa. Diâmica populacioal aplicada à população de Adamaia. Omia Exaas, v.2,.2, p.56-65, 2009. DINÂMICA POPULACIONAL
Leia maisINTERPRETANDO CORRETAMENTE O PASSADO PODEM-SE GERAR PREVISÕES ÚTEIS PARA O FUTURO.
MÓDUO - MODEOS DE PREVISÃO E ESTIMATIVA DE DEMANDA Baseado em Chopra, Suil e Meidl, Peer, Gereciameo da Cadeia de Suprimeos, Preice Hall, São Paulo, 23. Quao se deve fabricar os próximos dias? Quais os
Leia maisUm Modelo Econométrico com Parâmetros Variáveis para Carga Tributária Bruta Brasileira
Um Modelo Ecoomérico com Parâmeros ariáveis ara Carga ribuária Brua Brasileira Mário Jorge Medoça hiago Guerrera Maris Cláudio Hamilo dos aos Resumo: Ese arigo em or obeivo esimar um modelo ecoomérico
Leia maisÁLGEBRA. Licenciatura em Engenharia Electrotécnica e de Computadores LEEC Ano lectivo de 2002/2003
ÁLGEBRA Liceciatura em Egeharia Electrotécica e de Computadores LEEC Ao lectivo de 00/003 Apotametos para a resolução dos exercícios da aula prática 5 MATRIZES ELIMINAÇÃO GAUSSIANA a) Até se obter a forma
Leia mais3 Uma metodologia para validação estatística da análise técnica: a busca pela homogeneidade
3 Uma meodologia para validação esaísica da análise écnica: a busca pela homogeneidade Ese capíulo em como objeivo apresenar uma solução para as falhas observadas na meodologia uilizada por Lo e al. (2000)
Leia maisDefinição: Sejam dois números inteiros. Uma matriz real é uma tabela de números reais com m linhas e n colunas, distribuídos como abaixo:
I MTRIZES Elemeos de Álgebr Lier - MTRIZES Prof Emíli / Edmé Defiição: Sem dois úmeros ieiros Um mriz rel é um bel de úmeros reis com m lihs e colus, disribuídos como bixo: ( ) i m m m m Cd elemeo d mriz
Leia maisLISTA DE EXERCÍCIOS 3 INE 7001 PROF. MARCELO MENEZES REIS ANÁLISE DE SÉRIE TEMPORAIS GABARITO
LISTA DE EXERCÍCIOS 3 INE 700 PROF. MARCELO MENEZES REIS ANÁLISE DE SÉRIE TEMPORAIS GABARITO ) A que compoees de uma série emporal (pelo modelo clássico) esariam pricipalmee associados cada um dos seguies
Leia maisDiferença entre duas médias. Diferença entre duas proporções (π 1 - π 2 = ) Igualdade entre duas variâncias. Prof. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@a a.ufrgs..ufrgs.br hp://www.ufrgs. ://www.ufrgs.br br/~viali/ Depedees Idepedees Tese para aosras eparelhadas Variâcias Cohecidas Variâcias Descohecidas Tese z uposas iguais
Leia maisInvestigação Operacional. Modelos de Previsão
Ivesigação Operacioal Modelos de Previsão Liceciaura em Egeharia Civil Liceciaura em Egeharia do Terriório Liceciaura em Egeharia e Arquiecura Naval I. Irodução à previsão Objecivos II. III. IV. Méodos
Leia maisTEORIA DE SISTEMAS LINEARES
Ageda. Algebra Liear (Parte II). Atividades V Profa. Dra. Letícia Maria Bolzai Poehls 8// Potifícia Uiversidade Católica do Rio Grade do Sul PUCRS Faculdade de Egeharia FENG Programa de Pós-Graduação em
Leia maisVerificação de Falhas em Linhas de Transmissão por Redes Neurais Artificiais a partir dos Espectros de Freqüência de Imagens
RABALHO DE GRADUAÇÃO Verificação de Falhas em Lihas de rasmissão or Redes Neurais Arificiais a arir dos Esecros de Freqüêcia de Images Por, Flávio Auguso Rodrigues de Oliveira Alexadre Guedes de Araujo
Leia mais6. Estudo de Caso. 6.1.Características do Contrato
6. Esudo de Caso O modelo de Schwarz e Smih (000) com sazonalidade rimesral vai ser uilizado ara modelar e rever os reços do GN com base na série hisórica dos reços do Henry Hub. O esudo é feio num conexo
Leia maisResoluções de Exercícios
Resoluções de Exercícios MATEMÁTICA V Caíulo Coecimeos uméricos 0 Sequêcias BC 0 0 C De acordo com as iformações, emos que a evolução do úmero de diabéicos corresode à sequêcia (0, 0, 0, 0, 70, 00, 0,...)
Leia maisMódulo de Regressão e Séries S Temporais
Quem sou eu? Módulo de Regressão e Séries S Temporais Pare 4 Mônica Barros, D.Sc. Julho de 007 Mônica Barros Douora em Séries Temporais PUC-Rio Mesre em Esaísica Universiy of Texas a Ausin, EUA Bacharel
Leia mais4 Modelos em Espaço de Estado e Filtro de Kalman
4 Modelos em Espaço de Esado e Filro de Kalman A modelagem em espaço de esado fornece uma meodologia padrão para raar uma ampla variedade de problemas em séries emporais Nesa abordagem é, em geral, assumido
Leia mais2 Generalized Autoregressive Moving Average Models (GARMA)
Generalized Auoregressive Moving Average Models (GARMA se caíulo esá fundamenado no arigo de Benamin, Rigb e Sasinooulos (003 [] o ual em como obeivo raar a eensão dos modelos ARMA (Auoregressive Moving
Leia maisModelagem econométrica para a previsão do preço futuro do cacau: abordagem ARIMA
Modelagem ecoomérica ara a revisão do reço fuuro do cacau: abordagem ARIMA Modelagem ecoomérica ara a revisão do reço fuuro do cacau: abordagem ARIMA Ecoomeric modelig for forecasig he fuure rice of cacao:
Leia maisBr Br US US. tempo as estruturas a termo dos EUA e do Brasil, enquanto que o par x t x
39 3 Caso Brasileiro Nesse caíulo esecificamos uma versão simles do modelo desenvolvido no caíulo 2 (enendido como aquela em que não há um número excessivo de forças em oeração nem amouco um número elevado
Leia maisCritérios para a Apuração dos Preços de Ajuste Março 2009.
Criérios para a Apuração dos Preços de Ajuse Março 2009. Iformamos os procedimeos a serem aplicados durae o mês de março de 2009 para a apuração dos preços de ajuses diários dos coraos derivaivos fiaceiros
Leia maisVirgílio Mendonça da Costa e Silva
UNIVERSIDADE EDERAL DA PARAÍBA CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA MECÂNICA VIBRAÇÕES DOS SISTEMAS MECÂNICOS VIBRAÇÕES ORÇADAS NÃO HARMONICAMENTE DE SISTEMAS DE 1 GL NOTAS DE AULAS Virgílio
Leia maisUniversidade Tecnológica Federal do Paraná Departamento de Eletrônica Disciplina: Teoria da Informação Professor: Dyson Pereira Junior
Uiversidade ecológica Federal do Paraá Deparameo de Elerôica Disciplia: eoria da Iformação Professor: Dyso Pereira Juior ZONA DE IMPECIÃO NÍVEI APOXIMAÇÃO DO VALO UPEIO APOXIMAÇÃO DO VALO INFEIO 5.4 Capacidade
Leia maisCapítulo 4. Propriedades dos Estimadores de Mínimos Quadrados
Capíulo 4 Propriedades dos Esimadores de Mínimos Quadrados Hipóeses do Modelo de Regressão Linear Simples RS1. y x e 1 RS. Ee ( ) 0 E( y ) 1 x RS3. RS4. var( e) var( y) cov( e, e ) cov( y, y ) 0 i j i
Leia maisXXII OLIMPÍADA BRASILEIRA DE MATEMÁTICA Terceira Fase Nível 3 (Ensino Médio)
XXII OLIMPÍADA BRAILEIRA DE MATEMÁTICA Terceira Fase Níel 3 (Esio Médio PROBLEMA 1: Em uma folha de papel a rea r passa pelo cao A da folha e forma um âgulo com a borda horizoal, como a figura 1. Para
Leia maisInstituto Tecnológico de Aeronáutica VIBRAÇÕES MECÂNICAS MPD-42
VIBRAÇÕES MECÂNICAS . Irodução CONTEÚDO. Pequeas oscilações em oro de uma posição de equilíbrio Sisemas discreos: 3. Sisemas com um grau de liberdade 4. Sisemas com graus de liberdade modos ormais de vibração
Leia maisComo o Intervalo de Confiança para a média é bilateral, teremos uma situação semelhante à da figura abaixo:
INE66 Méodo Eaíico Exercício Prova - Semere 15.1 O poo de fuão (medido em C) é um apeco crucial em maeriai cerâmico, epecialmee o uado em reaore ucleare, como a ória. Receemee um fabricae apreeou dua ova
Leia maist G 1 A v A v v r 2 turbulento média máx média máx máx saem entram saem entram Capítulo 3 Cinemática dos fluidos Escoamento
Misura homoênea Uma enrada e uma saída Várias enradas e árias saídas equação da coninuidade ou da conseração de massa Cálculo da elocidade média Escoameno Reime ermanene Reime ariado Qual a simlificação
Leia mais