Otimização em Redes. Árvore Geradora Mínima. Geraldo Robson Mateus DCC - UFMG

Tamanho: px
Começar a partir da página:

Download "Otimização em Redes. Árvore Geradora Mínima. Geraldo Robson Mateus DCC - UFMG"

Transcrição

1 Otmzação em Redes Árvore Geradora Mínma Geraldo Robson Mateus DCC - UFMG

2 Árvore Geradora Mínma Desea-se construr uma rede de comuncação entre váras cdades a custo mínmo. abe-se que o custo de qualquer lgação é dado por. c Árvore Geradora Mínma

3 Árvore Geradora Mínma 5, {0,1}, 4,, 0 3 1, 2 1, 1 mn, A y A y N r N r N y c E E A

4 Árvore Geradora Mínma Dado um grafo G = N,A onde cada arco possu um custo c + encontrar uma árvore T A que cubra cada vértce em V de forma a mnmzar a soma dos custos dos arcos em T. mn,, A, A c A {0,1}, N 1, 1, A N,2 n

5 AGM Uma condção necessára e sufcente para que G =N,A sea uma árvore geradora mínma é que para todo arco a u A A',o cclo A, A" A' { a }, verfca: " u c au c av, av A av au

6 Prmero Algortmo Guloso Boruva, e a um grafo coneo fnto assocamos um número real postvo, um peso, a cada arco e se estes números são todos dstntos, então este uma únca árvore geradora cua soma dos pesos em seus arcos é mínma dentre todas as árvores geradora possíves.

7 Algortmo de Krusal Ordene os arcos em A em ordem crescente de custos: {a1}; Repta se a Não forma cclo com os arcos de então faça até 1; Fm Algortmo. m; 1; ca 1 ca {a 2 };... ca m ;

8 Algortmo de Krusal 2 {a1}; Repta até se Contém um cclo A então selecona arco A' de custo mámo; faça m; Fm Algortmo. 1; {a 1; }; a v {a v };

9 Algortmo de Krusal 3 Ordene os arcos em A em ordem decrescente de custos: ca ca... ca ; Repta A; 0; G' 1; N, 1 {a } se é coneo 2 m então faça {a }; até m; Fm Algortmo.

10 Observações G =N, Árvore Geradora Mínma. Unão de pequenas árvores Otmaldade Krusal Teora de Matródes

11 Matródes ea M = E, F um sstema ndependente. Dzemos que M defne um matróde se o algortmo guloso resolve corretamente qualquer nstânca do Problema de Otmzação Combnatóra assocado a M ou a F, equvalentemente. Um conunto ou elemento ndependente mamal de F é um subconunto I E tal que I F e não este e E \ I : e U I F.

12 Matródes Teorema ea M = E, F um sstema ndependente. Então, as seguntes afrmatvas são equvalentes: M é um matróde; e I p, I p+1 e I p = p, I p+1 = p + 1, então este um elemento e I p+1 \ I p tal que e U I p F; e A é um subconunto de E e se I e I são elementos ndependentes mamas de A, então I = I.

13 Matródes Matróde Matrcal Matróde Gráfco Matróde Unforme Unão de Matródes Intersecção de Matródes

14 Algortmo de Prm 1/2 ea o nó ncal =1. ea L o vetor contendo para cada XXXX P a etremdade em P do arco mnmal de, ou sea, L=, onde YYYY P e, é o arco mnmal. ea n = N. para fmpara; 2,.., n L 1; c c faça se este oarco 1, A;, caso contráro;

15 Algortmo de Prm 2/2 P repta {1}; P {2,..., n}; o; selecone Ptal que c mn{ c P }; faça P P { }; P P { }; { L, }; se P o então fmse; paratodo P faça sec L ; fmse; fmpara; c c então faça c ; até P o; fm algortmo;

16 Compledade Krusal Ordenação arestas + verfcação de cclos Omlogn + On Prm ordenação + escolha do nó Omlogn usando heap Boruva unões de árvores Onlogn Yao Omloglogn

17 Compledade Algortmo Boruva Krusal arestas á ordenadas Krusal não ordenado Estruturas de dados especas e subproblemas utlzados Algortmo de unão de conuntos dsuntos Unão de conuntos dsuntos compressão de camnhos e unão com ran Unão de conuntos dsuntos e heapsort Compledade Omlogn Omαm,n Omlogn Prm - On 2 αm,n: Inverso da função de Acerman, pode ser assumdo como uma constante não maor que 4, para fns prátcos. Função de Acerman: A1, =2, 1, A, 1=A-1, 2, 2, A, = A-1,A, -1, 2

18 Compledade Prm Bnary Heap Omlogn Prm d-heap Ondlog d n+ mlog d n Krusal ordenado F-heap Onlogn + m Yao Cherton e Taran Heaps de tamanho, um algortmo de seleção Fla duplamente encadeada, leftst heap com deleção e unão atrasadas, unão de conuntos dsuntos Omloglogn Omloglogn

19 Compledade Fredman e Taran Gabow et al. F-heap, fla duplamente encadeada F-heaps com pacets, unão de conuntos dsuntos Omβm,n Omlogβm,n Karger Aleatorzação Onlogn+m Karger Chazelle Aleatorzação, recursão, algortmo de verfcação com tempo lnear oft heap, computação de conuntos ndependentes subótmos βm,n: mn{ log n m/n} e log 0 n = n Tempo de eecução esperado Om Om αm,n

20 Compledade Fredman e Taran Gabow et al. F-heap, fla duplamente encadeada F-heaps com pacets, unão de conuntos dsuntos Omβm,n Omlogβm,n Karger Aleatorzação Onlogn+m Karger Chazelle Aleatorzação, recursão, algortmo de verfcação com tempo lnear oft heap, computação de conuntos ndependentes subótmos βm,n: mn{ log n m/n} e log 0 n = n Tempo de eecução esperado Om Om αm,n

21 Árvore de Custo Mínmo Dado grafo G = N,A eleconar ACM com N -1 arcos AGM polnomal Uma vez que o número de arestas em uma árvore geradora qualquer é sempre n 1, a versão de mnmzação e mamzação do problema são equvalentes eleconar árvore de custo mínmo com 2 arcos ACM com = 2 arcos polnomal Problemas em grafos Cormen et al. 2001

22 ACM com arcos Dado um grafo G = N,A onde cada arco possu um custo c + encontrar uma árvore T A com arcos que mnmze a soma dos custos dos arcos em T.

23 ACM com arcos N y A N y N n N y c N A A A {0,1},, {0,1}, 1, 1,,2,, mn,,,

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada

Leia mais

Programação Linear 1

Programação Linear 1 Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

Interpolação Segmentada

Interpolação Segmentada Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e

Leia mais

Redes de Petri. Definições:

Redes de Petri. Definições: Redes de Petr Defnções: Uma Rede de Petr (PN) é m grafo dreto bpartdo o qal tem dos tpos de nós denomnados lgares (qe representam estados) e transções (qe representam eventos). O estado é alterado pelo

Leia mais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais 30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

Eletrotécnica AULA Nº 1 Introdução

Eletrotécnica AULA Nº 1 Introdução Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca

Leia mais

Escola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística

Escola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística Escola Secundára com º cclo D. Dns 10º Ano de Matemátca A Estatístca Trabalho de casa nº 15 GRUPO I 1. Num referencal o.n. Oxyz, a undade é o cm e a esfera defnda por ( ) ( ) está nscrta num cubo. O volume

Leia mais

Parte 1: Exercícios Teóricos

Parte 1: Exercícios Teóricos Cálculo Numérco SME0300 ICMC-USP Lsta 2: Sstemas Lneares Métodos Dretos Professora: Cyntha de O. Lage Ferrera Parte 1: Exercícos Teórcos 1. Consdere o sstema Ax = b, onde 1 α 3 α 1 4 ; x = 5 2 1 Para que

Leia mais

3 Algoritmos propostos

3 Algoritmos propostos Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos

Leia mais

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,

Leia mais

Teoremas de Otimização com Restrições de Desigualdade

Teoremas de Otimização com Restrições de Desigualdade Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral. DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou

Leia mais

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão. Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande

Leia mais

Sistemas de equações lineares

Sistemas de equações lineares Sstemas - ALGA - / Sstemas de equações lneares Uma equação lnear nas ncógntas ou varáves x ; x ; :::; x n é uma expressão da forma: a x + a x + ::: + a n x n = b onde a ; a ; :::; a n ; b são constantes

Leia mais

3.2. Solução livre de ciclos e solução como uma árvore geradora

3.2. Solução livre de ciclos e solução como uma árvore geradora Smplex Para Redes.. Noções Incas O algortmo Smplex para Redes pode ser entenddo como uma especalzação do método Smplex para aplcação em problemas de programação lnear do tpo fluxo de custo mínmo. O Smplex

Leia mais

Estruturas de Dados para Conjuntos Disjuntos: Union-find Letícia Rodrigues Bueno

Estruturas de Dados para Conjuntos Disjuntos: Union-find Letícia Rodrigues Bueno Estruturas de Dados para Conjuntos Disjuntos: Union-find Letícia Rodrigues Bueno UFABC Estruturas de Dados para Conjuntos Disjuntos: Introdução Estruturas de Dados para Conjuntos Disjuntos: Introdução

Leia mais

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas

Leia mais

2 Máquinas de Vetor Suporte 2.1. Introdução

2 Máquinas de Vetor Suporte 2.1. Introdução Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de

Leia mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma

Leia mais

Índice. Exemplo de minimização de estados mais complexo. estados

Índice. Exemplo de minimização de estados mais complexo. estados Sumáro Método da tabela de mplcações para mnmzar estados. Atrbução de códgos aos estados: métodos baseados em heurístcas. Índce Exemplo de mnmzação de estados mas complexo Método da tabela de mplcações

Leia mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto

Leia mais

Grafos Árvores Geradoras Mínimas

Grafos Árvores Geradoras Mínimas ALGORITMOS E ESTRUTURAS DE DADOS II Grafos Árvores Geradoras Mínimas Profa. Elaine Parros Machado de Sousa adaptações: Cris.na Dutra de Aguiar Ciferri Material baseado em aulas dos professores: Gustavo

Leia mais

Projeto e Análise de Algoritmos Projeto de Algoritmos Programação Dinâmica (continuação) Prof. Humberto Brandão

Projeto e Análise de Algoritmos Projeto de Algoritmos Programação Dinâmica (continuação) Prof. Humberto Brandão Projeto e Análise de Algoritmos Projeto de Algoritmos (continuação) Prof. Humberto Brandão humberto@dcc.ufmg.br aula disponível no site: http://www.bcc.unifal-mg.edu.br/~humberto/ Universidade Federal

Leia mais

BCC204 - Teoria dos Grafos

BCC204 - Teoria dos Grafos BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal

Leia mais

Cálculo Numérico BCC760 Interpolação Polinomial

Cálculo Numérico BCC760 Interpolação Polinomial Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

Projeto e Análise de Algoritmos Aula 8: Algoritmos Gulosos (DPV 5; CLRS 4)

Projeto e Análise de Algoritmos Aula 8: Algoritmos Gulosos (DPV 5; CLRS 4) 1 Projeto e Análise de Algoritmos Aula 8: Algoritmos Gulosos (DPV 5; CLRS 4) DECOM/UFOP 2013/1 5º. Período Anderson Almeida Ferreira Adaptado do material de Andréa Iabrudi Tavares BCC241/2012-2 3 Comparação

Leia mais

3.3 Ordenação por Heap (Heapsort)

3.3 Ordenação por Heap (Heapsort) 3.3 Ordenação por Heap (Heapsort) Heap descendente (max heap ou arvore descendente parcalmente ordenada) de tamanho n é um array que pode ser vsto como uma arvore bnára quase completa de n nós tal que

Leia mais

Otimização em Grafos

Otimização em Grafos Otimização em Grafos Luidi G. Simonetti PESC/COPPE 2017 Luidi Simonetti (PESC) EEL857 2017 1 / 35 Teoria dos Grafos - Relembrando Árvore Um grafo G é uma árvore se é conexo e não possui ciclos (acíclico).

Leia mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia mais

Métodos de Ordenação Parte 1

Métodos de Ordenação Parte 1 Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas

Leia mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores. MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo

Leia mais

Projeto e Análise. Aula 1: Algoritmos de Ordenação Prof. Carlos

Projeto e Análise. Aula 1: Algoritmos de Ordenação Prof. Carlos Proeto e Análse de Algortmos Aula 1: Algortmos de Ordenação Prof. Carlos de Salles Terças-feras, 8h20 às 11h10 Algortmos de Ordenação Insertsort Mergesort Heapsort Qucksort Algortmos de Ordenação Dado

Leia mais

INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA

INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04

Leia mais

Universidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula

Universidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula Universidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula Tópicos Introdução Ordenação por bolha (bubble sort)

Leia mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

Projeto e Análise de Algoritmos Aula 8: Algoritmos Gulosos (5)

Projeto e Análise de Algoritmos Aula 8: Algoritmos Gulosos (5) 1 Projeto e Análise de Algoritmos Aula 8: Algoritmos Gulosos (5) DECOM/UFOP 2012/2 5º. Período Anderson Almeida Ferreira Adaptado do material de Andréa Iabrudi Tavares BCC241/2012-2 3 Algoritmos Gulosos

Leia mais

Em muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.

Em muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo. .4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo

Leia mais

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min) PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.

Leia mais

Métodos de Ordenação Parte 1

Métodos de Ordenação Parte 1 Métodos de Ordenação Parte 1 Introdução à Cênca da Computação II Prof. Dego Raphael Amanco Baseado no materal dos Profs. Rudne Goularte e Thago A. S. Pardo O Problema da Ordenação Ordenação (ou classfcação)

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

INVESTIGAÇÃO OPERACIONAL PROGRAMAÇÃO NÃO LINEAR. (Exercícios)

INVESTIGAÇÃO OPERACIONAL PROGRAMAÇÃO NÃO LINEAR. (Exercícios) INVESTIGAÇÃO OPERACIONAL PROGRAMAÇÃO NÃO LINEAR (Exercícos) ( Texto revsto para o ano lectvo 2001-2002 ) Antóno Carlos Moras da Slva Professor de I.O. Recomendações 1. Fazer dez exercícos ou o mesmo exercíco

Leia mais

5COP096 TeoriadaComputação

5COP096 TeoriadaComputação Sylvio 1 Barbon Jr barbon@uel.br 5COP096 TeoriadaComputação Aula 12 Prof. Dr. Sylvio Barbon Junior Sumário - Árvore Geradora Mínima - Teorema pare reconhecer arestas seguras; - Algoritmo de Prim; - Algoritmo

Leia mais

2. VARIÁVEIS ALEATÓRIAS

2. VARIÁVEIS ALEATÓRIAS VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo

Leia mais

2 Análise de Campos Modais em Guias de Onda Arbitrários

2 Análise de Campos Modais em Guias de Onda Arbitrários Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por

Leia mais

Introdução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:

Introdução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio: Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:

Leia mais

ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS

ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End

Leia mais

Lista de exercícios sobre contagem de operações Prof. João B. Oliveira

Lista de exercícios sobre contagem de operações Prof. João B. Oliveira Lista de exercícios sobre contagem de operações Prof. João B. Oliveira 1. metodo m ( Vetor V ) int i, res = 0; para i de 1 a V.size res = res + V[i]; return res; Soma de elementos de um vetor, O( ). 2.

Leia mais

Mecanismos de Escalonamento

Mecanismos de Escalonamento Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur

Leia mais

Ajuste de Curvas Regressão. Computação 2º Semestre 2016/2017

Ajuste de Curvas Regressão. Computação 2º Semestre 2016/2017 Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter

Leia mais

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite 5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar

Leia mais

Processamento Cosequencial: Ordenação Interna e Externa. Thiago A. S. Pardo Leandro C. Cintra M.C.F. de Oliveira Cristina D. A.

Processamento Cosequencial: Ordenação Interna e Externa. Thiago A. S. Pardo Leandro C. Cintra M.C.F. de Oliveira Cristina D. A. Processamento Cosequencial: Ordenação Interna e Externa Thiago A. S. Pardo Leandro C. Cintra M.C.F. de Oliveira Cristina D. A. Ciferri Ordenação em RAM Situação: arquivo cabe em RAM Etapas leitura de todos

Leia mais

Covariância na Propagação de Erros

Covariância na Propagação de Erros Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos

Leia mais

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

Leia mais

Na Aula Anterior... Impasses (Deadlocks) Nesta Aula. Impasse. Recurso. Impasse (Deadlock) 17/10/2016

Na Aula Anterior... Impasses (Deadlocks) Nesta Aula. Impasse. Recurso. Impasse (Deadlock) 17/10/2016 GI018 stemas Operaconas 17/10/2016 Impasses (Deadlocks) Na ula nteror... Unversdade Federal de Uberlânda Faculdade de Computação Prof. Dr. rer. nat. Danel D. bdala 2 Nesta ula Impasse Motvação acerca dos

Leia mais

Heapsort Letícia Rodrigues Bueno

Heapsort Letícia Rodrigues Bueno Heapsort Letícia Rodrigues Bueno UFABC Heaps Heaps: lista linear com chaves s 1,..., s n com propriedade s i s i/2, para 1 < i < n; Heaps Heaps: lista linear com chaves s 1,..., s n com propriedade s i

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).

Leia mais

5 Problema de planejamento de novas redes de telecomunicações

5 Problema de planejamento de novas redes de telecomunicações Problema de planejamento de novas redes de telecomuncações O Problema de Planejamento de Novas Redes de Telecomuncações (PPNRT) consste em atender um conjunto de clentes com demandas dferentes que devem

Leia mais

CEL033 Circuitos Lineares I

CEL033 Circuitos Lineares I Aula 4/3/22 CEL33 Crcutos Lneares I NR- vo.junor@ufjf.edu.br Assocação Bpolos Assocação de Bpolos Assocação em Sére Elementos estão conectados em sére se são percorrdos pela mesma corrente. Assocação em

Leia mais

Lista 1 - PMR2300. Fabio G. Cozman 3 de abril de 2013

Lista 1 - PMR2300. Fabio G. Cozman 3 de abril de 2013 Lista 1 - PMR2300 Fabio G. Cozman 3 de abril de 2013 1. Qual String é impressa pelo programa: p u b l i c c l a s s What { p u b l i c s t a t i c void f ( i n t x ) { x = 2 ; p u b l i c s t a t i c void

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

Jogos. Jogos. Jogo. Jogo. Óptimo alvo investigação

Jogos. Jogos. Jogo. Jogo. Óptimo alvo investigação Jogos Óptmo alvo nvestgação O seu estado é fácl de representar; As acções são bem defndas e o seu número lmtado; A presença de oponentes ntroduz ncerteza tornando o problema de decsão mas complcado. Estamos

Leia mais

Modelação com Variáveis Discretas

Modelação com Variáveis Discretas Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos

Leia mais

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS 177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,

Leia mais

O estudo utilizando apenas este material não é suficiente para o entendimento do conteúdo. Recomendamos a leitura das referências no final deste

O estudo utilizando apenas este material não é suficiente para o entendimento do conteúdo. Recomendamos a leitura das referências no final deste O estudo utilizando apenas este material não é suficiente para o entendimento do conteúdo. Recomendamos a leitura das referências no final deste material e a resolução (por parte do aluno) de todos os

Leia mais

Problema da Árvore Geradora Mínima

Problema da Árvore Geradora Mínima Instituto Federal do Espírito Santo Campus Serra Problema da Árvore Geradora Mínima Diego Pasti Jefferson Rios Sumário Apresentação do Problema da AGM...3 Raízes do Problema Definindo o Problema O Problema

Leia mais

ROTEAMENTO DE LEITURISTAS: UM PROBLEMA NP-DIFÍCIL

ROTEAMENTO DE LEITURISTAS: UM PROBLEMA NP-DIFÍCIL ROTEAMENTO DE LEITURISTAS: UM ROLEMA N-DIFÍCIL Fábo Luz Usbert Faculdade de Engenhara Elétrca e de Computação UNICAM Cdade Unverstára Zeferno Vaz, Av. Albert Ensten, 4. CE: 383-852, Campnas - S fusbert@yahoo.com

Leia mais

CAPÍTULO 4 PROBABILIDADE DE BAYES

CAPÍTULO 4 PROBABILIDADE DE BAYES CAPÍTULO 4 PROBABILIDADE DE BAYES 1. Partção de um espaço amostral Os eventos B1, B2, B3,..., B, formam uma partção do espaço amostral S, se: p( B ) 0,para 1,2,3,..., a) b) B B, para c) 1 Exemplo 1: B

Leia mais

Rede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12

Rede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12 Rede de Hopfeld Rede de camada únca com realmentação x n x 2 x n n2 2 n 2n 2 - b - - n b 2 b n 2 Memóra (auto-assocata) assocata (terata) ou memóra de conteúdo endereçáel não lnear Cada undade lga com

Leia mais

Mergesort. Aula 04. Algoritmo Mergesort. Divisão e Conquista. Divisão e Conquista- MergeSort

Mergesort. Aula 04. Algoritmo Mergesort. Divisão e Conquista. Divisão e Conquista- MergeSort Mergesort Aula 0 Divisão e Conquista- MergeSort Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Mergesort é um algoritmo de ordenação recursivo Ele recursivamente ordena as duas

Leia mais

Redes Neurais (Inteligência Artificial)

Redes Neurais (Inteligência Artificial) Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes

Leia mais

Eduardo Andrade Veloso

Eduardo Andrade Veloso Estruturas de Árvores Dsuntas Obtdas através dos Conuntos Recíprocos Completos e Não Recíprocos e seu uso na Determnação das p-medanas de uma Rede. Eduardo Andrade Veloso Unversdade Estadual da Paraíba

Leia mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

INF 1010 Estruturas de Dados Avançadas

INF 1010 Estruturas de Dados Avançadas INF 1010 Estruturas de Dados Avançadas Listas de Prioridades e Heaps 1 Listas de Prioridades Em muitas aplicações, dados de uma coleção são acessados por ordem de prioridade A prioridade associada a um

Leia mais

PERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS

PERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada

Leia mais

Programação Não Linear. Programação Não-Linear 1

Programação Não Linear. Programação Não-Linear 1 Proramação Não Lnear Proramação Não-Lnear Os modelos empreados em Proramação Lnear são, como o própro nome dz, lneares (tanto a unção-obetvo quanto as restrções). Este ato é, sem dúvda, a maor das restrções

Leia mais

Experiência V (aulas 08 e 09) Curvas características

Experiência V (aulas 08 e 09) Curvas características Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de

Leia mais

EM (Dempster, Laird, Rubin: 1977)

EM (Dempster, Laird, Rubin: 1977) EM (Dempster, Lard, Rubn: 1977) Algortmo teratvo para localzação do(s) parâmetro(s) que maxmza(m) a função de verossmlhança p(x ) Dos passos por teração Passo E: cálculo do valor esperado de uma certa

Leia mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

Leia mais

Ciclos hamiltonianos e o problema do caixeiro viajante

Ciclos hamiltonianos e o problema do caixeiro viajante Ciclos hamiltonianos e o problema do caixeiro viajante Algoritmos em Grafos Marco A L Barbosa cba Este trabalho está licenciado com uma Licença Creative Commons - Atribuição-CompartilhaIgual 4.0 Internacional.

Leia mais

Códigos Corretores de Erros e Cliques de Grafos

Códigos Corretores de Erros e Cliques de Grafos Códigos Corretores de Erros e Cliques de Grafos Natália Pedroza Jayme Szwarcfiter Paulo Eustáquio UFRJ/UERJ 2016 Natália Pedroza (UFRJ/UERJ) Códigos Corretores 2016 1 / 32 Apresentação Códigos corretores

Leia mais

PLANO DE DISCIPLINA DISCIPLINA: Análise de Algoritmos

PLANO DE DISCIPLINA DISCIPLINA: Análise de Algoritmos UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE COMPUTAÇÃO BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO PLANO DE DISCIPLINA DISCIPLINA: Análise de Algoritmos ( X ) SEMESTRAL - ( ) ANUAL CÓDIGO: GBC052 PERÍODO:

Leia mais

2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho

2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho rof.: nastáco nto Gonçalves lho Introdução Nem sempre é possível tratar um corpo como uma únca partícula. Em geral, o tamanho do corpo e os pontos de aplcação específcos de cada uma das forças que nele

Leia mais

Linguagens Formais e Autómatos

Linguagens Formais e Autómatos Exame 07 Feverero 00 09:00 Parte prátca - Duração: 0h0m Atenção: Indque em cada folha o seu número e nome A prova é com consulta e tem a duração de 0h0m Grupo I Cotação a).0 b).0 Para cada uma das alíneas

Leia mais

Modelos para Localização de Instalações

Modelos para Localização de Instalações Modelos para Localzação de Instalações Prof. Dr. Ncolau D. Fares Gualda Escola Poltécnca da Unversdade de São Paulo Departamento de Engenhara de Transportes CLASSIFICAÇÃO DE WEBER (WEBER, Alfred. Uber

Leia mais

CIRCUITOS TRIFÁSICOS 23/09/2014. Fase. Sistemas. Ciclo

CIRCUITOS TRIFÁSICOS 23/09/2014. Fase. Sistemas. Ciclo /9/ CCUTO TFÁCO. DEFÇÕE. LGÇÕE. OTÊ T. OTÊ ET. OTÊ ETE. EXEMLO /9/ /9/ DEFÇÕE DEFÇÕE Fase Ângulo de atraso ou de avço de um snal alternado. ara sstemas trfáscos (), usa-se snal senodal. DEFÇÕE t /9/ /9/

Leia mais

Avaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017

Avaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017 3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação

Leia mais

( ) ( ) = -2x = = = = Assim, o que se obtém com essa formulação é o vetor λ que resulta no menor valor de u (não necessariamente zero).

( ) ( ) = -2x = = = = Assim, o que se obtém com essa formulação é o vetor λ que resulta no menor valor de u (não necessariamente zero). Otmzação em Enenhara Mecânca 4... Cálculo dos Multplcadores de Larane Veamos como calcular numercamente os multplcadores de Larane. Assocados a um ponto que fo calculado como sendo o ponto mínmo. Consderemos

Leia mais

Seqüenciação de N ordens de produção em uma máquina com tempo de preparação dependente da seqüência uma aplicação de busca tabu

Seqüenciação de N ordens de produção em uma máquina com tempo de preparação dependente da seqüência uma aplicação de busca tabu XXVI ENEGEP - Fortaleza, CE, Brasl, 9 a 11 de Outubro de 2006 Seqüencação de N ordens de produção em uma máquna com tempo de preparação dependente da seqüênca uma aplcação de busca tabu Renato de Olvera

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método

Leia mais

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma

Leia mais

Teoria Elementar da Probabilidade

Teoria Elementar da Probabilidade 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais