CRIPTOANÁLISE DE SINAIS DE VOZ CIFRADOS POR TSP USANDO REDES NEURAIS E MEAN-FIELD ANNEALING
|
|
- Aurélio Mangueira Natal
- 7 Há anos
- Visualizações:
Transcrição
1 CRIPTOANÁLISE DE SINAIS DE VOZ CIFRADOS POR TSP USANDO REDES NEURAIS E MEAN-FIELD ANNEALING J. A. Apolnáro Jr. UFRJ/COPPE - Ro de Janero/RJ apoln@coe.ufrj.br P. R. S. Mendonça UFRJ/COPPE - Ro de Janero/RJ mendonca@coe.ufrj.br L. P. Calôba UFRJ/COPPE-Ro de Janero/RJ caloba@coe.ufrj.br Resumo - Este trabalho apresenta um esquema de crptoanálse de snas de voz cfrados por permutação de segmentos temporas (TSP). São estmadas dstâncas espectras entre extremdades de segmentos e uma dstânca total mínma é buscada com uma abordagem do tpo Problema do Caxero Vajante usando Rede Neural. Abstract - Ths work presents a scheme of crptoanalss of speech sgnals cphered b Tme Segment Permutaton (TSP). Spectral dstances are estmated between borders of segments and a mnmum total dstance s searched wth a Travelng Salesman Problem approach usng Neural Network. A. Introdução CRIPTOANÁLISE de snas de voz cfrados por permutação de segmentos temporas (TSP) de tamanho fxo e bloco a bloco (jumpng wndow) fo apresentada em artgo anteror [Apolnáro, 993] onde bons resultados foram obtdos para o caso de 8 segmentos. A déa básca era a escolha da permutação que apresenta a menor soma das dstâncas espectras das bordas de segmentos adjacentes. Trata-se, pos, de um problema de otmzação combnatóra muto parecdo com o tradconal Problema do Caxero Vajante. A abordagem usada anterormente fo a busca exaustva das 8! permutações possíves sendo que sua prncpal lmtação é o número segmentos que pode ser bem maor em scramblers reas. Este trabalho busca uma solução baseada numa rede neural de modo que possa ser usada posterormente no caso de termos 6 segmentos. Será brevemente apresentada na Seção o esquema de crptoanálse. A segur, encontra-se na Seção 3 a formulação do problema com uma rede neural (Hopfeld) de 8x8 neurônos onde cada um está assocado a um segmento numa dada posção de manera análoga a uma cdade no rotero de um Caxero Vajante. A Seção 4 mostra como resultados váldos e com dstâncas mínmas (não garantdamente globas mas bem razoáves) foram obtdos. A Seção 5 mostra alguns resultados obtdos em smulações e a Seção 6 algumas conclusões.. Esquema de Crptoanálse Observamos na fg. os concetos de bloco e segmentos. Os segmentos foram permutados dentro de um bloco; para que sto possa ser realzado, é necessáro que todos os segmentos deste bloco sejam armazenados numa memóra antes de serem transmtdos numa ordem dferente da orgnal. Isto mplca num retardo total de comuncação gual a duas vezes o tamanho do bloco (transmssão e recepção). Este retardo é uma das lmtações do processo, bem como o número de segmentos em cada bloco: um número grande de segmentos dmnura a ntelgbldade resdual e aumentara a resstênca à crptoanálse, mas ao mesmo tempo causara expansão de banda, necessdade de um sncronsmo mas precso e um efeto mas acentuado de superposção de segmentos quando o snal passa por um canal. Neste trabalho, é de nteresse consderar-se a dstânca entre os espectros do fnal e do níco de dos segmentos de snal de voz para verfcar-se o quanto os mesmos se assemelham. Isto é feto levantando-se uma medda de dstânca espectral, ou seja, um número não negatvo que meça o quanto o espectro do fm de um segmento está próxmo ou não do espectro do níco de outro. Fg. - Snal de voz dvddo em blocos e segmentos.
2 Dada a necessdade de levantar-se os coefcentes da modelagem do snal de voz numa análse a curto tempo para que seja possível comparar os espectros em dos nstantes de tempo (antes e após a transção dos segmentos), optou-se pela utlzação de uma estrutura retculada (lattce) que, além de oferecer a possbldade de obtenção dos coefcentes de modo adaptatvo (amostra a amostra), apresenta encadeamento de seções dêntcas, coefcentes com magntude menor que, teste de establdade por nspeção e obtenção dos coefcentes dreto das amostras de voz sem um cálculo ntermedáro da função de autocorrelação [Cowan e Grant, 985]. Os coefcentes da estrutura retculada, usualmente chamados coefcentes de reflexão {k }, ndependem da ordem p do fltro e podem ser transformados em coefcentes {a } (LPC) ou {c } (cepstras). O algortmo utlzado para a estmação dos coefcentes de reflexão neste trabalho fo uma versão normalzada do RLSL (Recursve Least-Squares Lattce) conhecda como SQNLSL (Square-Root-Normalzed Least-Square Lattce). Este algortmo apresenta uma dmnução da complexdade das recursões e uma melhora nas propredades numércas das varáves [Cowan e Grant, 985]. Encontra-se na lteratura [Apolnáro Jr., 993] váras meddas de dstânca espectral. Todas elas são amplamente usadas em processamento de voz e partcularmente em crptofona [Srdharan, Dawson e Goldburg, 99] para medr objetvamente ntelgbldade resdual e qualdade de voz recuperada. Serão usados neste trabalho os coefcentes cepstras e a partr deles defne-se uma dstânca (cepstral) que está assocada a uma méda quadrátca das dferenças de dos espectros em magntude logarítmcos [Markel e Gra, 976], dada por: p D E D E = dc( D, E ) = c ( 0) c ( 0) +. c ( ) c ( ) onde os c's são os coefcentes cepstras em D e E, e p é a ordem do modelo. Observa-se na eq. que já encontra-se embutda a nformação de energa (c's índce zero). O esquema proposto é aplcável num snal de voz que fo cfrado pela permutação de N segmentos temporas de mesmo tamanho dentro de blocos transmtdos sequencalmente. Será assumdo ncalmente que N = 8 para fns de comparação com um esquema de busca exaustva cujos resultados são dsponíves. Entretanto o mesmo esquema pode ser aplcado a snas cfrados com 6 segmentos sendo esta a razão prmordal do uso de redes neuras uma vez que a busca exaustva é nvável (6!.E3) neste caso. O algortmo apresentado na fg. mostra como será processada a reordenação dos segmentos. Para cada bloco (8 segmentos) ldo são estmados os coefcentes {k } à dreta e à esquerda de cada segmento. Para os coefcentes à esquerda, roda-se um fltro SQNLSL do fnal para o níco do segmento. Os coefcentes à dreta são obtdos com o mesmo fltro rodando do níco para o fnal do segmento. Os coefcentes estmados são armazenados e as dstâncas do fnal para o níco de dos segmentos são calculadas e armazenadas numa matrz contendo todas as dstâncas possíves entre os segmentos do bloco. () /* ALGORITMO CSITOVOZ (CRIPTOANÁLISE DE CSI-T) */ INÍCIO CSITOVOZ (ENTRA:SINAL.CSI, SAI:SINAL.VOZ) "DECLARAÇÃO DE ARQUIVOS E VARIÁVEIS"; "ABERTURA DE ARQUIVOS"; "LEITURA E ESCRITA DE CABEÇALHOS"; "INICIALIZAÇÃO DE VARIÁVEIS"; ENQUANTO NÃO (FIM DE ARQUIVO) "LER UM BLOCO DO ARQUIVO DE ENTRADA": PARA SEG DE ATÉ NR_SEGS PASSO "CALCULAR Kd (COEFICIENTES À DIREITA DO SEGMENTO )"; "CALCULAR Ke (COEFICIENTES À ESQUERDA DO SEGMENTO)"; FIM-PARA; "CALCULAR AS DISTÂNCIAS d[][j] (DIR SEG PARA ESQ SEG j)"; "ACHAR A PERMUTAÇÃO DE MENOR DISTÂNCIA (USANDO REDE NEURAL)"; "GUARDAR OS COEFICIENTES DO FINAL DO BLOCO"; "REORDENAR OS SEGMENTOS E ESCREVER NO ARQUIVO DE SAÍDA"; FIM-ENQUANTO; "FECHAR ARQUIVOS"; FIM {CSITOVOZ}. Fgura - Algortmo de crptoanálse (BLOCO com NR_SEGS = 8 segmentos). A segur, busca-se uma solução (permutação) com dstânca mínma conforme será vsto nas seções 3 e 4. A permutação escolhda é guardada num vetor que será a chave para a reordenação dos segmentos. Uma vez
3 efetuada a reordenação, é escrto o bloco no arquvo de saída e o processamento contnua com a letura do próxmo bloco. 3. Formulando o Problema O uso de Redes de Hopfeld (fg. 3) na busca de soluções para problemas de otmzação combnatóra já é corrente. Pode-se provar [Hopfeld, 984] que uma Rede de Hopfeld operada de forma aproprada é estável segundo o Crtéro de Lapunov, ou seja, exste uma função de energa, ou função de Lapunov, que decresce até um ponto de mínmo local durante a operação da rede. A função de Lapunov usada neste trabalho é dada por E = wjkl kl wjkj kj wjl l wjj tj00 + cte, () k jkl l j k jk l jl j onde j corresponde à saída do neurôno j, t j00 corresponde ao bas aplcado ao neurôno j e w jkl corresponde à snapse conectando a saída do neurôno j à entrada do neurôno kl. k j l j j Fg. 3. Rede de Hopfeld usada na busca de uma solução para o problema do Caxero Vajante, onde não há a presença de entradas externas Fg. 4. Cada círculo corresponde a um neurôno, e os círculos hachurados ndcam os neurônos atvados. A permutação (válda) resultante da confguração acma é É necessáro, então, formular-se o problema do Caxero Vajante de forma que sua solução seja equvalente à mnmzação de uma função objetvo com a forma da eq.. Uma proposta para tal função é F = F A + F B + F C + F D + F E, onde, observando-se anda a fg. 4, ( ) FA = Aj, (3) (mínmo quando j {0, }; fornece um parâmetro a j mas para o ajuste das snapses) F F (4) (mínmo quando há exatamente um neurôno atvo por coluna (fg. 4)) B B = j C j C = j F = D jk k F E =, (5) (mínmo quando há exatamente um neurôno atvo por lnha (fg. 4)) D ( + jk d k k, j d k k, j+ ) e (6) (mnmzados os termos anterores, este termo é mínmo quando a permutação encontrada para os segmentos produz a menor dstânca) (7) (este termo é smlar ao anteror exceto por referr-se a Ed0 dstânca entre o últmo segmento do bloco anteror e o prmero do bloco atual; o fator / deve-se a ncerteza na permutação tomada para o bloco anteror) Fazendo A j = A, B = B, C j = C e D jk = E = D (, j, k), desenvolvendo F e comparando-a termo a termo com E (função de Lapunov), obtém-se os pesos das snapses da Rede de Hopfeld desejada, mostrados a segur:
4 t j00 ( ) ( ) ( ) A B C j = + + se ; A+ B+ C Dd0 se j = ; w jj = A B C; w w jl jkj = B; = C; w jkl Dd k se j = l + ; = Ddk se j = l ; 0, caso contrá ro (8) A etapa segunte fo o ajuste dos valores de A, B, C e D. É natural que B e C tenham o mesmo valor, pos são responsáves por haver exatamente neurôno por lnha e neurôno por coluna no dagrama da fg. 4, havendo o mesmo custo assocado à volação de qualquer uma dessas duas condções. Após város expermentos computaconas verfcou-se que o melhor valor para A é aquele que anula os pesos das snapses de autorealmentação, dados por w jj. Assm encontra-se A = B + C e fez-se B = C = e A =. O ajuste do coefcente D mostrou-se uma tarefa dfícl. Um valor muto pequeno resulta num custo baxo para uma permutação que corresponda a uma dstânca elevada, enquanto que um valor elevado mplca um custo relatvamente baxo para a volação da condção de haver somente um neurôno atvo por lnha e por coluna levando a uma solução não válda. Assm, fo desenvolvdo um esquema adaptatvo para D, descrto a segur. Incalmente é encontrada uma permutação chamada permutação não-péssma, que consste em se tomar a partr do últmo segmento do bloco anteror, o segmentos medatamente mas próxmo, segundo a dstânca cepstral. A rede é operada ncalmente com D gual ao nverso do valor médo das dstâncas cepstras entre os segmentos. Quando a solução encontrada não é válda decrementa-se D através da expressão Dnovo = ( α down ) Danteror. Já quando a solução encontrada é válda mas não é menor que a dstânca correspondente à da permutação não-péssma, ncrementa-se o valor de D segundo uma expressão do tpo D = + α D. Os parâmetros α up e α down foram encontrados emprcamente, sendo guas a 0. e 0.5, novo ( up ) anteror respectvamente. O esquema descrto acma encontrou uma solução superor a não péssma em 70% das tentatvas e a solução ótma (obtda, para comparação, através de busca exaustva) em 5% das tentatvas de crptanálse de um snal cfrado por um scrambler de 8 segmentos. 4. Melhorando os Resultados O grande problema na otmzação combnatóra e na otmzação convexa de modo geral é a presença de mínmos locas, nos quas os algortmos de mnmzação usuas congelam. Uma solução para esse problema é o uso de técncas de Smulated Annealng e Mean-Feld Annealng [Cchock e Unbehauen, 993]. Ambas as técncas baseam-se em fenômenos termodnâmcos. Um metal quando derretdo e subseqüentemente resfrado terá suas moléculas reordenadas segundo uma confguração de mínma energa se o resframento for feto de forma sufcentemente lenta. A déa é então perturbar a rede através da njeção de ruído (aumento da temperatura), e lentamente dmnur a ampltude do ruído (resframento), de forma que a rede convrja para uma confguração correspondente a um mínmo global de sua função de Lapunov. Fg. 5. Esquema para otmzação através da técnca de Smulated Annealng. Fg. 6. Comparação entre os neurônos da técnca de Smulated Annealng e Mean-Feld Annealng. Na técnca de Smulated Annealng é adconado ao snal da entrada dos neurônos da Rede de Hopfeld ruído com uma dstrbução especfcada e méda nula (fg. 5), de forma que na saída do neurôno não mas se terá ou 0 segundo uma função determnístca do snal de entrada, e sm ou 0 com probabldades determnadas pela entrada e pela dstrbução usada. Caso se use a dstrbução de Boltzmann tem-se então a
5 Máquna de Boltzmann. Na técnca de Mean-Feld Annealng o neurôno dscreto é substtuído por um neurôno analógco que ao ser apresentado ao snal de entrada produz na saída o valor esperado da saída de um neurôno dscreto que recebesse além do própro snal de entrada um ruído com a dstrbução dada (fg. 6). Estudos comparatvos [Hakn, 994] mostram que as técncas chegam a resultados smlares, com uma maor velocdade de convergênca para o método de Mean-Feld Annealng, sendo, portanto, esta a técnca escolhda para o problema em questão. Impondo-se que o ruído satsfaça uma dstrbução de Boltzmann, obtém-se para a função = f(u) do neurôno analógco uma função do tpo sgmóde: =. + e ut (9) O resframento da rede é feto de acordo com a expressão Tnovo = 093. Tanteror [Cchock e Unbehauen, 993]. É precso anda determnar T 0, a temperatura ncal do processo. Isso é feto verfcando-se a máxma excursão dos parâmetros u, de forma que a excursão correspondente de seja da ordem de 0. ou 0. em torno do centro do hpercubo, o que equvale a um agrupamento dos mínmos da função objetvo. O valor fnal de T fo escolhdo como 0., para o qual a sgmóde já é pratcamente gual a uma função degrau. Para cada valor de T a função é posta em operação, e assume-se que houve convergênca se a energa acumulada na rede, normalzada, não varou mas que 0-4, sendo a varação medda através da expressão abaxo: Eanteror Eatual E =. (0) E anteror Como a complexdade computaconal do cálculo da varação da energa acumulada na rede é muto alta, fo desenvolvdo um novo crtéro de parada, baseado na norma eucldana da dferença do vetor de saída da rede após a atualzação de seus neurônos. Essa alteração dmnuu em cerca de ses vezes o tempo de processamento para a Otmzação das dstâncas em cada bloco cfrado. Com o uso combnado das técncas de Mean-Feld Annealng e ajuste adaptatvo de D, encontrou-se uma solução superor à solução não-péssma em 00% das tentatvas e a solução ótma em 40% das tentatvas de crptanálse de um snal cfrado por um scrambler de 8 segmentos. 5. Resultados Expermentas Os resultados das smulações são a segur apresentados por meo de meddas objetvas de desempenho do quanto o snal crptoanalsado aproxma-se do snal orgnal, apesar de poder-se conjecturar que o objetvo da crptoanálse é a obtenção do conteúdo da mensagem e não a recuperação perfeta do snal de voz que fo cfrado. Os snas de voz usados nos testes foram os mesmos do artgo anteror [Apolnáro Jr., 993] de modo a podermos comparar os resultados obtdos com a Rede Neural proposta e os anterormente obtdos com busca exaustva que, no caso do problema de otmzação combnatóra, são os ótmos. Observamos, a segur, a tab. que apresenta uma medda de dstorção espectral relatva (fo chamada de dstorção para não confundr com as meddas de dstânca espectral usadas na crptoanálse e corresponde à dstânca Eucldeana não ponderada dos coefcentes {a } estmados segmento a segmento dos snas orgnal e crptoanalsado em relação ao orgnal) para os snas cfrados versus cada técnca utlzada. SCHOOL SINTO TELEF VEGA BUSCA 3.3 % 4.0 %.3 % 5.3 % EXAUSTIVA REDE 4.0 % 39. % 34.7 % 40.7 % NEURAL SOLUÇÃO NÃO PÉSSIMA 4. % 9. % 39.6 % 68.4 % Tab. - Dstorção espectral relatva. Uma outra medda objetva de desempenho, a taxa de acertos (número de segmentos recolocados em seus locas de manera acertada pelo número total de segmentos do snal), é mostrada na tab..
6 SCHOOL SINTO TELEF VEGA BUSCA 7.7 % 65.6 % 63. % 9. % EXAUSTIVA REDE 56. % 40.6 % 3.5 % 56.6 % NEURAL SOLUÇÃO NÃO PÉSSIMA 5.3 %.5 %.5 % 9.8 % Tab. - Taxa de acertos (# segmentos certos / # total de segmentos ). 6. Conclusão Dos resultados obtdos na Seção 5 e após ouvr-se os snas crptoanalzados, podemos conclur que o método proposto consegue recuperar a ntelgbldade do snal cfrado e apresenta um resultado bem melhor que o método da busca da sequênca não-péssma, embora não tenha a mesma qualdade da busca exaustva. A grande vantagem que podemos apontar é a possbldade de usar a mesma déa básca, com algumas modfcações (uso de Smulated Annealng com dstrbução de Cauch tem apresentado expressvos resultados), no caso de termos um número maor de segmentos (6 é um número consderavelmente maor no contexto e encontrado na prátca) onde a busca exaustva não é factível em tempo computaconal. Referêncas Apolnáro Jr., José Antono, Crptoanálse de Snas de Voz Cfrados por Permutação de Segmentos Temporas, Dssertação de Mestrado, UnB, Brasíla, Junho de 993. Apolnáro Jr., José Antono, Crptoanálse de Snas de Voz Cfrados por Permutação de Segmentos Temporas Baseada Em Dstâncas Espectras, Anas do o Smpóso Braslero de Telecomuncações, Natal, 993. Cchok, A. e Unbehauen, R., Neural Networks for Optmzaton and Sgnal Processng, John Wle, 993. Cowan, C.F.N. e Grant, P.M., Adaptve Flters, Englewood Clffs, Prentce-Hall, 985. Hakn, Smon, Neural Networks - A Comprehensve Foundaton, Macmllan College Publshng Compan, Inc., 994. Hopfeld, J.J., Neural networks and phscal sstems wth emergent collectve computatonal abltes, n "Procedngs of the Natonal Academ of Scences - USA", vol. 79, abrl de 98, pp Hopfeld, J.J., Neurons wth graded response have collectve computatonal propertes lke those of two-state neurons, n "Procedngs of the Natonal Academ of Scences - USA", vol. 8, mao de 984, pp Markel, J.D. e Gra Jr., A.H., Lnear Predcton of Speech, Berln, Sprnger-Verlag, 976. Srdharan, S., Dawson, E. e Goldburg, B., Fast Fourer Transform Based Speech Encrpton Sstem, n "IEE Proceedngs-I", vol. 38, n. 3, junho 99, pp 5-3. Wasserman, Phllp D., Neural Computng - Theor and Pratce, Van Nostrand Renhold, 989.
3 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 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 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 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 maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia 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 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 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 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 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 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 mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
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 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 maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia mais0.5 setgray0 0.5 setgray1. Mecânica dos Fluidos Computacional. Aula 7. Leandro Franco de Souza. Leandro Franco de Souza p.
Leandro Franco de Souza lefraso@cmc.usp.br p. 1/1 0.5 setgray0 0.5 setgray1 Mecânca dos Fludos Computaconal Aula 7 Leandro Franco de Souza Leandro Franco de Souza lefraso@cmc.usp.br p. 2/1 Equações Dferencas
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
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 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 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 maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia 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 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 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 maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
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 mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia 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 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 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 mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia 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 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 maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia 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 maisModelagem do Transistor Bipolar
AULA 10 Modelagem do Transstor Bpolar Prof. Rodrgo Rena Muñoz Rodrgo.munoz@ufabc.edu.br T1 2018 Conteúdo Modelagem do transstor Modelo r e Modelo híbrdo Confgurações emssor comum, base comum e coletor
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 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 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 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 maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia 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 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 maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisÍndices de Concentração 1
Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco
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 maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia 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 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 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 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 maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisELE0317 Eletrônica Digital II
2. ELEMENTOS DE MEMÓRIA 2.1. A Lnha de Retardo A lnha de retardo é o elemento mas smples de memóra. Sua capacdade de armazenamento é devda ao fato de que o snal leva um certo tempo fnto e não nulo para
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 maisUm Estudo Comparativo Entre Diferentes Técnicas de Otimização do Treinamento de Neurocontroladores
Proceedngs of the IV Brazlan Conference on Neural Networks - IV Congresso Braslero de Redes Neuras pp. 29-24, July 2-22, 999 - ITA, São José dos Campos - SP - Brazl Um Estudo Comparatvo Entre Dferentes
Leia maisRealimentação negativa em ampliadores
Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisGABARITO ERP19. impedância total em pu. impedância linha em pu; impedância carga em pu; tensão no gerador em pu.
GABARITO ERP9 Questão mpedânca total em pu. mpedânca lnha em pu; mpedânca carga em pu; tensão no gerador em pu. Assm, tem-se que: ( ). Mas, ou seja: : ( ).. Logo: pu. () A mpedânca da carga em pu,, tem
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. 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 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 maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia mais2ª PARTE Estudo do choque elástico e inelástico.
2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
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 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 maisESTUDO DA MÁQUINA SIMÉTRICA TRIFÁSICA
CAPÍTUO ETUDO DA ÁQUINA IÉTICA TIFÁICA. INTODUÇÃO A máquna de ndução trfásca com rotor bobnado é smétrca. Apresenta estruturas magnétcas clíndrcas tanto no rotor quanto no estator. Os enrolamentos, tanto
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia 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 mais4 Autovetores e autovalores de um operador hermiteano
T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
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 mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 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 maisAlgoritmos de Codificação Simétricos
Algortmos de Codfcação Smétrcos Hugo Valente e Ivo Navega SSI TPC. A rede de estel consste numa cfra de bloco com uma estrutura específca, a qual permte trar vantagem do facto de puder ser usada quer para
Leia maisRESTAURAÇÃO DE IMAGENS ATRAVÉS DE FILTRAGEM DE KALMAN USANDO PROGRAMAÇÃO EVOLUCIONÁRIA
RESTAURAÇÃO DE IMAGENS ATRAVÉS DE FILTRAGEM DE KALMAN USANDO PROGRAMAÇÃO EVOLUCIONÁRIA RONALDO F. ZAMPOLO, RUI SEARA E ORLANDO J. TOBIAS LINSE: Crcutos e Processamento de Snas Departamento de Engenhara
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 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 maisDinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc
Dnâmca Estocástca Insttuto de Físca, outubro de 2016 1 Dnâmcas estocástcas para o modelos defndos em redes Sstema defndo em um retculado em um espaço de d dmensões Exemplo: rede quadrada d=2 em que cada
Leia maisdo Semi-Árido - UFERSA
Unversdade Federal Rural do Sem-Árdo - UFERSA Temperatura e Calor Subêna Karne de Mederos Mossoró, Outubro de 2009 Defnção: A Termodnâmca explca as prncpas propredades damatéra e a correlação entre estas
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 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 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 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 maisCaderno de Fórmulas em Implementação. SWAP Alterações na curva Libor
Caderno de Fórmulas em Implementação SWAP Alterações na curva Lbor Atualzado em: 15/12/217 Comuncado: 12/217 DN Homologação: - Versão: Mar/218 Índce 1 Atualzações... 2 2 Caderno de Fórmulas - SWAP... 3
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. UFRGS Insttuto de Matemátca
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
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 maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia mais