Heurísticas e Heurísticas Construtivas
|
|
- Eduardo Soares Paixão
- 7 Há anos
- Visualizações:
Transcrição
1 CORDENONSI, A.Z. Ambetes, Obetos e Dalogcdade: Uma Estratéga de Eso Superor em Heurístcas e Metaheurístcas. Tese de Doutorado: Programa de Pós-Graduação em Iformátca a Educação UFRGS, Heurístcas e Heurístcas Costrutas O termo heurístco proê do grego heurske = descobrr, do mesmo radcal que deu orgem a palara heureca, mortalzada pelo matemátco e flósofo grego Arqumedes. Uma heurístca é um procedmeto algorítmco deseoldo atraés de um modelo cogto, usualmete atraés de regras baseadas a experêca dos deseoledores. Ao cotráro dos métodos exatos, que buscam ecotrar uma forma algorítmca de achar uma solução ótma atraés da combação ou busca de todas as soluções possíes, as heurístcas ormalmete tedem a apresetar um certo grau de cohecmeto acerca do comportameto do problema, gerado um úmero muto meor de soluções. Os métodos heurístcos eglobam estratégas, procedmetos e métodos aproxmatos com o obeto de ecotrar uma boa solução, mesmo que ão sea a ótma, em um tempo computacoal razoáel. Algumas defções de heurístcas ecotradas a lteratura são ctadas a segur:...procedmetos smples, a meudo basados e el setdo comú, que se supoe ofrecerá ua buea solucó (auque o ecesaramete la óptma) a problemas dfícles, de u modo fácl y rápdo. (ZANAKIS, EVANS, 98 apud DIAZ, 996) Para resoler efcetemete mutos problemas dfíces, geralmete é ecessáro comprometer as exgêcas de mobldade e sstematcdade e costrur uma estrutura de cotrole que ão garata ecotrar a melhor resposta, mas que quase sempre ecotre uma resposta muto boa.... a heurístca é uma técca que melhora a efcêca de um processo de busca, posselmete sacrfcado pretesões de completeza. (RICH, KNIGHT, 993) Exstem mutos fatores que toram teressate a utlzação de algortmos heurístcos a resolução de um determado problema (DIAZ et al., 996): quado ão exste um método exato para a resolução deste problema ou o mesmo requer um tempo muto alto de processameto. Neste caso, oferecer uma solução boa é melhor do que ão ter ehuma solução; quado ão é ecessára a solução ótma, pos as soluções obtdas á são razoáes; quado os dados são pouco cofáes. Neste caso, a busca pela solução ótma ão tem setdo, pos a mesma será uma aproxmação da realdade; quado lmtações de tempo e/ou dhero obrguem a utlzação de métodos de resposta rápda; como passos termedáros de outros algortmos, potecalmete exatos ou heurístcos.
2 As heurístcas podem ser dddas, em termos pedagógcos, em costrutas, melhorameto e metaheurístcas. As duas prmeras serão abordadas esta seção e as metaheurístcas serão cosderadas a parte, a seção Uma heurístca costruta, ou míope, para o PCV, cosste em tetar ecotrar uma boa rota, cosderado a cada teração somete o próxmo passo, ou sea, o crtéro de escolha é bascamete local (CAMPELLO, MACULAN, 994). Ela parte de uma solução aza e costró a rota, serdo sempre uma cdade de cada ez, até atgr a rota completa. Algortmos costrutos ão possuem ehum esquema de backtrackg, ou sea, após serr uma cdade, ão é possíel retrá-la da rota. Um algortmo geérco para uma heurístca costruta pode ser sualzado a fgura. Etrada : um értceν cal Saída : um cclo hamltoao [... ] C = custo etre os értces e N = { a, b,..., } couto de értces Ice o cclo com apeas o értce cal ν Cclo [ ν ] N N [ ν ] ENQUANTO N Ø Escolha um értce κ atraés de um crtéro α Cclo Cclo + [ κ ] N N [ κ ] Fgura - Heurístca costruta geérca para o PCV As heurístcas de melhorameto, por sua ez, cam á com uma solução factíel. Uma rota é cosderada factíel se ela satsfaz todas as restrções presetes a formulação matemátca represetada a fgura 3, ou sea, se ela cotém todos os értces do problema; se há somete um arco de etrada e um de saída para cada cdade; e se a rota forma um cclo completo, retorado oamete para o poto de partda. Desta forma, a heurístca trabalha o melhorameto da solução atual, atraés da realzação de passos sucessos. Usualmete, estes passos realzam a exclusão e clusão de arcos ou értces a esta rota, de forma a pesqusar a zhaça da solução em busca de uma rota de melhor qualdade. O termo zhaça se refere a rotas que se ecotram próxmas o espaço de busca das soluções, que podem ser alcaçadas atraés de um mometo. Por mometo em um espaço de busca, se etede a aplcação de uma regra ou fução que altere a solução atual, gerado uma oa solução. Um dos mometos mas smples para o caxero aate é o swap, represetado pela smples troca de posção etre duas cdades. Por exemplo, em um tour de quatro cdades, as rotas {A,B,C,D,A} e {A,B,D,C,A} são cosderadas zhas, pos é possíel obter a cdade zha pela smples troca das posções das cdades C e D (swap). No etato, as rotas {A,B,C,D,A} e {A,D,C,B,A} exgem um maor úmero de trocas para que seam cosderadas zhas atraés do 2
3 mometo swap. É mportate obserar que, para mometos dferetes, a estrutura de zhaça também se altera. As heurístcas de melhorameto param, usualmete, quado ehuma outra troca possíel melhora o resultado atual, o que é cosderado um ótmo local. Este ótmo local pode, eetualmete, ser o ótmo global, ou sea, a melhor solução possíel para o problema, mas ão há garatas em relação a este fato, como em todos os procedmetos heurístcos. O gráfco da fgura 2 apreseta esta relação. A heurístca de melhorameto ca a partr de uma solução cal, que é represetada por um poto o gráfco. A partr deste mometo, atraés do crtéro de zhaça adotado, ele busca soluções ao seu redor e, o caso do gráfco apresetado, reduz o custo da solução até o segudo poto em destaque, o ótmo local. No etato, este mometo a heurístca cessa seu fucoameto. Como é possíel obserar, todas as soluções zhas à rota do ótmo local possuem um alor superor à própra solução. Desta forma, o algortmo pára e exbe como resposta o ótmo local, gorado as possbldades que poderam lear o algortmo a, mas tarde, ecotrar um ótmo global, represetado grafcamete como o últmo poto em destaque da fgura 7. Cabe saletar, oamete, que ão há garatas que o prmero poto, o ótmo local, ão sea realmete o ótmo global, ou sea, se a busca cotuasse defdamete, exste sempre a possbldade de ão haer outras melhoras a serem ecotradas. Fgura 2 - Ótmo local e global Um algortmo geérco para as heurístcas de melhorameto pode ser sualzado a fgura 3. 3
4 Etrada : um cclo hamltoao [... ] Saída : um cclo hamltoao [... ] C = custo etre os értces e β = crtéro de zhaça solucao _ cumbete = Etrada cotrole = erdadero ENQUANTO cotrole = erdadero FAÇA cotrole = SOL = gerar _ todas _ solucoes _ zhas( β, solucao _ cumbete) ENQUANTO SOL Ø FAÇA SE custo( α) < custo( solucao _ cumbete) ENTÃO solucao _ cumbete = α cotrole = erdadero FIM SE falso α = SOL[topo] SOL SOL [ topo] FIM _ ENQUANTO Fgura 3 - Heurístca de melhorameto geérca para o PCV Fgura Heurístca Costruta: Algortmo Aleatóro Este algortmo, de smples defção e costrução, fo mplemetado o obeto LOBO por se tratar da déa mas smples possíel para a resolução do Problema do Caxero Vaate. Tal escolha se ustfca para exemplfcar aos aluos que, em problemas de otmzação combatóra, bos resultados só são cosegudos atraés de muto esforço. Soluções tras obtêm resultados tras; boas soluções são obtdas após uma aálse cudadosa e crterosa do problema, estrutura e suas característcas. A fgura 5 apreseta a formulação desta heurístca, que cosste, bascamete, a smples serção de oos értces à solução de forma aleatóra, ou sea, ão exste um crtéro para a serção de um oo értce. Todos os értces cocorrem para a serção em uma determada posção da solução com as mesmas chaces. 4
5 Etrada : um értceν cal Saída : um cclo hamltoao s [... ] Sea α [... ] ( cdades ão cluídas a rota) Ice o cclo com apeas o értce cal ν s [ ν ] α = α [ ] ENQUANTO α φ Selecoe aleatoramete um értce k α Isra o értce k em s s k α = α [ k] Fgura 5 - Heurístca Costruta: Algortmo Aleatóro..2 Heurístca costruta: Vzho Mas Próxmo A escolha da heurístca do zho mas próxmo para a mplemetação do LOBO fo decdda por três fatores fudametas: smplcdade: o algortmo é muto smples de eteder e se basea em um coceto geérco; produz resultados razoáes: apesar de sua smplcdade e de apresetar dfculdades em problemas maores, os resultados obtdos pela heurístca são razoáes como poto de partda para outras soluções (algortmos de melhorameto); a déa é faclmete recohecda pelos aluos: o processo das aulas, sem a apresetação da heurístca, áros aluos tedem a costrur, em formas geras, uma heurístca do zho mas próxmo caso seam struídos a resoler o problema. O algortmo da fgura 6 apreseta o formalsmo da heurístca do Vzho Mas Próxmo. Em resumo, esta heurístca trabalha da segute forma: o cclo ca com uma cdade atual e, a partr desta, ecotra a próxma cdade k de forma que o custo (usualmete a dstâca) de lgação etre as duas cdades sea mímo. Ao ecotrar esta cdade k, o algortmo sere a mesma o fal do cclo e repete a operação até que todas as cdades perteçam à solução. Falmete, o cclo é fechado lgado a cdade cal à cdade fal. Não é permtdo star uma cdade duas ezes ou modfcar uma escolha, ou sea, após uma cdade ser serda em uma determada posção da rota, ela ão sofrerá ehuma modfcação de poscoameto. 5
6 Etrada : um értceν cal Saída : um cclo hamltoao s [... ] Sea α [... Ice o cclo com apeas o értce cal ν s ν α = α [ ] ultma _ cdade = ENQUANTO α φ = s[ ultma _ cdade] = cdade de α de meor dst com s α = α [ ] ultma _ cdade = ultma _ cdade + Feche o cclo ] ( cdades ão cluídas a rota) s ν Fgura 6 - Heurístca Costruta: Vzho Mas Próxmo A déa que permea esta heurístca está o fato de buscar serr a solução fal os meores arcos, ou sea, as lgações etre duas cdades que apresetam o meor custo. Esta premssa é erdadera para as prmeras lgações. No etato, a medda em que o algortmo prossegue, as escolhas dmuem e cresce a possbldade de serr arcos de custo eleado. A fgura 7 apreseta o resultado da aplcação desta heurístca para o problema pr76.tsp. O alor da fução obeto para este problema fo de 53.46,92 em um tempo de.0 segudos. Vale lembrar que o alor ótmo para o problema em questão é de 08.59,43. 6
7 Fgura 7 - Aplcação da Heurístca Vzho Mas Próxmo sobre o problema pr76.tsp..3 Heurístca costruta: Iserção Mas Dstate A heurístca da serção mas dstate cotrapõe a do zho mas próxmo por serr cdades a solução fal de forma a ão gerar cruzametos de rotas. O algortmo ca com uma sub-rota que só cotém a cdade de orgem. Para cada cdade(l) que ão estea a rota, é calculado a dstâca míma etre l e todas as cdades que esteam a rota, e armazeado a meor dstâca, que chamaremos m_dst(l). Depos, é escolhda a cdade(k), tal que m_dst(k) sea máxma. Falmete, o local de serção de k a sub-rota atual é dada pelo par de értces e, lgado k a forma (,k) e (k,), mmzado c k + c k c Desta forma, a sub-rota atual são serdos os arcos (,k) e (k,) e retrado o arco (,). Falmete, o cclo reca, agora com o úmero de cdades fora da sub-rota dmuído de um. Exstem áras arates deste algortmo, cludo: serção mas próxma: é escolhdo a cdade(k), tal que m_dst(k) sea mímo; serção mas barata: para cada cdade(k) que ão estea a rota e o par de értces (,k) e (k,) que lgam a cdade(k) a sub-rota atual, ecotrar o custo 7
8 dado pela fórmula ateror. É escolhdo para serção a cdade(k) cuo custo calculado aterormete sea mímo. Estas duas arates são apresetadas em (REI, 994). O formalsmo da heurístca da serção mas dstate é apresetado a fgura 8. Etrada : um értceν cal Saída : um cclo hamltoao s [... ] Sea α [... ] ( cdades ão cluídas a rota) Ice o cclo com apeas o értce cal ν s ν α = α [ ] mas _ dst = 0 k = 0 ( értce escolhdo) ENQUANTO α φ PARA cada értce V α FAÇA FIM PARA meor _ custo = + V d SE d FIM SE = 0; V PARA cada par de értces (, ) s FAÇA custo = c SE custo < meor _ custo ENTÃO V FIM SE FIM PARA s k ( etre V α = α [ k] k = V = ; V = max( dst( V, s)) > mas _ dst ENTÃO mas _ dst = d = 0 ( értces ateror e posteror) + c meor _ custo = custo k e V k = ) c Fgura 8 - Heurístca Costruta: Iserção Mas Dstate 8
9 A aplcação do algortmo produz uma solução que é cada pelas potas, como se fosse uma corda em círculo que é estcada prmeramete as potas e depos leada até os potos terores. Esta forma de atuação permte que o algortmo ão produza cruzametos, se o problema respetar a desgualdade do trâgulo. Vsualmete, é possíel obserar o desempeho o algortmo a fgura 9, que apreseta quatro estágos progressos da aplcação da heurístca para o problema pr76.tsp. O alor da fução obeto para este problema fo de 9.962,93 em um tempo de.0 segudos. Fgura 9 - Aplcação da Heurístca Iserção Mas Dstate sobre o problema pr76.tsp 9
Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia mais16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:
6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu
Leia maisProblema de roteirização de veículos com entregas fracionadas: revisão da literatura
XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 Problema de roterzação de eículos com etregas fracoadas: resão da lteratura Patríca Prado Belfore (Cetro Uerstáro da FEI) patrca.belfore@fe.edu.br
Leia maisProjeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão
Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia maisBruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação
Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;
Leia maisAlgoritmo Evolução Diferencial Adaptado para o Problema das P-Medianas
Proceedg Seres of the Brazla Socety of Appled ad Computatoal Mathematcs, Vol. 2, N., 204. Trabalho apresetado o CMAC-Sul, Curtba-PR, 204. Algortmo Evolução Dferecal Adaptado para o Problema das P-Medaas
Leia maisComputação das Medidas de Tendência Central e Dispersão Intervalares em Java
V ERMAC-R o Ecotro Regoal de Matemátca Aplcada e Computacoal 9- de outubro de 00 Uersdade Potguar Natal/RN Computação das Meddas de Tedêca Cetral e Dspersão Iteralares em Jaa Laís M. Nees, Elaqum L. S.
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisCapítulo 8. Método de Rayleigh-Ritz
Grupo : Gustavo de Souza Routma; Luís Ferado Hachch de Souza; Ale Pascoal Palombo Capítulo 8. Método de Raylegh-Rtz 8.. Itrodução Nos problemas de apromação por dfereças ftas, para apromar a solução para
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisArquitetura da ART Controle 1 Controle 2
Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme
Leia maisComplexidade Computacional da Determinação da Correspondência entre Imagens
Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisFísica IV Poli Engenharia Elétrica: 8ª Aula (28/08/2014)
Físca IV Pol Egehara Elétrca: 8ª Aula (8/08/014) Prof. Alvaro Vaucc Na últma aula vmos: Resolução de Images: segudo o crtéro estabelecdo por Raylegh que quado o máxmo cetral devdo à dfração das odas do
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisProjeto e Análise de Algoritmos Aula 15: Classes de Complexidade P, NP (GPV 8.1,8.2)
Projeto e Aálse de Algortmos Aula 5: Classes de Complexdade P NP (GPV 8.8.2) DECOM/UFOP 202/2 5º. Período Aderso Almeda Ferrera Materal elaborado por: Adréa Iabrud Taares BCC24/202-2 BCC24/20-2 2 Objetos
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisComo CD = DC CD + DC = 0
(9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia mais6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS
7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisAlgoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações
Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisProf. Eugênio Carlos Stieler
UNEMAT Uversdade do Estado de Mato Grosso Matemátca Facera http://www2.uemat.br/eugeo SÉRIE DE PAGAMENTOS 1. NOÇÕES SOBRE FLUXO DE CAIXA Prof. Eugêo Carlos Steler Estudar sem racocar é trabalho perddo
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia maisEx: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20
. MEDIDAS DE TENDÊNCIA CENTRAL (OU DE POSIÇÃO) Coceto: São aquelas que mostram o alor em toro do qual se agrupam as obserações.. MÉDIA ARITMÉTICA ( ) Sea (x, x,..., x ), uma amostra de dados: Se os dados
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisTREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS UTILIZANDO ENHANCED-CONTINUOUS-GRASP
Aas do IX Cogresso Braslero de Redes Neuras /Itelgêca Computacoal (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Socedade Braslera de Redes Neuras TREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS
Leia maisMEDIDAS DE CENTRALIDADE EM GRAFOS
MEDIDAS DE CENTRALIDADE EM GRAFOS Leadro Qutalha de Fretas Dssertação de Mestrado apresetada ao Programa de Pós-graduação em Egehara de Produção, COPPE, da Uersdade Federal do Ro de Jaero, como parte dos
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Leia mais( ) Editora Ferreira - Toque de Mestre. Olá Amigos!
Olá Amgos! Hoje coloco à dsposção de vocês aqu a seção Toque de Mestre da Edtora Ferrera (www.edtoraferrera.com.br) as questões de Matemátca Facera cobradas o últmo cocurso da axa Ecoômca Federal (EF),
Leia maisESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas
Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas
Leia mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisCapítulo V - Interpolação Polinomial
Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte
Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisMÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso
Leia maisProf. Eugênio Carlos Stieler
http://www.uemat.br/eugeo Estudar sem racocar é trabalho 009/ TAXA INTERNA DE RETORNO A taa tera de retoro é a taa que equalza o valor presete de um ou mas pagametos (saídas de caa) com o valor presete
Leia maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisSumário. Mecânica. Sistemas de partículas
Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -
Leia maisFerramenta Avaliativa Pedagógica para Cursos a Distância Baseada em Testes Adaptativos Informatizados e Teoria de Resposta ao Item
Ferrameta Avalatva Pedagógca para Cursos a Dstâca Baseada em Testes Adaptatvos Iformatzados e Teora de Resposta ao Item Fabríca Damado Satos (UFG) fdamado@ufgvrtual.ufg.br Lucíla Rbero (UFG) lucla@f.ufg.br
Leia maisApostila de Introdução Aos Métodos Numéricos
Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
Leia mais3 Análises Probabilísticas de Estabilidade
3 Aálses Probablístcas de Establdade 3.1 Itrodução Para facltar o etedmeto das metodologas de aálse de cofabldade serão apresetados este capítulo algus cocetos báscos de probabldade e estatístca. 3. Cocetos
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia maisCapítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES
Cemátca da Posção de Robôs Mapuladores Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES A cemátca de um robô mapulador é o estudo da posção e da velocdade do seu efetuador e dos seus lgametos. Quado
Leia maisMATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA. Silvio A. de Araujo Socorro Rangel
MATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA Slvo A. de Arauo Socorro Ragel sarauo@blce.uesp.br, socorro@blce.uesp.br Apoo Facero: PROGRAMA Itrodução. Modelagem matemátca: cocetos báscos
Leia maisIntrodução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares
Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado
Leia maisUma Calculadora Financeira usando métodos numéricos e software livre
Uma Calculadora Facera usado métos umércos e software lvre Jorge edraza Arpas, Julao Sott, Depto de Cêcas e Egeharas, Uversdade Regoal ItegradaI, URI 98400-000-, Frederco Westphale, RS Resumo.- Neste trabalho
Leia maisÍNDICE DE TERMOS: MOTOR DEDICADO, PADRONIZAÇÃO;
Aplcação de Motores de Méda esão dedcados acoados por versor de frequêca e utlzação de um úco projeto em dferetes solctações de carga. Gleuber Helder Perera Rodrgues Esp. Eg. WEG Brasl gleuber@weg.et Alex
Leia maisMomento Linear duma partícula
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Mometo lear de uma partícula e de um sstema de partículas. - Le fudametal da dâmca para um sstema de partículas. - Impulso
Leia maisOrdenação: Introdução e métodos elementares. Algoritmos e Estruturas de Dados II
Ordeação: Itrodução e métodos elemetares Algortmos e Estruturas de Dados II Ordeação Objetvo: Rearrajar os tes de um vetor ou lsta de modo que suas chaves estejam ordeadas de acordo com alguma regra Estrutura:
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisEstabilidade no Domínio da Freqüência
Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;
Leia maisCapitulo 1 Resolução de Exercícios
S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisUso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii
Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia mais3 Procedimento Experimental
3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5
Leia maisOSVALDO INAREJOS FILHO SOBRE A NÃO-LINEARIDADE DO PROBLEMA DA MOCHILA COMPARTIMENTADA
OSVALDO INAREJOS FILHO SOBRE A NÃO-LINEARIDADE DO PROBLEMA DA MOCHILA COMPARTIMENTADA Lodra 205 OSVALDO INAREJOS FILHO SOBRE A NÃO-LINEARIDADE DO PROBLEMA DA MOCHILA COMPARTIMENTADA Dssertação de mestrado
Leia maisCursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade
Celso Albo FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhaguee, Av. de Moçambque, km, Tel: +258 240078, Fax: +258 240082, Maputo Cursos de Lcecatura em Eso de Matemátca
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia maisRegressao Simples. Parte II: Anova, Estimação Intervalar e Predição
egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a
Leia maisRegressão. Pedro Paulo Balestrassi
Regressão Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 5-696 / 88776958 (cel) Questoametos comus: Como mplemetar a equação Y=f(X) a partr de dados hstórcos ou epermetas? Como fazer
Leia maisPerguntas Freqüentes - Bandeiras
Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada
Leia maisA PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA
Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo
Leia mais50 Logo, Número de erros de impressão
Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de
Leia maisMaterial Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio
Materal Teórco - Módulo de MATEMÁTICA FINANCEIRA Facametos Prmero Ao do Eso Médo Autor: Prof Fracsco Bruo Holada Autor: Prof Atoo Camha Muz Neto 20 de agosto de 2018 1 Itrodução Neste materal, remos aplcar
Leia maisCAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA
Polômos de Jacob e CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA III--)INTRODUÇÃO Para um melhor etedmeto do método da colocação ortogoal e sua relação com o método dos resíduos poderados (MRP),
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisPrevisão de demanda quantitativa Regressão linear Regressão múltiplas Exemplos Exercícios
Objetvos desta apresetação Plaejameto de produção: de Demada Aula parte Mauro Osak TES/ESALQ-USP Pesqusador do Cetro de Estudos Avaçados em Ecooma Aplcada Cepea/ESALQ/USP de demada quattatva Regressão
Leia mais( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito.
PMR 40 Mecâca Computacoal Método Implícto No método mplícto as dfereças são tomadas o tempo ao vés de tomá-las o tempo, como o método explícto. O método mplícto ão apreseta restrção em relação ao valor
Leia maisCapítulo 6 - Centro de Gravidade de Superfícies Planas
Capítulo 6 - Cetro de ravdade de Superfíces Plaas 6. Itrodução O Cetro de ravdade (C) de um sóldo é um poto localzado o própro sóldo, ou fora dele, pelo qual passa a resultate das forças de gravdade que
Leia maisHIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia
Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e
Leia maisUMA NOVA ABORDAGEM PARA O CÁLCULO DE LIMITANTES PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 UMA NOVA ABORDAGEM PARA O CÁLCULO DE LIMITANTES PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
Leia maisFundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques
FUNÇÕES POLINOMIAIS4 Gl da Costa Marques Fudametos de Matemátca I 4.1 Potecação de epoete atural 4. Fuções polomas de grau 4. Fução polomal do segudo grau ou fução quadrátca 4.4 Aálse do gráfco de uma
Leia maisRegressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança
Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total
Leia maisIvan G. Peyré Tartaruga. 1 Metodologia espacial
RELATÓRIO DE PESQUISA 5 Procedmetos o software ArcGIS 9. para elaborar os mapas da Regão Metropoltaa de Porto Alegre RMPA com as elpses de dstrbução drecoal etre 99 e 000 Iva G. Peré Tartaruga Metodologa
Leia maisALINHAMENTO DE PROCRUSTES
ALINHAMENO DE PROCRUSES Paulo Vctor Rodrgues Ferrera, Raer Gumarães Fraça, Eda Lúca Flôres, Glberto Arates Carrjo Uversdade Federal de Uberlâda Faculdade de Egehara Elétrca (FEEL) Uberlâda Mas Geras paulovrf@hotmal.com,
Leia maisOrdenação por Partição (Quick Sort)
Vectores: Algortmos de Ordeação (2) Algortmos e Estruturas de Dados 2009/2010 Ordeação por Partção (Quck Sort) Algortmo (ordeação por partção): 1. Caso básco: Se o úmero () de elemetos do vector (a) a
Leia maisA REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
Leia maisPLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS
Professor Luz Atoo de Carvalho PLANO PROBABILIDADES Professora Rosaa Relva DOS Números Iteros e Racoas COMPLEXOS rrelva@globo.com Número s 6 O Número Por volta de 00 d.c a mpressão que se tha é que, com
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia mais