ANÁLISE DA INFLUÊNCIA DOS VENTOS EM CONFLITOS ENTRE AERONAVES NO ESPAÇO AÉREO. Raphael Quachio¹ Ítalo Romani de Oliveira² Paulo Sérgio Cugnasca¹

Tamanho: px
Começar a partir da página:

Download "ANÁLISE DA INFLUÊNCIA DOS VENTOS EM CONFLITOS ENTRE AERONAVES NO ESPAÇO AÉREO. Raphael Quachio¹ Ítalo Romani de Oliveira² Paulo Sérgio Cugnasca¹"

Transcrição

1 ANÁLISE DA INFLUÊNCIA DOS VENTOS EM CONFLITOS ENTRE AERONAVES NO ESPAÇO AÉREO Raphael Quacho¹ Ítalo Roma de Olvera² Paulo Sérgo Cugasca¹ ¹Departameto de Egehara de Computação e Sstemas Dgtas Escola Poltécca da Uversdade de São Paulo ²Atech Tecologas Crítcas RESUMO Este artgo fo desevolvdo a área de smulação acelerada de tráfego aéreo e tem dos objetvos prcpas: o prmero é aalsar a mportâca dos vetos a smulação de cofltos de espaço aéreo, e o segudo é aalsar uma versão aperfeçoada de um modelo de vetos, desevolvdo calmete em sttuções européas de pesqusa. Para atgr esses objetvos, fo ecessáro desevolver um modelo de cotrole de aeroave, um ceáro de espaço aéreo e uma metodologa de geração estocástca de aeroaves ao logo do tempo e do espaço. Uma das prcpas coclusões deste trabalho é que o modelo europeu de vetos aperfeçoado tem um comportameto bem próxmo do orgal, mas esse apreseta um gaho sgfcatvo de efcêca computacoal. A preseça de veto flueca as taxas de coflto, mas efeto vara de ceáro para ceáro, podedo cotrbur para uma tedêca pessmsta, otmsta ou eutra o rsco de coflto obtdo em cada caso. ABSTRACT Ths artcle, o ar traffc accelerated smulato, has two ma objectves: Frstly to aalyze the mportace of wd the coflcts betwee arcrafts the arspace, ad, secodly, to aalyze a optmzed verso of a wd model orgally developed by a Europea research group. To acheve these objectves, t has bee ecessary to develop the model of the arcraft cotrollg system, as well as, a arspace scearo, ad a methodology to stochastcally geerate the arcrafts both space ad tme. Oe of the ma coclusos of ths work s that the optmzed wd model has a behavor smlar to the orgal model, wth the advatage that t has preseted a cosderable ga o computatoal effcecy. The presece of the wd affects all coflct rates, varyg from case to case, cotrbutg wth a tedecy, ether pessmstc, or optmstc or eutral, o each coflct rate. 1. INTRODUÇÃO De acordo com a INFRAERO (2008), o ao de 2007 fo regstrado um total de movmetos (pousos e decolages) em seus aeroportos. Comparado com o ao de 2004, houve um aumeto de 14% o úmero de movmetos, observado-se uma tedêca sstemátca de crescmeto. O úmero de passageros cresceu ada mas esse período, chegado a 34%. Sabedo que exstem dversas regras vsado a garata da seguraça o espaço aéreo, mutos problemas podem surgr desse crescmeto (de fato, a avação cvl braslera passou por algumas crses os últmos aos), tas como sobrecarga de cotroladores de tráfego aéreo e super-ocupação de aeroportos. Daí surge a ecessdade de evolução a orgazação de tráfego aéreo e as tecologas utlzadas para seu gerecameto. Para ajudar a solucoar esses problemas, a computação é empregada tato em sstemas de auxílo ao cotrolador de tráfego aéreo, como em smulação de ovos ceáros de gerecameto de tráfego aéreo. Este trabalho apreseta uma cotrbução para decsões sobre o ível de realsmo a ser empregado as smulações, cosderado aquelas realzadas com o objetvo de medr a probabldade de coflto ou colsão o espaço aéreo. Etede-se aqu por coflto de espaço aéreo a stuação, presete ou futura, em que duas aeroaves em vôo se ecotram pergosa e devdamete próxmas uma da outra (OLIVEIRA, 2007). Os 358

2 objetvos de tas smulações é forecer evdêcas para decdr se as regras de tráfego e tecologas empregadas podem ser cosderadas ou ão seguras. Dversos autores desevolveram modelos estocástcos de aálse de rsco de coflto e colsão o espaço aéreo (BLOM et al., 2001; OLIVEIRA, 2007; VISMARI, 2007), ode se assume que os vetos ão têm fluêca sgfcatva o rsco de coflto, smplesmete com base em opões de especalstas do cotrole de tráfego aéreo. Por outro lado, Glover e Lygeros (2004), apresetam um método para clur o comportameto dos vetos os modelos probablístcos de tráfego aéreo, mas, até a presete data, tal método fo aplcado apeas em ceáros bastate lmtados de espaço aéreo (CHALOULOS, LYGEROS, 2007), com apeas duas aeroaves por vez, e duração de, o máxmo, 30 mutos de vôo, devdo à sua complexdade computacoal. Como a clusão de um modelo realsta de vetos exge mas recursos computacoas (tempo e memóra), este trabalho procura forecer formações para julgar a relação beefíco/custo de clur modelos realstas de veto em ceáros de smulação com úmeros maores de aeroaves e de loga duração. A Seção 2 deste trabalho apreseta o modelo probablístco de vetos e sua versão otmzada; a Seção 3 apreseta o modelo de uma aeroave e seu sstema de cotrole; a Seção 4 apreseta os ceáros de smulação de espaço aéreo utlzados este trabalho, bem como os resultados das smulações e a aálse da fluêca dos vetos os ídces de coflto etre aeroaves o espaço aéreo; e, por fm, a Seção 6 apreseta os cometáros fas deste trabalho. 2. O MODELO DE VENTOS Os vetos podem ter uma grade fluêca a realzação de vôos de aeroaves comercas. Essa fluêca é mas fortemete presete as stuações de rotas de loga dstâca, em que vetos de proa ou de popa podem causar uma varação cosderável o tempo de vôo, ou em pousos com veto cruzado, que exgem um grade poder de cotrole dos plotos ou dos sstemas automátcos. O uso de modelos em que o veto é aproxmado para um vetor costate já é um prmero passo para smulação da dâmca de vôo, mas proporcoa pouco realsmo, pos exste uma cosderável varação dos vetores de veto, tato espacalmete como ao logo do tempo. Sedo assm, a segur é troduzdo um modelo estocástco que smula os vetores de veto, por meo de vetores Gaussaos correlacoados, cuja méda é determada por dados obtdos das prevsões publcamete dspoíves. No caso do Brasl, essas prevsões são dspoblzadas as págas web da REDEMET, da Força Aérea Braslera. A segur, é descrto o modelo presete em (GLOVER, LYGEROS, 2004) e, após sso, sua versão otmzada Modelo de Veto Altamete Correlacoado O modelo de veto apresetado por Glover e Lygeros (2004) cosdera o veto statâeo como um vetor trdmesoal, cujas compoetes represetam as velocdades as três dreções caôcas do espaço (X,Y,Z). Os valores assumdos por este vetor são aleatóros e seguem uma dstrbução Gaussaa, cuja méda é gual ao valor forecdo pela prevsão meteorológca. A prmera cosderação a ser feta é que este vetor é sotrópco em X e Y, que, este modelo, represetam o plao da superfíce terrestre. A seguda cosderação é que o veto em cada uma dessas dreções é depedete. Outras hpóteses assumdas são que fatores de alta freqüêca, que represetam feômeos de turbulêca, são exstetes e, ada, que a compoete vertcal Z é sempre ula. Tas hpóteses são assumdas para 359

3 proporcoar um modelo mas smples, somado-se ao fato de que a correlação vertcal dos vetos deca rapdamete (CHALOULOS, LYGEROS, 2007). T T Cosdere duas extrações de vetores de veto, { t, [ x, y, z] }, e { t, [ x, y, z ] }, ode t e t represetam os states em que os respectvos vetores se stuam ao logo do tempo. A covarâca ρ etre estas extrações, segudo o modelo de Glover e Lygeros (2004), é dada por: xy T T 2 x x' ( t, [ x y z], t,[ x' y' z' ] ) = σ f ( t t ) f f ( p( z) p( z ) ) ρ xy t xy z y y' ode σ é o desvo padrão da velocdade do veto, gual a 7,7m/s, decameto de correlação ao logo do tempo, f xy e z correlação o plao XY e o exo Z, respectvamete, e (z) fução da alttude z. Tas fuções são dadas por: z p ( z) = f t χ 1/ χ ( χ) = 0, ,7755 e cos 2π χ f xy ( χ) = e, f z ( χ) = e, f t é a fução de f são as fuções de decameto de χ p é a pressão atmosférca em com as expressões e valores tedo sdo propostos por Glover, Lygeros e Macejowsk (2005). Assm, é possível calcular todos os elemetos da matrz de varâca-covarâca de um determado cojuto de potos, o que permte realzar as extrações de veto. Logo se observa que, para fazer essa extração dretamete, sera ecessáro cohecer a trajetóra descrta pela aeroave ates da smulação. Etretato, é possível trar proveto do fato de que uma matrz de varâca-covarâca é smétrca e postva defda e, portato, é possível aplcar a decomposção de Cholesky e obter as extrações de veto com partes cremetas da matrz, lha por lha, que represetam apeas os states passados. Este procedmeto, coforme apresetado em (GLOVER, LYGEROS, 2004), cosste em realzar a -ésma extração de veto de acordo com a segute fórmula: w = µ + Em que µ é a prevsão dspoível para a -ésma posção espaço-temporal; g é o valor extraído para uma varável aleatóra depedete, com dstrbução Gaussaa de méda zero e desvo padrão utáro, com = 1,..., 1 para as extrações aterores (valores de g armazeados a memóra), e = para a extração presete; e os coefcetes B são os termos da -ésma lha da matrz da decomposção de Cholesky para a matrz { ρ } de varâca-covarâca gerada pela fução de covarâca ρ O Modelo Otmzado e Sua Implemetação O modelo de vetos por Glover e Lygeros (2004) exge que todos os coefcetes = 1 B g xy, B e sejam armazeados juto com todos os valores de veto w e as extrações g, ou seja, o hstórco completo da smulação precsa ser matdo a memóra para que o próxmo vetor de ρ 360

4 veto seja calculado. Isso mplca uma complexdade espacal de O ( 2 ), ode é o úmero total de vetores de veto extraídos durate a smulação. Com o úmero de aeroaves N a e ao 2 2 O T. úmero de tervalos de tempo T, a complexdade espacal será, etão, ( ) Se aalsarmos a estrutura do problema, é possível observar que, coforme a matrz { ρ } va crescedo, as prmeras lhas da matrz têm mportâca reduzda o cálculo da últma lha, devdo ao decameto das correlações temporas e espacas. Dessa forma, uma smplfcação que pode ser mplemetada cosste em trucar as prmeras k lhas e coluas da matrz ρ, obtedo uma ova matrz de dmesões ( k) ( k). Isto sera equvalete a { } assumr que a smulação fo recada o state do trucameto. Esse procedmeto ão B porque os coefcetes da prmera podera ser realzado dretamete com a matrz { } colua são cosderavelmete maores que os demas. Se a prmera colua desta matrz for elmada, o sstema pode se torar dvergete, coforme fo observado emprcamete este B em fução da matrz trabalho. Sedo assm, é precso trucar { } trucada. Além dsso, por causa do peso maor da prmera colua de { B } ρ e recalcular a ova { } N a, é mportate armazear o valor de g 1 exstete ates do trucameto, e reutlzá-lo após o trucameto, coforme explcado a segur. Dessa maera, a ova fórmula para uma extração de veto, ρ, é a segute: cosderado a elmação das lhas e coluas 1,...,k da matrz { } w + + k 1g1 B( ) = k + 2 = µ + B g, Em que B ( k + 1) B é obtdo por ρ = B ( k + 1) ( k + 1)( k + 1) B = ρ 1 B j= k + 1 B B k B = ρ 1 j= k + 1 B 2 j Aálse Comparatva de Precsão Para verfcar a precsão desse modelo otmzado, fo realzada a smulação do veto em um poto fxo com veto omal de 35 ós de tesdade e 35 de dreção (ordeste), com uma extração a cada 10 segudos. O trucameto da matrz de varâca-covarâca fo realzado pela prmera vez aos 500 segudos, e a partr de etão a cada 200 segudos (k=200/10=20). Os módulos e as dreções dos vetores de veto obtdos são exbdos, respectvamete, as fguras 1 e 2. Observa-se, a Fgura 8, que a méda da tesdade dos vetos está em toro de 29 ós, o que podera parecer uma cotradção ate a méda omal de 35 ós. Etretato, é mportate lembrar que toda a seqüêca tem forte depedêca da prmera extração e, dado o desvo padrão de 7,7 ós (GLOVER, LYGEROS, 2004), os resultados toram-se compreesíves. Por meo dessas duas mages, é possível observar que, mesmo para uma taxa de atualzação cosderavelmete alta, de 10 segudos, os resultados do modelo otmzado ão dvergem sgfcatvamete do modelo orgal (houve uma dvergêca maor a dreção, mas o modelo orgal está com a maor flutuação fal, aparetemete devdo a erros cumulatvos). Além dsso, o modelo otmzado parece reduzr o efeto de erros cumulatvos, ao recar a matrz { } B perodcamete. 361

5 Fgura 8: Itesdade do veto, com otmzação e sem otmzação. Fgura 7: Dreção do veto, com otmzação e sem otmzação Aálse Comparatva de Desempeho O modelo otmzado utlzou uma matrz com tamaho máxmo 50 50, equato o modelo ão-otmzado o tamaho da matrz chegou a Esse espaço de memóra ão represeta ehum problema para um computador pessoal modero, mas é precso cosderar as stuações em que se deseja realzar smulações Mote Carlo com reamostragem por mportâca (OLIVEIRA, 2007), ode pode ser precso mater dezeas de mlhares de matrzes a memóra prcpal. Quado se realza o trucameto da matrz { ρ }, todos os coefcetes da ova matrz { B } 2 precsam ser recalculados, o que exge um tempo adcoal de O(( m k) ), a cada ρ. trucameto, para o modelo otmzado, ode m é o tamaho máxmo da matrz { } Cotudo, é precso cosderar que, com o tamaho da matrz drastcamete reduzdo, o úmero total de operações ecessáras para extração de cada vetor o modelo otmzado é cosderavelmete meor, e a sobrecarga do trucameto tem mpacto dluído, caso o tervalo etre trucametos seja grade o sufcete. Por exemplo, cosdere que, o modelo otmzado, defu-se m=50, k=20, e se procede a mlésma extração de veto. É precso etão calcular, o máxmo, 50 stâcas de coefcetes ρ, e 50 stâcas de coefcetes B ; o 2 2 custo de um trucameto é O (( m k) ) (50 20) / 2 = 450 coefcetes B (a matrz é tragular, por sso o fator ½), mas esse custo é dluído em 20 passos e, sedo assm, a sobrecarga para cada vetor de veto é de 22,5 coefcetes B ; dessa forma, o custo máxmo estmado para uma extração de veto é de 50 coefcetes ρ e 77,5 coefcetes B, depedetemete da duração da smulação. Por outro lado, pelo método ão otmzado, para extrar o mlésmo vetor de veto, sera ecessáro calcular 1000 coefcetes ρ e 1000 coefcetes B, e este úmero aumeta sucessvamete a cada ova extração. Cosderado esses úmeros, ota-se uma grade vatagem de tempo de computação para a versão otmzada. A dfereça de desempeho fo costatada a prátca, pos um procedmeto de cálculo de 2000 extrações de veto fo executado por 100 vezes, prmero com o método ão otmzado, com duração de 4045 s, e depos com o método otmzado, com duração de 42 s. 362

6 Cometáro sobre o modelo de veto A seção 4 mostra que o veto tem um papel mportate as smulações relacoadas à seguraça de tráfego aéreo e, portato, é desejável utlzar um modelo de veto mas realsta possível. Cotudo, é precso cosderar que, o caso de smulação Mote Carlo, será ecessáro executar mlhões de smulações, cada uma exgdo mlhares de extrações de veto. Sedo assm, o modelo otmzado, apresetado as seções aterores, proporcoa um bom compromsso etre desempeho e realsmo, exgdo quatdades váves de memóra RAM, e um tempo de computação muto meor que o modelo de veto orgalmete proposto por Glover e Lygeros (2004). 3. DINÂMICA DA AERONAVE Para as smulações a serem realzadas, além de um modelo realsta de veto, também é precso ter um modelo da dâmca de aeroave, cosderado a malha fechada de cotrole automátco que exste em todos os jatos comercas moderos. Esta malha é composta de sstemas que fazem com que a aeroave reaja ao veto ao qual é submetda em cada state, de forma a mater a trajetóra desejada e oferecer um ível de coforto acetável aos passageros. O modelo que descreve a dâmca da aeroave é esquematzado coforme a Fgura 3. Neste trabalho, assume-se que as aeroaves estão voado a uma alttude fxa de pés, em regme de cruzero, com a velocdade costate em relação à massa de ar crcudate. As dstâcas percorrdas são de, o máxmo, 200 mlhas áutcas, o que faz com que a perda de massa por quema de combustível seja pouco sgfcatva e, portato, cosdera-se a massa da aeroave costate. Seja x 1 a posção da aeroave o setdo oeste-leste, x 2 a posção da aeroave o setdo sul-orte, em relação a um dado poto de orgem, e x 3 o âgulo de proa da aeroave; seja u o âgulo de rolagem da aeroave, utlzada como etrada de cotrole, e T X = x, x, x ]. Sedo assm, a dâmca da aeroave pode ser defda por: [ g X& = v cos( x3 ) + w1, vs( x3 ) + w2, ta( u) v Uma forma bastate adequada de resolver esse sstema é pelo método de Ruge-Kutta de 5 quarta ordem, com erro de o ( X ), para o qual o passo de tempo de 1 segudo proporcoou bos resultados. A posção cal da aeroave é arbtrára, mas o âgulo de proa, x 3, precsa ser calculado de forma a evtar um efeto trasete cal, o que será explcado a próxma seção. T Fgura 9: Modelo de aeroave A Malha de Cotrole de Pré-Almetação A pré-almetação, que, a Fgura 3, é represetada pelo bloco de Pré-cotrolador, é usada apeas durate a calzação da aeroave, para corrgr o âgulo de proa. A partr das posções cal e fal dadas pelo plao de vôo, é possível determar o âgulo de rumo 363

7 desejado; cotudo, com a preseça do veto, o âgulo de proa da aeroave precsa compesar o veto para se obter o rumo desejado. O âgulo cal de proa é calculado pela expressão: r 0 w r x3 = Ψ arcs s( w Ψ) v, Em que Ψ é o âgulo de rumo desejado, w r é o vetor vetos, e w r é o âgulo do veto. A déa dessa malha de pré-almetação vem do fato de que, quado o âgulo de proa cal é ajustado para o âgulo de rumo, o Cotrolador forçará uma varação abrupta o âgulo de rolagem u, o que ão correspode ao comportameto real da aeroave. Por sso, esse artfíco faz com que a aeroave já ce sua trajetóra establzada A Malha de Cotrole de Realmetação Para ldar com o veto varado ao logo da trajetóra, está presete o modelo o bloco Cotrolador, exbdo a Fgura 3. Como a equação dferecal da dâmca da aeroave é ão-lear, uma solução sera ecotrar uma fução de Lyapuov que establze o sstema. Cotudo, essa possbldade fo descartada, pos sso demadara muta experêca e tução matemátca, fora do escopo deste projeto. Por sso, preferu-se ter como base a solução heurístca apresetada por Glover e Lygeros (2004), um cotrolador proporcoal que lmta o âgulo de rolagem a ± 35 e a varação o âgulo de proa a ± 60. Cotudo, o modelo de Glover e Lygeros (2004) apresetou um desvo costate o estado de equlíbro, efeto cosderado coveete para o ceáro de smulação do presete trabalho. Utlzado prcípos de teora clássca de cotrole, fo precso troduzr um fator tegral ao cotrolador, obtedo a segute expressão: t ) 0 u( t) = k d( t) + k θ ( t) + k d( τ dτ, que se costtu em um cotrolador PI (Proporcoal e Itegral), em que: k são gahos costates, ajustados emprcamete, t é o state de tempo, d( ) é o desvo trasversal da aeroave em relação à trajetóra teórca (do plao de vôo), e θ ( ) é a dfereça etre o âgulo de proa e o âgulo de rumo desejado (teórco). Após dversos expermetos, os valores dos gahos foram fxados em: 4 6 k 1 = 1,0 10 ; k2 = 1,0; k3 = 1,4 10. Amostras do comportameto deste cotrolador são apresetadas as Fguras 4 e 5. A resposta do cotrolador PI é um pouco mas leta que a do cotrolador proporcoal de Glover e Lygeros (2004), mas é acetável e elma o erro o estado de equlíbro. Fgura 11: Resposta do cotrolador PI à ação do veto logtudal. 364 Fgura 10: Resposta do cotrolador PI à ação do veto trasversal

8 4. O SIMULADOR DE ESPAÇO AÉREO Esta seção descreve um smulador de espaço aéreo, mplemetado em software, utlzado para comparar a fluêca de dferetes modelos de veto as taxas de ocorrêca de coflto em uma estrutura de rotas. Em prmero lugar, será descrto o smulador em s e algus detalhes de sua mplemetação e, depos, serão apresetados os resultados da comparação etre os dversos modelos de veto Descrção do Smulador O smulador de espaço aéreo é um programa que lê um cojuto de rotas, gera aleatoramete aeroaves e faz com que essas aeroaves aveguem ao logo dessas rotas; ao fal, o programa gera um relatóro com ocorrêcas de cofltos etre as aeroaves geradas. Cada rota é modelada como uma reta etre um poto de partda e um poto de chegada, tedo todas elas a alttude de pés Gerador de Aeroaves O gerador de aeroaves tem duas fuções prcpas: a prmera é gerar aeroaves em um dado poto da rota, segudo tervalos probablístcos; a seguda é remover as aeroaves da smulação, seja porque a aeroave atgu os lmtes do ceáro, ou porque excedeu um tempo máxmo, sorteado aleatoramete. A defção de que os potos de aparecmeto e desaparecmeto de aeroaves, em cada rota, sejam aleatóros, é uma aproxmação do fato de que, caso uma aeroave altere seu ível (alttude) de vôo, ela estará em outro plao de coflto e, sedo assm, ca fora do ceáro aalsado. Os states de cração e remoção de aeroaves são determados por processos de Posso, ode o tervalo médo de geração e remoção de aeroaves é o comprmeto da rota dvddo pela velocdade (costate gual para todas as aeroaves) da aeroave. Sedo assm, o espaço aéreo pode ser classfcado como um sstema de flas M/M/1 (ROBERT, 2003) depedetes (uma para cada rota). Para aumetar o úmero de aeroaves multplca-se o parâmetro de geração por uma costate k > 1, e o parâmetro de destrução por uma costate kt, 0< kt < 1, o que fara com que o úmero de avões se torasse dvergete. Etretato, as smlardades com o modelo de flas M/M/1 termam aqu. No presete modelo, mpõe-se um úmero máxmo de aeroaves o espaço aéreo, para evtar stuações extremas que são mprováves o mudo real. Além dsso, os lmtes do espaço aéreo fazem que o processo de remoção de aeroaves ão sga exatamete uma dstrbução de Posso pos, atgdo o lmte do ceáro, a aeroave é removda depedetemete do tempo de permaêca sorteado. Sedo assm, o tempo médo de permaêca da aeroave a rota é meor do que sera em um processo puramete M/M/1. Por fm, outra dfereça é que os tervalos etre aeroaves a mesma rota devem respetar um valor mímo, evtado coflto etre aeroaves em fla a mesma rota, garatdo assm a establdade do sstema Detecção de Coflto Além de crar aeroaves para as rotas, outra fução do smulador é detectar stuações de coflto etre as aeroaves, e regstrá-las para processameto estatístco da smulação. Para espaços aéreos de cruzero, cobertos por sstemas de radar moderos, a dstâca de 5 mlhas áutcas (NM ou Nautcal Mle) é uma referêca aproprada, mas também é 365

9 teressate ter uma medda da gravdade do coflto e, por sso, este smulador trabalha com quatro estágos sobrepostos de coflto: o prmero, para pares de aeroaves cuja dstâca seja meor que 5 NM, o segudo para dstâcas meores que 3 NM, o tercero para dstâcas meores que 1 NM, e o quarto para dstâcas meores que 50 m, assumdo-se que, quado este últmo estágo fo atgdo, ocorreu uma colsão. Uma vez que um par de aeroaves etrou em um dos estágos de coflto, ele só sará quado a dstâca correspodete for respetada por mas de um muto; essa regra fo mposta para evtar osclações espúras a detecção de coflto, que têm maor possbldade de ocorrer em rotas paralelas Ifluêca do Veto a Ocorrêca de Cofltos Uma questão mportate para este estudo é se a preseça de vetos faz a ocorrêca de cofltos aumetar, dmur ou permaecer estável. Cotudo, as cofgurações de cruzametos e paralelsmos é um forte fator de fluêca (CHALOULOS, LYGEROS, 2007) e, para realzar a aálse de mportâca dos vetos, fo elaborado um ceáro com uma grade varedade de tpos de cruzameto de rotas, e também com rotas paralelas. A cofguração escolhda é exbda a Fgura 12. Fgura 12: Cofguração de rotas o ceáro de smulação. Observa-se essa fgura que o espaço aéreo é um quadrado de 200 NM de lado, e que as rotas são de setdo úco. Devdo ao grade úmero de cruzametos, o processo de geração e remoção de aeroaves fo ajustado para que cada aeroave voe a maor extesão possível de sua rota, tedo sdo fxado que a posção de geração da aeroave é determístca e correspodete ao poto de 0,1% da extesão da rota. Além dsso, para fazer com que a maora das aeroaves seja removda somete o lmte do espaço aéreo, defu-se k t = 0,001 (vde Seção 0). Tedo sdo estabelecdo um lmte máxmo de 20 aeroaves smultaeamete, e uma méda de 13 aeroaves smultâeas, fo defdo k = 2 (vde Seção 0). Fo utlzada a velocdade TAS (True ArSpeed, velocdade verdadera em relação à massa de ar crcudate) de 200 m/s, próxma à velocdade de cruzero típca de jatos como Boeg O tervalo de atualzação da malha de cotrole da aeroave, descrta a Seção 0, fo de 1 segudo, e fo assumdo o valor de veto médo prevsto sedo de 35 ós, a dreção oesteleste. Por fm, as extrações de veto foram realzadas, para cada aeroave, a cada 60 segudos, cosderado que o veto permaece costate etre sucessvas extrações para cada aeroave. O tamaho máxmo da matrz de varâca-covarâca fo defdo como 500 e, a cada trucameto, as prmeras 300 lhas e coluas são descartadas. 366

10 São executados à parte três sub-ceáros dferetes de veto: um com o modelo estocástco otmzado, coforme apresetado a Seção 0, outro com veto determístco gual ao valor médo da prevsão, e o últmo, sem veto. Smulado a observação de 5 aos segudos de cada um desses sub-ceáros, fo executado o volume de vôos regstrado a Fgura 7, com úmeros dscrmados por rota. Veto estocástco Veto determístco Ausêca de veto Rota º de aeroaves horas de vôo º de aeroaves horas de vôo º de aeroaves horas de vôo Tabela 1: Volume de vôos executados em smulação. As ocorrêcas de coflto para cada um dos sub-ceáros, dscrmadas por rota, são apresetadas as Fguras 8 a 11. A partr desses resultados, observam-se dfereças o úmero de cofltos, etre os modelos de veto, mas ão há tedêcas geras de aumeto ou dmução para cada um desses modelos. Depededo da rota, cada modelo apreseta ídces dferetes e, em mutos casos, bastate próxmos etre s. Os casos de ídces smlares etre dferetes modelos de veto podem ser atrbuídos à precsão do cotrolador da aeroave, que apresetou desvos trasversas máxmos por volta de 800 m, o que atede aos requstos reas de desempeho de avegação moderos. 1,80E-05 1,20E-05 1,60E-05 1,40E-05 1,20E-05 1,00E-05 8,00E-06 6,00E-06 Veto Estocástco Veto Determístco Ausêca de Veto 1,00E-05 8,00E-06 6,00E-06 4,00E-06 Veto Estocástco Veto Determístco Ausêca de Veto 4,00E-06 2,00E-06 0,00E ,00E-06 0,00E Fgura 8: Cofltos de 5 NM por hora pó aeroave para cada rota. r Fgura 9: Cofltos de 3 NM por hora por aeroave para cada rota. 3,50E-06 3,00E-08 3,00E-06 2,50E-08 2,50E-06 2,00E-06 1,50E-06 1,00E-06 Veto Estocástco Veto Determístco Ausêca de Veto 2,00E-08 1,50E-08 1,00E-08 Veto Estocástco Veto Determístco Ausêca de Veto 5,00E-07 5,00E-09 0,00E ,00E Fgura 10: Cofltos de 1 NM por hora por aeroave para cada rota. Fgura 11: Cofltos de 50 m por hora por aeroave para cada rota. 367

11 Etretato, após fazer uma aálse mas profuda dos resultados da smulação, cosderado a taxa de cofltos de 5 NM por aeroave em cada rota, costataram-se os segutes fatos: O sub-ceáro sem veto regstrou a maor taxa de cofltos em 60% das rotas, cotra 20% para o sub-ceáro estocástco, e 20% para o sub-ceáro sem veto; O sub-ceáro de veto determístco regstrou a meor taxa de cofltos em 50% das rotas, cotra 10% para o sub-ceáro estocástco, e 40% para o sub-ceáro sem veto; A dfereça méda quadrátca etre as taxas de coflto dos sub-ceáros de veto estocástco e sem veto é de 2,26%, com tedêca de que o sub-ceáro sem veto apresete maor taxa; A dfereça méda quadrátca etre as taxas de coflto dos sub-ceáros de veto determístco e sem veto é de 2,36%, com tedêca de que o sub-ceáro sem veto apresete maor taxa; A dfereça méda quadrátca etre as taxas de coflto dos dos ceáros com veto é de 0,41%, com tedêca de que o sub-ceáro estocástco apresete a maor taxa; Não há coflto etre rotas paralelas (ão exstem casos extremos de desvo da rota), mostrado que uma separação de 10 NM etre rotas paralelas pode ser cosderada segura para as hpóteses desses ceáros. Além dsso, pode-se observar a Fgura 11 que houve dfereças relatvamete grades o úmero de colsões para os dferetes ceáros. Isso decorre do fato da colsão ser um eveto ser raro, mesmo para um ceáro crado para gerar um elevado úmero de cofltos, com um tempo smulado da ordem de 700 ml horas de vôo, para cada um dos sub-ceáros de veto, que foram executadas em aproxmadamete 20 horas em um PC Desktop. Desta forma, cosderamos que o úmero de colsões, a metodologa utlzada, acaba sedo um dcador mprecso. De qualquer forma, é mportate ressaltar que, o ceáro de espaço aéreo utlzado fo propostalmete cofgurado para gerar um úmero de cofltos mutíssmo maor do que ocorre a prátca, pos o efoque desse estudo é aalsar a sesbldade do ídce de coflto em relação ao modelo de veto utlzado. 5. COMENTÁRIOS FINAIS O modelo estocástco otmzado, apresetado a Seção 0, e utlzado em smulações subseqüetes, ofereceu um gaho de desempeho cosderável em relação ao modelo de Glover e Lygeros (2004), da ordem de uma cetea de vezes mas rápdo. Os resultados aqu obtdos dcam que, de forma geral, a preseça dos vetos causa uma pequea dmução a ocorrêca de cofltos (de 5 NM), em toro de 2,3% e, sedo assm, os sub-ceáros sem veto são predomatemete pessmstas. Por outro lado, observa-se uma dualdade essa tedêca, pos em 40% das rotas, os sub-ceáros sem veto apresetaram comportameto oposto, causado uma dmução o úmero de cofltos. Sedo assm, é de suma mportâca aalzar o comportameto da geometra específca de cada cruzametos de rota frete aos modelos de veto, e somete etão ferr se exste uma tedêca pessmsta ou otmsta para o modelo de veto utlzado. Observou-se uma dfereça cosderada pequea as taxas de coflto etre o sub-ceáro com veto determístco e o sub-ceáro com veto estocástco, em toro de 0,4% o âmbto global, com tedêca otmsta para o sub-ceáro determístco. Devdo ao fato de esta tedêca ser pequea, o modelo determístco, mas smples e barato computacoalmete, 368

12 pode ser utlzado o lugar do modelo estocástco, para aálse de cofltos, quado os requstos de precsão ão forem especalmete rgorosos; cotudo, ada ão é possível fazer a mesma afrmação para a aálse de colsões, pos os resultados aqu obtdos foram sufcetes. Pretede-se dar cotudade a esse trabalho, e as possbldades são as segutes: Crar uma versão com veto vertcal ão-ulo e correlacoado, juto ao aperfeçoameto da malha de cotrole da aeroave para realzar o cotrole de trajetóra vertcal; Realzação de um úmero maor de smulações, com a faldade de categorzar as tedêcas de aumeto e dmução do ídce de coflto, de acordo com o tpo de cruzameto de rotas. Isso permtra corrgr dstorções em smulações que ão utlzam o modelo de veto; Desevolvmeto de um modelo de estera de turbulêca, e tegração ao presete modelo de veto, para elaboração de ceáros referetes a espaços aéreos termas, próxmos aos aeroportos; REFERÊNCIAS BLOM, H.A.P.; BAKKER, G.J.; BLANKER, P.J.G.; DAAMS, J.; EVERDIJ, M.H.C.; KLOMPSTRA, M.B.; Accdet rsk assessmet for advaced ATM, I: Ar Trasportato Systems Egeerg, edted by G.L. Doohue ad A.G. Zellweger, AIAA, Chapter 29, 2001, pp CHALOULOS, G.; LYGEROS, J.: Effect of Wd Correlato o Arcraft Coflct Probablty. Joural of Gudace, Cotrol ad Dyamcs, Vol. 30, No. 6, November December GLOVER, W.; LYGEROS, J.: A Mult-Arcraft Model for Coflct Detecto ad Resoluto Algorthm Evaluato. Hybrdge Project, IST of Europea Commsso, Task 1.3, Delverable D1.3, February GLOVER, W.; LYGEROS, J.; MACEJOWSKI, J.; Modelg ad Smulato of Ar Traffc Maagemet Process, comucação pessoal, 2005 INFRAERO, Movmeto os aeroportos. Síto web: acessado em juho de OLIVEIRA, I.R. Aálse de Rsco da Operação de Espaçameto Temporal Aerotrasportado por meo de um Modelo em Rede de Petr Estocástca e Damcamete Colorda.Tese de doutorado, Escola Poltécca da Uversdade de São Paulo, REDEMET, Rede de Meteorologa do Comado da Aeroáutca Cartas de Veto. Síto web: acessado em mao de ROBERT, P. Stochastc etworks ad queues (Stochastc Modellg ad Appled Probablty), Sprger, Nova York, 2003 VISMARI, L.F.V.; Vglâca depedete automátca o cotrole de tráfego aéreo: avalação de rsco baseada em modelagem em redes de Petr fludas e estocástcas. Dssertação de mestrado, Escola Poltécca da Uversdade de São Paulo, DADOS DE CONTATO Raphael Quacho, GAS Pol/USP: Av. Prof. Lucao Gualberto, trav. 3, o. 158, sala C2-32, São Paulo SP, CEP , Tel Emal: rquacho@gmal.com Ítalo Roma de Olvera, Atech Tecologas Crítcas: Rua do Róco, 313, 11o adar, São Paulo SP, CEP , Tel Emal: roma@atech.br Paulo Sérgo Cugasca, GAS Pol/USP: Av. Prof. Lucao Gualberto, trav. 3, o. 158, sala C2-34, São Paulo SP, CEP , Tel Emal: paulo.cugasca@pol.usp.br 369

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em 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 mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS 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 mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

É 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

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 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 mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - 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

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

Difusão entre Dois Compartimentos

Difusão 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 mais

Cap. 5. Testes de Hipóteses

Cap. 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 mais

Confiabilidade Estrutural

Confiabilidade 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 mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

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 mais

7 Análise de covariância (ANCOVA)

7 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 mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. 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 mais

MEDIDAS DE DISPERSÃO:

MEDIDAS 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 mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - 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 mais

Capítulo V - Interpolação Polinomial

Capítulo 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 mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos 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 mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS 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 mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE 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 mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x 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 mais

Construção e Análise de Gráficos

Construção 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 mais

Avaliação da qualidade do ajuste

Avaliação 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 mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão 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 mais

Arquitetura da ART Controle 1 Controle 2

Arquitetura 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 mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

Leia mais

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação

Bruno 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 mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade 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 mais

Econometria: 3 - Regressão Múltipla

Econometria: 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 mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: 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 mais

8 Programação linear 78

8 Programação linear 78 8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos

Leia mais

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

d s F = m dt Trabalho Trabalho

d s F = m dt Trabalho Trabalho UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução

Leia mais

Regressão e Correlação

Regressão e Correlação Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao 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 mais

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii

Uso 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 mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. 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 mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor 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 mais

Distribuições de Probabilidades

Distribuições 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 mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria 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 mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 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 mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO 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 mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É 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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

3 Procedimento Experimental

3 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 mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA 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 mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

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.

( 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 mais

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se

Leia mais

Análise estatística dos resultados do modelo de previsão atmosférica RAMS para a região do lago de Ilha Solteira (SP)

Análise estatística dos resultados do modelo de previsão atmosférica RAMS para a região do lago de Ilha Solteira (SP) Aálse estatístca dos resultados do modelo de prevsão atmosférca RAMS para a regão do lago de Ilha Soltera (SP) Beatrz da Slva Berardo, Ismar de A. Satos, Claudo F. Neves 3., Uversdade Federal do Ro de

Leia mais

Estabilidade no Domínio da Freqüência

Estabilidade 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 mais

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão

Projeto 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 mais

Atividades Práticas Supervisionadas (APS)

Atividades 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 mais

Momento Linear duma partícula

Momento 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 mais

Perguntas Freqüentes - Bandeiras

Perguntas 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 mais

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;

Leia mais

Prof. Janete Pereira Amador 1

Prof. Janete Pereira Amador 1 Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? 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 mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA 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

DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS

DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO HIPERGEOMÉTRICA 7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora

Leia mais

2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria

2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria Avalação da seguraça dâmca de sstemas de eerga elétrca: Teora. Itrodução A avalação da seguraça dâmca é realzada através de estudos de establdade trastóra. Nesses estudos, aalsa-se o comportameto dos geradores

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística 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 mais

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores. Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.

Leia mais

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia

HIDROLOGIA 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 mais

TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL

TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL As hpóteses a serem testadas serão: H 0 : p p 0 H : p p 0 p > p 0 p < p 0 Estatístca do Teste: pˆ p0 z c p ( p ) 0 0 EXEMPLOS. Uma máqua está regulada

Leia mais

Forma padrão do modelo de Programação Linear

Forma 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 mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD 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 mais

3 Análises Probabilísticas de Estabilidade

3 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 mais

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%

Leia mais

Como CD = DC CD + DC = 0

Como 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 mais

Tópicos Extras 2ª parte. Análise de Correlação e Regressão

Tópicos Extras 2ª parte. Análise de Correlação e Regressão Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO

Leia mais

a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.

a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9. Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0

Leia mais

Física IV Poli Engenharia Elétrica: 8ª Aula (28/08/2014)

Física 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 mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 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 mais

Probabilidade II Aula 10

Probabilidade II Aula 10 Probabldade II Aula 0 Mao de 009 Môca Barros, D.Sc. Coteúdo Esperaça Matemá (Valores esperados) Mometos e Mometos Cetras Valores esperados de uma fução de Covarâca e Correlação Matrz de covarâca, matrz

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves A aálse de regressão e correlação compreedem

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro 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 mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO

Leia mais

Aula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação

Aula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace

Leia mais

Ivan G. Peyré Tartaruga. 1 Metodologia espacial

Ivan 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 mais

Caracterização de Partículas. Prof. Gerônimo

Caracterização de Partículas. Prof. Gerônimo Caracterzação de Partículas Prof. Gerômo Aálse Graulométrca de partículas Tabela: Sére Padrão Tyler Mesh Abertura Lvre (cm) âmetro do fo () 2 ½ 0,7925 0,088 0,6680 0,070 ½ 0,56 0,065 4 0,4699 0,065

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições 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 mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Apêndice 1-Tratamento de dados

Apêndice 1-Tratamento de dados Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação

Leia mais

Probabilidades e Estatística

Probabilidades e Estatística Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete

Leia mais

9 Medidas Descritivas

9 Medidas Descritivas 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se

Leia mais

Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES

Capítulo 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 mais

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o

Leia mais

Centro de massa, momento linear de sistemas de partículas e colisões

Centro de massa, momento linear de sistemas de partículas e colisões Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,

Leia mais

Material Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio

Material 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 mais

Ordenação: Introdução e métodos elementares. Algoritmos e Estruturas de Dados II

Ordenação: 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 mais