Problema de roteirização de veículos com entregas fracionadas: revisão da literatura

Tamanho: px
Começar a partir da página:

Download "Problema de roteirização de veículos com entregas fracionadas: revisão da literatura"

Transcrição

1 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 Luz Paulo Lopes Fáero (USP) lpfaero@usp.br Resumo: O Problema de Roterzação de Veículos com Etregas Fracoadas (Vehcle Routg Problem wth Splt Deleres VRPSD) é uma extesão do Problema Clássco de Roterzação de Veículos (VRP), ode cada clete pode ser ateddo por mas eículo. Embora o VRPSD seja uma relaxação do VRP, permaece NP-Completo e stâcas com 00 cletes ou mas são muto dfíces de serem resoldas de forma ótma. Este trabalho apreseta os prcpas métodos de solução ecotrados a lteratura para o VRPSD e suas extesões, como o Problema de Roterzação de Veículos com Jaelas de Tempo e Etregas Fracoadas (Vehcle Routg Problem wth Tme Wdows ad Splt Deleres VRPTWSD) e o Problema de Roterzação de Veículos com Demada em Arcos, Jaelas de Tempo e Etregas Fracoadas (Capactated Arc Routg Problem wth Tme Wdows ad Splt Deleres CARPTWSD). Os métodos são classfcados em três categoras: métodos exatos, heurístcas e metaheurístcas. Palaras-chae: Problema de Roterzação de Veículos; Etregas Fracoadas; Pesqusa Operacoal.. Itrodução Os problemas de roterzação de eículos (Vehcle Routg Problems - VRPs), que são de atureza combatóra, pertecem a uma categora ampla de problemas de pesqusa operacoal cohecda como problemas de otmzação de rede. Nessa categora ecotram-se problemas clásscos, como problema de fluxo máxmo, problema do camho mímo, problema de trasporte, problema de desgação (GOLDEN; BALL; BODIN, 98). Os Problemas de Roterzação de Veículos têm recebdo muta ateção os últmos aos em fução de sua aplcabldade e mportâca ecoômca a determação de estratégas efcetes de dstrbução, com o objeto de reduzr os custos operacoas o sstema de dstrbução. Da mesma forma, arates do VRP têm sdo bastate estudadas a lteratura. O problema clássco de roterzação de eículos (VRP) tem como objeto ecotrar um cojuto de rotas com o meor custo possíel (mmzar custo total de agem, dstâca total percorrda, úmero de eículos, etc), cado e termado o depósto, de forma que a demada de todos os ós são ateddas. A demada é determístca. Cada ó é ateddo uma úca ez, por um úco eículo, e cada eículo possu capacdade lmtada. Algumas formulações também apresetam restrção de tempo máxmo de agem. O Problema de Roterzação de Veículos com Etregas Fracoadas (Vehcle Routg Problem wth Splt Deleres VRPSD) é uma aração do problema clássco de roterzação de eículos, ode cada clete pode ser ateddo por mas de um eículo e a demada pode ser maor que a capacdade do eículo. Lestra e Rooy Ka (98) aalsaram a complexdade de problemas de roterzação de eículos, e cocluíram que pratcamete todos os problemas de roterzação de eículos são NP-hard (etre eles o problema do caxero ajate e o problema clássco de roterzação de eículos), pos ão são resoldos em tempo polomal. De acordo com Bod

2 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 (990), mutos dos problemas descrtos a lteratura modelam de forma smplfcada os problemas reas. O Problema de Roterzação de Veículos com Etregas Fracoadas (Vehcle Routg Problem wth Splt Deleres VRPSD) fo troduzdo a lteratura por Dror e Trudeau (989, 990), que apresetaram a formulação matemátca do problema e aalsaram as ecoomas que podem ser geradas quado um clete pode ser ateddo por mas de um eículo, tato em relação ao úmero de eículos utlzados quato à dstâca total percorrda. De acordo com Dror e Trudeau, o VRPSD é uma relaxação do problema clássco de roterzação de eículos, mas permaece NP-completo. Este trabalho tem como objeto apresetar os prcpas métodos de solução ecotrados a lteratura para problemas de roterzação de eículos com etregas fracoadas e suas extesões, como o Problema de Roterzação de Veículos com Jaelas de Tempo e Etregas Fracoadas (Vehcle Routg Problem wth Tme Wdows ad Splt Deleres VRPTWSD) e o Problema de Roterzação de Veículos com Demada em Arcos, Jaelas de Tempo e Etregas Fracoadas (Capactated Arc Routg Problem wth Tme Wdows ad Splt Deleres CARPTWSD). O VRPTWSD é uma extesão do VRPSD, adcoado restrções de jaelas de tempo. O CARPTWSD é uma aração do VRPTW, ode ao és de ós, os cletes estão localzados em arcos. Os métodos de solução apresetados são classfcados em 3 categoras: métodos exatos, métodos heurístcos e métodos emergetes. Os métodos exatos garatem a solução ótma do problema. Como fo dto aterormete, a maora dos problemas de roterzação de eículos pertecem à classe NPcompleto. Os algortmos de tempo polomal para achar a solução ótma resolem apeas problemas de pequeo porte, que ão refletem a realdade. Por sso, pouca ateção tem sdo dada à busca de soluções ótmas. Os métodos heurístcos ão garatem a solução ótma, mas geralmete resultam em soluções sub-ótmas de grade qualdade a um esforço computacoal melhor. Ncholso (97) defe heurístcas como um procedmeto para resoler problemas atraés de um efoque tuto, em geral racoal, o qual a estrutura do problema possa ser terpretada e explorada telgetemete para obter uma solução razoáel. Reees (993) defe heurístcas como uma técca que busca boas soluções (perto da ótma) com um custo operacoal razoáel, sem garatr soluções factíes ou ótmas e, em mutos casos, ão é capaz de afrmar quão próxmo uma solução factíel está da solução ótma. Além da teora da complexdade computacoal represetar uma forte justfcata para a utlzação de métodos heurístcos a solução de VRP, outro forte argumeto apresetado pelo autor correspode à possbldade de modelar o problema real com maor precsão, uma ez que as heurístcas são mas flexíes e aptas a operar com fuções objetos e/ou restrções mas complcadas e mas realstas do que os algortmos exatos. Os métodos emergetes reúem téccas mas recetes e aaçadas, como as metaheurístcas busca tabu, algortmos geétcos, smulated aealg, etc (CUNHA, 997). Embora os métodos emergetes possam ser classfcados como métodos heurístcos, foram classfcados soladamete por utlzar dos ou mas procedmetos, com o objeto de modfcar e aprmorar gradualmete a solução. A seqüêca do artgo está detalhada a segur. O tem 2 apreseta a defção do VRPSD, que clu a formulação matemátca do problema. Os prcpas métodos de solução ecotrados a lteratura para VRPSD e suas extesões estão o tem 3. Falmete, o tem 4, estão as cosderações fas e futuras pesqusas.

3 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de Defção do Problema de Roterzação de Veículos com Etregas Fracoadas A partr de um úco cetro de dstrbução, que dstrbu um úco produto, são ateddos N cletes a cada da. Os cletes são abastecdos atraés de uma frota de eículos homogêea e lmtada. Os eículos possuem restrção de capacdade C. Para um determado da, a demada de cada clete é d. As lojas possuem restrções de jaelas de tempo. Os eículos saem e retoram ao depósto. Dada a demada das lojas em um determado da, o objeto do modelo é decdr como alocar os eículos às lojas (determar os cletes de cada rota), determar a quatdade a ser etregue em cada eículo para cada loja e qual o melhor rotero o caso de rota fracoada, de forma a mmzar o custo total de dstrbução (proporcoal à dstâca total percorrda), respetado todas as restrções do problema. Pode-se mmzar, também, o úmero de eículos utlzados. As restrções são: Ateder a demada das lojas detro de suas jaelas de tempo; Cada tpo de eículo tem uma capacdade C ; Cada clete é ateddo exatamete uma ez; Os eículos saem e retoram ao depósto. As prcpas hpóteses e característcas do problema são: A demada das lojas é determístca; Todas as etregas são cosderadas úcas e ão peródcas, de modo que, a cada da, os peddos deem ser formulados oamete (horzote de plaejameto de um da); A frota de eículos é homogêea e lmtada; Os custos de roterzação são proporcoas à dstâca total percorrda; Os cletes podem receber mercadora de mas de um eículo. Cosdere um cojuto de N cletes a serem ateddos. Em um determado da, a demada d de cada clete {,2,...,} dee ser atedda. O poto 0 represeta o depósto. A cada clete estão assocados: uma demada d ; um tempo de atedmeto s que represeta o tempo de descarga dos eículos (tempo médo de todos os processos admstratos, burocrátcos e de operação). A cada eículo estão assocados: uma capacdade máxma C, que pode ser represetada por uma restrção de peso e olume. um custo de roterzação proporcoal à dstâca total percorrda. Um rotero pode ser formado por uma úca loja ou por áras lojas. A cada rota estão assocados:

4 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 Deslocameto do ó = 0 (depósto) até um ó j, j =,..., (loja) Deslocameto etre lojas, o caso de carga fracoada (do ó, =,..., até o ó j, j =,..., ; Deslocameto do ó, =,..., (loja) até o depósto j = 0. Cada deslocameto etre os ós e j requer um tempo de agem t e uma dstâca percorrda d. As matrzes de tempos de agem e de dstâcas são smétrcas, ou seja, t = t e d = d. j j As aráes de decsão do modelo são: x =, se j é ateddo após pelo eículo ; 0, caso cotráro. y = fração de demada do clete etregue pelo eículo O objeto do modelo é mmzar a dstâca total percorrda pelos eículos, de forma que a demada de todos os cletes seja atedda e as demas restrções do problema sejam respetadas. Algus modelos mmzam, também, o úmero de eículos utlzados. A formulação completa do problema está detalhada a segur com base os trabalhos de Dror e Trudeau (990) e Ho e Hauglad (2004). A fução objeto pode ser escrta da segute forma: As restrções do modelo são: m m = 0 j= 0 = c x j= x0 j = =, 2,..., m () A restrção () garate que cada eículo saa do depósto e chegue a um determado clete. p = 0 j= 0 x x = 0 p = 0,..., ; =, 2,..., m pj (2) A restrção (2) é a restrção de coseração dos fluxos de etrada e saída; garate que cada eículo saa de um determado clete e retore ao depósto. m = y =, =,2,..., (3) A restrção (3) garate que a demada total de cada clete será atedda.

5 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 = d y C =,2,..., m (4) A restrção (4) garate que a capacdade de cada eículo ão será excedda. y x =,..., ; =,..., m j= 0 j A restrção (5) garate que a demada de cada clete será atedda somete se um determado eículo passar por aquele poto. Nota-se que, adcoado à restrção (5) o somatóro de todos os eículos e, combado-a com a equação (3), obtém-se a restrção m = = 0 x j = 0,...,, que garate que cada értce seja stado pelo meos uma ez, por pelo meos por um eículo. (5) T + s + t M ( x ) T j =,..., ; j =,..., ; =,..., m (6) A equação (6) mpõe o horáro mímo de íco de atedmeto do clete j em uma determada rota ( T ) e também garate que ão haja formação de subtours. A costate j M é um úmero sufcetemete grade, por exemplo, M = b + t a. j y 0 =,..., ; =,..., m (7) A equação (7) garate que as aráes de decsão y sejam postas. { } x 0, = 0,..., ; j = 0,..., ; =,..., m (8) Falmete a equação (8) garate que as aráes de decsão x sejam báras. 3. Métodos de solução para Problemas de Roterzação de Veículos com Etregas Fracoadas Este tem apreseta os prcpas métodos de solução ecotrados a lteratura para problemas de roterzação com etregas fracoadas e suas extesões. Para cada tpo de problema, são apresetados os prcpas métodos exatos, métodos heurístcos e as prcpas metaheurístcas. 3. Problemas de Roterzação de Veículos com Etregas Fracoadas (Vehcle Routg Problem wth Splt Deleres VRPSD) a) Métodos exatos Dror, Laporte e Trudeau (994) apresetaram a formulação de um modelo de programação lear tera para o VRPSD com frota homogêea e descreeram oas classes de desgualdades áldas para o problema. Os autores também propuseram uma heurístca

6 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 como lmtate superor e aplcaram um algortmo brach ad boud para o problema. Beleguer, Martez e Mota (2000), atraés de uma oa classe de desgualdades áldas, propuseram um algortmo de plao de corte e um algortmo brach ad boud para um problema de roterzação de eículos com etrega fracoada (VRPSD). O algortmo de plao de corte fo aplcado para resolução de problemas de pequeas stâcas, e o algortmo brach ad boud para problemas maores. O problema tem como característca frota de eículos homogêea, a demada de cada clete é meor que a capacdade dos eículos e a quatdade etregue a cada clete é tera. O objeto é determar um cojuto de rotas que mmze a dstâca total percorrda, de forma que a demada de todos os cletes seja satsfeta, respetado as restrções de capacdade do eículo. b) Métodos heurístcos O problema de roterzação de eículos com etregas fracoadas fo troduzdo a lteratura por Dror e Trudeau (989, 990) que apresetaram a formulação matemátca do problema e aalsaram as ecoomas que podem ser geradas, quado se permte que um clete possa ser ateddo por mas de um eículo, tato em relação ao úmero de eículos quato à dstâca total percorrda. Estas ecoomas foram sgfcatas para problemas com demada acma de 0% da capacdade do eículo. O problema tem como característca frota de eículos homogêea e demada de cada clete meor que a capacdade dos eículos. O objeto é mmzar a dstâca total percorrda, de forma que a restrção de capacdade dos eículos seja respetada. O algortmo mplemetado é baseado em busca local e é dddo em duas fases. A fase costa das segutes etapas:. Costrução de uma solução áel para um problema de roterzação de eículos (VRP), com apeas um eículo por clete. O algortmo é uma aração da heurístca de Clarke e Wrght (964). 2. Troca de ós: baseada a troca de um e dos ós etre rotas. 3. Heurístca de melhora: troca de arcos 2-opt etre rotas. Na fase 2 temos: 4. Trocas k-splt: Cosdera-se d p( k +) a demada de um clete p que está serdo a rota k + e s, =,... NV a capacdade ocosa do eículo. Se s + s s k d p ( k+ ) e houer ecooma, etão a demada do clete p pode ser elmada da rota k + e adcoada às k rotas e o custo total é reduzdo. 5. Adção de rotas: Cosdera-se um clete p que está serdo em duas rotas ( k = e k = 2). Verfca-se se, com a adção de uma oa rota e elmação do clete p das rotas k = e k = 2, o custo total é reduzdo. Se sto ocorrer, o mometo é efetuado. 6. Troca de ós e heurístca de melhora (semelhate à fase ) Segudo Dror e Trudeau, o VRPSD é uma relaxação do problema clássco de roterzação de eículos, mas permaece NP-completo. Os autores demostraram que, quado as dstâcas satsfazem a desgualdade do trâgulo, exste uma solução ótma para VRPSD, de modo que ehum par de rotas teha dos ou mas értces em comum. Frzzell e Gff (992) deseoleram três heurístcas para um problema de roterzação de eículos com etregas fracoadas (VRPSD), baseadas o zho mas próxmo, em agrupametos de cletes e troduzdo custos o caso de etregas fracoadas.

7 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 As heurístcas foram aplcadas em um cojuto com 050 problemas. O problema tem como característca frota homogêea e demada dos cletes meor que a capacdade dos eículos. O objeto do modelo é mmzar a dstâca total percorrda, respetado a restrção de capacdade dos eículos. Os autores cocluem que problemas com um grade úmero de cletes e uma alta taxa de demada são áes para etregas fracoadas. Archett, Saelsbergh e Speraza (2003a) aalsaram o comportameto do por-caso (worst-case aalyss) para o problema de roterzação de eículos com etregas fracoadas (VRPSD). Os autores demostraram que a opção de etregas fracoadas pode gerar ecoomas de o máxmo 50%, o caso em que a demada dos cletes é meor que a capacdade dos eículos. Estudaram também, o caso em que a demada de cada clete pode ser maor que a capacdade do eículo, ode cada clete dee ser stado um úmero mímo de ezes. Neste caso, também foram geradas ecoomas de o máxmo 50%. Os autores também aalsaram o desempeho de smples heurístcas, o caso em que a demada pode ser maor que a capacdade dos eículos, eado eículos com carga completa até que a demada seja meor ou gual à capacdade do camhão. Falmete, foram aalsados casos com demada dscreta e capacdade dos eículos pequea. c) Busca Tabu Archett, Hertz e Speraza (2003b) descreeram um algortmo tabu para um problema de roterzação de eículos com etrega fracoada (VRPSD), cosderado uma frota de eículos homogêea. A demada de cada clete pode ser maor do que a capacdade do eículo. O objeto é determar um cojuto de rotas que ateda a demada dos cletes e respete a restrção de capacdade dos eículos, de forma a mmzar a dstâca total percorrda. Os autores apresetam a formulação matemátca do problema. O algortmo proposto fo dddo em três fases. Na fase é costruída uma solução cal. A fase 2 cosste a mplemetação do algortmo busca tabu. Já a fase 3 aplca-se um método de melhora a solução fal ecotrada a fase 2. Para a fase, o algortmo cra calmete o úmero máxmo de rotas dretas, equato a demada de cada clete for maor que a capacdade do eículo. O próxmo passo da fase é a costrução de múltplos caxeros ajates, atraés do algortmo GENIUS de Gedreau, Hertz e Laporte (992). O algortmo GENIUS é composto de duas etapas: a prmera (GENI) é um método de serção e a seguda (US) é um procedmeto de melhora. A fase 2 cosste a mplemetação do algortmo busca tabu. Segudo os autores, o algortmo é muto smples, fácl de mplemetar e há apeas dos parâmetros a serem ajustados: a duração da lsta tabu e o úmero máxmo de terações sem que haja melhora da fução objeto. O método de melhora mplemetado a fase 3 cosste em duas etapas. Coforme descrto em Dror e Trudeau (989, 990), se as dstâcas satsfazem a desgualdade do trâgulo, exste uma solução ótma para VRPSD, ode cada par de rotas tem o máxmo um értce t em comum ( t ). Assm, a prmera etapa da fase 3, para um determado par de rotas, se as dstâcas satsfazem a desgualdade do trâgulo e há mas de um értce em comum ( t > ), elmam-se t értces em comum de uma das rotas. Supohamos duas rotas r e w r w+ que possuem dos cletes e 2 em comum. A demada do clete é elmada da rota r e trasferda para a rota w r w+. A seguda etapa da melhora é aplcada para cada uma das rotas obtdas (trocas a mesma rota), corporado o método US.

8 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de Problemas de Roterzação de Veículos com Jaelas de Tempo e Etregas Fracoadas (Vehcle Routg Problem wth Tme Wdows ad Splt Deleres VRPTWSD) a) Método heurístco Frzzell e Gff (995) apresetaram a formulação matemátca para um problema de roterzação e programação de eículos com etregas fracoadas e restrção de jaela de tempo (VRPTWSD). O problema tem como característca frota homogêea, demada meor que a capacdade dos eículos e restrções de capacdade dos eículos e jaelas de tempo. Os autores deseoleram uma heurístca costruta baseada a urgêca dos cletes e duas heurístcas de melhora; uma delas permte troca de cletes da mesma rota e a outra, troca de cletes etre rotas. As heurístcas foram aplcadas em dersos problemas ecotrados a lteratura. b) Busca Tabu Ho e Hauglad (2004) mplemetaram a metaheurístca busca tabu para o VRPTWSD. A demada dos cletes pode exceder a capacdade do eículo. A frota de eículos é homogêea e os roteros cam e retoram ao depósto o horáro máxmo estabelecdo. O objeto do modelo é mmzar o úmero de eículos e a dstâca total percorrda. O modelo fo aplcado em um problema com 00 cletes. O algortmo é dddo em três fases. A prmera fase costró uma solução cal para o problema, atraés de um algortmo de serção seqüecal, que mmza a soma dos tempos de agem e espera dos cletes. Caso a demada de um determado clete a ser serdo exceda a capacdade do eículo, a demada é adcoada equato houer capacdade e a demada remaescete é adcoada a uma oa rota. A seguda fase correspode à mplemetação da metaheurístca busca tabu. A zhaça é baseada em mometos de trocas etre operadores, como:. Iserção: serr um clete de uma rota R k para uma rota R l (er fgura ). 2. Realocação de cletes com demadas fracoadas: o clete, que era ateddo pelas rotas R e R, é remodo da rota R, e passa a ser ateddo apeas pela rota R. Já o k l k clete j, que era ateddo apeas pela rota R l, passa a ser ateddo também pela rota R k (er fgura 2). 3. Troca de cletes etre rotas (er fgura 3) 4. 2-opt: Troca de 2 arcos etre rotas (er fgura 4) 5. Ecooma: elmar rotas com poucos cletes e serr em outras rotas, atraés do passo. 6. Realocação de cletes a mesma rota, atraés do algortmo US de Gedreau et al. (992). Falmete, a tercera fase cosste em aplcar melhora as melhores soluções ecotradas, utlzado o algortmo US e o crtéro de Realocação. Os autores demostraram que a propredade de desgualdade do trâgulo de Dror e Trudeau (989, 990) também ale para VRPTWSD: Preposção. Se VRPTWSD tem uma solução factíel, e { } t, j N e { c }, j N l satsfazem

9 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 a desgualdade do trâgulo, etão o problema tem uma solução ótma ode ehum par de rotas tem mas de um clete em comum. Com base o cojuto de problemas orgal proposto por Solomo (987), os autores modfcaram as demadas de modo que elas possam ser maores que a capacdade dos eículos, permtdo etregas fracoadas. Neste caso, o algortmo fo aplcado tato para o VRPTWSD como o VRPTW, com o objeto de comparar os resultados de problemas de roterzação com jaelas de tempo com e sem etregas fracoadas. Cosderado as 56 classes de problemas de Solomo, os custos do VRPTWSD foram maores que do VRPTW apeas para duas classes de problemas. Por outro lado, o tempo computacoal fo bastate superor para problemas com rotas fracoadas, prcpalmete o caso de demadas eleadas. As heurístcas também foram aplcadas ao cojuto de problemas orgal de Solomo (VRPTW). Os resultados do algortmo foram comparados com os melhores resultados obtdos a lteratura, para cada uma das 56 classes e, segudo os autores, superaram ou gualaram as melhores soluções em 3 problemas. 3.3 Problemas de Roterzação de Veículos com Demada em Arcos, Jaelas de Tempo e Etregas Fracoadas (Capactated Arc Routg Problem wth Tme Wdows ad Splt Deleres - CARPTWSD) a) Método heurístco Mullaserl, Dror e Leug (997) mplemetaram uma adaptação da heurístca proposta por Dror e Trudeau (990) para um problema de roterzação de eículos com demada em arcos, jaelas de tempo e etregas fracoadas (CARPTWSD). A frota de eículos é homogêea e há restrções de jaelas de tempo e capacdade dos eículos. Da mesma forma, prmeramete foram geradas soluções factíes com apeas uma etrega e, a partr daí, aplcaram-se heurístcas para gerar e melhorar (troca de arcos, trocas de cletes com demadas fracoadas, adção de rotas) soluções com etregas fracoadas. O objeto do modelo é mmzar a dstâca total percorrda. Os autores mostraram que a opção de mas de uma etrega reduzu a dstâca total percorrda em 4 dos 5 casos aalsados. Em dos casos a melhora fo acma de 0%. O quadro apreseta as característcas específcas de cada um dos trabalhos apresetados este capítulo, como tpo de problema, restrções, método de solução e fução objeto.

10 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 QUADRO - Sumáro dos prcpas métodos de solução para VRPSD e suas extesões. Referêca Tpo de Restrções Método de Fução Bblográfca Problema Solução objeto Dror et al. (994) VRPSD capacdade dos eículos método exato m brach ad boud dstâca total Beleguer et al. (2000) VRPSD capacdade dos eículos método exato m plao de corte dstâca total brach ad boud Dror e Trudeau VRPSD capacdade dos eículos heurístca costruta m (989, 990) ecoomas dstâca total heurístcas de melhora troca de ós etre rotas troca de arcos trocas k-splts adção de rotas Frzzell e Gff (992) VRPSD capacdade dos eículos heurístcas costrutas m zho mas próxmo dstâca total agrupameto de cletes Archett et al. (2003a) VRPSD capacdade dos eículos heurístca m dstâca total Archett et al. (2003b) VRPSD capacdade dos eículos metaheurístca m busca tabu dstâca total Frzzell e Gff (995) VRPTWSD capacdade dos eículos heurístcas costrutas m jaelas de tempo look-ahead com base a dstâca total urgêca dos cletes heurístcas de melhora serção cletes em outra rota trocas de cletes etre rotas Ho e Hauglad (2004) VRPTWSD capacdade dos eículos metaheurístca m jaelas de tempo busca tabu tempo agem + horáro máx. de retoro espera Mullaserl et al. (997) CARPTWSD capacdade dos eículos heurístca costruta m jaelas de tempo adaptação de Dror e Trudeau dstâca heurístcas de melhora adaptação de Dror e Trudeau Legeda: VRPSD: Problema de Roterzação de Veículos com Etregas Fracoadas VRPTWSD: Problema de Roterzação de Veículos com Jaelas de Tempo e Etregas Fracoadas CARPTWSD: Problema de Roterzação de Veículos com Demada em Arcos, Jaelas de Tempo e Etregas Fracoadas 4. Coclusões e Futuras Pesqusas Este trabalho apresetou os prcpas métodos de solução ecotrados a lteratura para Problemas de Roterzação de Veículos com Etregas Fracoadas e suas extesões. Na maora dos problemas aalsados, ão há restrções de jaelas de tempo e a demada dos cletes é meor que a capacdade dos eículos. Como o problema é NP-completo, a maora das estratégas de solução utlza métodos heurístcos ao és de exatos. Dersos trabalhos utlzam heurístcas costrutas e de melhora, com o objeto de ecotrar uma solução de boa qualdade em um tempo computacoal razoáel. Com o objeto de melhorar soluções obtdas atraés de heurístcas costrutas, são mplemetadas metaheurístcas. Para o Problema de Roterzação de Veículos com Etregas Fracoadas, a úca metaheurístca mplemetada fo busca tabu. Como futuras pesqusas espera-se uma maor tegração dos problemas de roterzação

11 XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 de eículos, corporado, além dos modelos de estoque, aspectos de produção. Além dsso, sugere-se o estudo de oas metaheurístcas, como algortmos geétcos, scatter search, colôa de formgas, etc. 5. Referêcas Bblográfcas ARCHETTI, C.; SAVELSBERGH, M.W.P.; SPERANZA, M.G. Worst-Case Aalyss of Splt Delery Routg Problems. Departmet of Quattate Methods, Uersty of Bresca ad School of Idustral ad Systems Egeerg, Georga Isttute of Techology, 2003a. Aceto em Trasportato Scece. ARCHETTI, C.; HERTZ, A.; SPERANZA, M.G. A Tabu Search Algorthm for the Splt Delery Vehcle Routg Problem. Les Cahers du GERAD, 2003b. Aceto em Trasportato Scece. BELENGUER, J.M.; MARTINEZ, M.C.; MOTA, E. A Lower Boud for the Splt Delery Vehcle Routg Problem. Operatos Research,.48,.5, p.80-80, BODIN, L.D. Twety Years of Routg ad Schedulg. Operatos Research,.38,.4, p , 990. CLARKE, G.; WRIGHT, J.W. Schedulg of Vehcles from a Cetral Depot to a Number of Delery Pots. Operatos Research,.2,.4, p , 964. CUNHA, C. B. Uma Cotrbução para o Problema de Roterzação de Veículos com Restrções Operacoas. São Paulo, p. Tese (Doutorado em Egehara de Trasportes) Escola Poltécca, Uersdade de São Paulo, 997. DROR, M.; TRUDEAU, P. Sags by Splt Delery Routg. Trasportato Scece,.23,.2, p.4-45, 989. DROR, M.; TRUDEAU, P. Splt Delery Routg. Naal Research Logstcs,.37,.3, p , 990. DROR, M.; LAPORTE, G.; TRUDEAU, P. Vehcle routg wth splt deleres. Dscrete Appled Mathematcs,.50,.3, p , 994. FRIZZELL, P.W.; GIFFIN, J.W. The bouded splt delery ehcle routg problem wth grd etwork dstaces. Asa Pacfc Joural of Operatoal Research,.9,., p.0-06, 992. FRIZZELL, P.W.; GIFFIN, J.W. The Splt Delery Vehcle Schedulg Problem wth Tme Wdows ad Grd Network Dstaces. Computers & Operatos Research,.22,.6, p , 995. GENDREAU, M.; HERTZ, A.; LAPORTE, G. New Iserto ad Postoptmzato Procedures for the Traelg Salesma Problem. Operatos Research,.40,.6, p , 992. GOLDEN, B.; BALL, M.; BODIN, L. Curret ad future research drectos etwork optmzato. Computers & Operatos Research,.8,.2, p. 7-8, 98. HO, S.C.; HAUGLAND, D. A tabu search heurstc for the ehcle routg problem wth tme wdows ad splt deleres. Computers & Operatos Research,.3,.2, p , LENSTRA, J.K.; RINNOOY KAN, A.H.G. Complexty of Vehcle ad Schedulg Problems. Networks,.,.2, p , 98. MULLASERIL, P.A.; DROR, M.; LEUNG, J. Splt-delery Routg Heurstcs Lestock Feed Dstrbuto. Joural of the Operatoal Research Socety,.48,.2, p.07-6, 997. NICHOLSON, T. Optmzato dustry, optmzato techques. Logma Group Lmted,., 97. REEVES, C.R. Moder Heurstc Techques for Combatoral Problems. Joh Wley & Sos. Ic. New York, NY, 993. SOLOMON, M. M. Algorthms for the Vehcle Routg ad Schedulg Problems wth Tme Wdows Costrats. Operatos Research,.35,.2, p , 987.

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

Heurísticas e Heurísticas Construtivas

Heurísticas e Heurísticas Construtivas 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, 2008. Heurístcas

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

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

1) Planejamento da Produção - Modelos de dimensionamento de lotes (lot sizing)

1) Planejamento da Produção - Modelos de dimensionamento de lotes (lot sizing) Departameto de Egehara de Produção UFPR 28 1) Plaeameto da Produção - Modelos de dmesoameto de lotes (lot szg) É cohecdo horzote de plaeameto T, dvddo em períodos; demada (geralmete varável) de cada tem

Leia mais

Algoritmo Evolução Diferencial Adaptado para o Problema das P-Medianas

Algoritmo 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 mais

MATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA. Silvio A. de Araujo Socorro Rangel

MATEMÁTICA 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 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

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

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

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

Complexidade Computacional da Determinação da Correspondência entre Imagens

Complexidade 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 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

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 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 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

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

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

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

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

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

Computação das Medidas de Tendência Central e Dispersão Intervalares em Java

Computação 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 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

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

Uma abordagem de geração de colunas para o Problema Generalizado de Atribuição

Uma abordagem de geração de colunas para o Problema Generalizado de Atribuição XXIV Ecotro ac. de Eg. de Produção - Floraópols, SC, Brasl, 03 a 05 de ov de 2004 Uma abordagem de geração de coluas para o Problema Geeralzado de Atrbução Edso Luz Fraça See (UESP/FEG) elfsee@feg.uesp.br

Leia mais

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Introdução 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 mais

Projeto e Análise de Algoritmos Aula 15: Classes de Complexidade P, NP (GPV 8.1,8.2)

Projeto 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 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

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

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

( 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

XLVI Pesquisa Operacional na Gestão da Segurança Pública

XLVI Pesquisa Operacional na Gestão da Segurança Pública XLVI Pesqusa Operacoal a Gestão da Seguraça Públca DISPOSIÇÃO DE FACILIDADES EM FILA DUPLA VIA PROGRAMAÇÃO INTEIRA MISTA Leoardo D. Secch Departameto de Matemátca Aplcada, UFES, 29932-540, São Mateus,

Leia mais

ALGORITMO GENÉTICO MULTI- OBJETIVO PARA O SEQUENCIAMENTO INTEGRADO DE ATIVIDADES DE PRODUÇÃO E MANUTENÇÃO

ALGORITMO GENÉTICO MULTI- OBJETIVO PARA O SEQUENCIAMENTO INTEGRADO DE ATIVIDADES DE PRODUÇÃO E MANUTENÇÃO ALGORITMO GENÉTICO MULTI- OBJETIVO PARA O SEQUENCIAMENTO INTEGRADO DE ATIVIDADES DE PRODUÇÃO E MANUTENÇÃO Rodrgo Jose Pres Ferrera (UFPE ) rodjpf@gmal.com Joao Marco Soares de Souza Lma Flho (UFPE ) joaomarco2408@hotmal.com

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

Apostila de Introdução Aos Métodos Numéricos

Apostila 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 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

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

Projeto de rede na cadeia de suprimentos

Projeto de rede na cadeia de suprimentos Projeto de rede a cadea de suprmetos Prof. Ph.D. Cláudo F. Rosso Egehara Logístca II Esboço O papel do projeto de rede a cadea de suprmetos Fatores que fluecam decsões de projeto de rede Modelo para decsões

Leia mais

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA

A 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 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

CADERNO 1 (É permitido o uso de calculadora gráfica.)

CADERNO 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 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

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa

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

TREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS UTILIZANDO ENHANCED-CONTINUOUS-GRASP

TREINAMENTO 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 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

RESOLVENDO MOCHILAS COMPARTIMENTADAS RESTRITAS

RESOLVENDO MOCHILAS COMPARTIMENTADAS RESTRITAS RESOLVENDO MOCHILAS COMPARTIMENTADAS RESTRITAS Robso Hoto Uversdade Estadual de Lodra, CCE, Departameto de Matemátca CEP 8605-970, CP 600, foe (43) 337 450, hoto@uel.br Campus Uverstáro, Lodra, PR, Brasl

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

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

Reconhecimento de Padrões. Reconhecimento de Padrões

Reconhecimento 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 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

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

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

Otimização do Despacho Econômico de Energia Elétrica usando uma Combinação de Evolução Diferencial e Programação Quadrática Seqüencial

Otimização do Despacho Econômico de Energia Elétrica usando uma Combinação de Evolução Diferencial e Programação Quadrática Seqüencial Otmzação do Despacho Ecoômco de Eerga Elétrca usado uma Combação de Evolução Dferecal e Programação Quadrátca Seqüecal Leadro dos Satos Coelho e Vvaa Cocco Mara Potfíca Uversdade Católca do Paraá rupo

Leia mais

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20

Ex: 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 mais

I Seminário da Pós-graduação em Engenharia Elétrica

I Seminário da Pós-graduação em Engenharia Elétrica MÉTODO PRIMAL-DUAL DE PONTOS INTERIORES EM PROBLEMAS DE DESPACHO ECONÔMICO COM RESTRIÇÃO AMBIENTAL Améla de Lorea Staza Alua do Programa de Pós-Graduação em Egehara Elétrca Uesp Bauru Prof. Dr. Atôo Roberto

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

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

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04 MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de

Leia mais

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha 4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,

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

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

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

Aula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte

Aula 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 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

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações

Algoritmos 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 mais

Introdução aos Problemas de Roteirização e Programação de Veículos

Introdução aos Problemas de Roteirização e Programação de Veículos Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam

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

Prof. Eugênio Carlos Stieler

Prof. 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 mais

II Seminário da Pós-graduação em Engenharia Elétrica

II Seminário da Pós-graduação em Engenharia Elétrica MÉTODOS HÍBRIDOS DE PONTOS INTERIORES E DE PROGRAMAÇÃO INTEIRA 0- EM PROBLEMAS DE CUSTO DE TRANSPORTE E GERAÇÃO DE ENERGIA DA BIOMASSA DE CANA-DE-AÇÚCAR Camla de Lma Alua do Programa de Pós-Graduação em

Leia mais

II. Propriedades Termodinâmicas de Soluções

II. Propriedades Termodinâmicas de Soluções II. Propredades Termodâmcas de Soluções 1 I. Propredades Termodâmcas de Fludos OBJETIVOS Eteder a dfereça etre propredade molar parcal e propredade de uma espéce pura Saber utlzar a equação de Gbbs-Duhem

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

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

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. 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 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

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

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

Problema geral de interpolação

Problema geral de interpolação Problema geral de terpolação Ecotrar p() que verfque as codções: f j ( ) y,,,,,, j,,, m ( j) ( ) dervada de ordem j ós valores odas Eemplo: ecotrar p() que verfque:, f () 4 3, f( 3) 3, f'(3) 4 3 p() 3

Leia mais

Capítulo 8. Método de Rayleigh-Ritz

Capítulo 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 mais

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças

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

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

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

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

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal

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

ALGORITMO GENÉTICO POR CADEIA DE MARKOV HOMOGÊNEA VERSUS NÃO-HOMOGÊNEA: UM ESTUDO COMPARATIVO

ALGORITMO GENÉTICO POR CADEIA DE MARKOV HOMOGÊNEA VERSUS NÃO-HOMOGÊNEA: UM ESTUDO COMPARATIVO Revsta del Isttuto Chleo de Ivestgacó Operatva 2(202) 30-35 30 ALGORITMO GENÉTICO POR CADEIA DE MARKOV HOMOGÊNEA VERSUS NÃO-HOMOGÊNEA: UM ESTUDO COMPARATIVO V.S.M. Campos, A.G.C. Perera 2, L.A.Carlos 3

Leia mais

UMA HEURÍSTICA PARA O PROBLEMA DO PLANEJAMENTO DE ITINERÁRIOS DE SONDAS EM INTERVENÇÕES DE POÇOS DE PETRÓLEO

UMA HEURÍSTICA PARA O PROBLEMA DO PLANEJAMENTO DE ITINERÁRIOS DE SONDAS EM INTERVENÇÕES DE POÇOS DE PETRÓLEO UMA HEURÍSTICA PARA O PROBLEMA DO PLANEJAMENTO DE ITINERÁRIOS DE SONDAS EM INTERVENÇÕES DE POÇOS DE PETRÓLEO Leoardo Rbero da Costa Uversdade Federal do Ro de Jaero COPPE Brasl Departameto de Egehara de

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

Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade

Cursos 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 mais

Prof. Eugênio Carlos Stieler

Prof. 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 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

( ) Editora Ferreira - Toque de Mestre. Olá Amigos!

( ) 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 mais

1. Revisão Matemática

1. Revisão Matemática 1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado

Leia mais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro

Leia mais

2.0 - MODELAGEM DA CARGA

2.0 - MODELAGEM DA CARGA GAT-23 2 a 26 de ubro de 2 Campas - São Paulo - Brasl G R U P O I V GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT RESERVA DE POTÊNCIA OPERATIVA - UMA METODOLOGIA DE TRANSIÇÃO A. A.

Leia mais

ATRIBUIÇÃO DE ANTENAS A COMUTADORES EM REDES DE TELEFONIA CELULAR

ATRIBUIÇÃO DE ANTENAS A COMUTADORES EM REDES DE TELEFONIA CELULAR ATRIBUIÇÃO DE ATEAS A COMUTADORES EM REDES DE TELEFOIA CELULAR Edso Luz Fraça See Uversdade Estadual Paulsta UESP Faculdade de Egehara de Guaratguetá FEG 256-40 Guaratguetá, SP elfsee@feg.uesp.br Luz Atoo

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