DECOMPOSIÇÕES LAGRANGEANAS PARA O PROBLEMA DE PROGRAMAÇÃO QUADRÁTICA BINÁRIA IRRESTRITA
|
|
- Lucinda Vilalobos Coradelli
- 6 Há anos
- Visualizações:
Transcrição
1 versão mpressa ISSN / versão ole ISSN DECOMPOSIÇÕES LAGRANGEANAS PARA O PROBLEMA DE PROGRAMAÇÃO QUADRÁTICA BINÁRIA IRRESTRITA Geraldo Regs Maur* Lab. Assocado de Computação e Matemátca Aplcada Isttuto Nacoal de Pesqusas Espacas (INPE) São José dos Campos SP Dep. de Egehara Rural / Cetro de Cêcas Agráras Uversdade Federal do Espírto Sato (UFES) Alegre ES maur@cca.ufes.br Luz Atoo Noguera Lorea Lab. Assocado de Computação e Matemátca Aplcada Isttuto Nacoal de Pesqusas Espacas (INPE) São José dos Campos SP lorea@lac.pe.br * Correspodg author / autor para quem as correspodêcas devem ser ecamhadas Recebdo em 04/2008; aceto em 12/2008 após 1 revsão Receved Aprl 2008; accepted December 2008 after oe revso Resumo O Problema de Programação Quadrátca Bára Irrestrta PQ é um dos problemas clásscos a área de otmzação ão-lear cuo obetvo é otmzar uma fução quadrátca através da escolha de valores báros aproprados para as varáves de decsão. Este trabalho propõe ovas alteratvas de decomposção Lagrageaa para obteção de lmtates para o PQ. Os métodos propostos tratam uma versão lear tera msta (PQL) do PQ que tem restrções represetadas através de um grafo. Esse grafo é partcoado em clusters de vértces formado um problema dual cua solução é dada por um algortmo de subgradete. A cada teração desse método, os subproblemas formados pelos subgrafos gerados são resolvdos pelo CPLEX. Expermetos computacoas tratam um couto de dados formado por dversas stâcas de dfícl solução e dferetes característcas. Os resultados mostram a efcêca dos métodos propostos em relação a métodos tradcoas de relaxação Lagrageaa e outros métodos ecotrados a lteratura. Palavras-chave: programação quadrátca; decomposção Lagrageaa; lmtates. Abstract The Ucostraed Bary Quadratc Programmg Problem PQ s a classcal o-lear problem of optmzg a quadratc obectve by sutable choce of bary decsos varables. Ths paper proposes e alteratves of Lagragea decomposto to fd bouds for PQ. The preseted methods treat a mxed bary lear verso (PQL) of PQ th costrats represeted by a graph. Ths graph s parttoed clusters of vertces formg a dual problem that s solved by a subgradet algorthm. The subproblems formed by the geerated subgraphs are solved by the CPLEX. Computatoal expermets cosder th a data set formed by several dffcult staces th dfferet characterstcs. The results sho the effcecy of the proposed methods over tradtoal Lagragea relaxatos ad other methods foud lterature. Keyords: quadratc programmg; Lagragea decomposto; bouds. Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de
2 1. Itrodução O Problema de Programação Quadrátca Bára Irrestrta é um dos problemas clásscos em otmzação ão-lear. Esse problema também é cohecdo como problema de programação bvalete quadrátca rrestrta (Gulat et al., 1984) e problema de programação quadrátca zero-um rrestrta (Chardare & Sutter, 1995). Por uma questão de otação, esse problema será tratado adate como PQ. O PQ cosste em maxmzar (ou mmzar) uma fução obetvo quadrátca através da escolha de valores aproprados para as varáves de decsão báras (Beasley, 1998). O PQ é um problema NP-Hard (Blloet & Elloum, 2007) e apreseta uma grade quatdade de aplcações em dversas áreas, como por exemplo: bologa molecular (Phllps & Rose, 1994); bologa computacoal (Forrester & Greeberg, 2008); eurocêca (Pardalos et al., 2004); plaeameto de vestmetos e aálse facera (Laughu, 1970; McBrde & Yormar, 1980); e algus problemas do tpo CAD (Krarup & Pruza, 1978). Além dsso, o PQ ada aborda úmeros problemas modelados através de grafos, como clque máxmo, máxmo couto depedete, e outros (Pardalos & Phllps, 1990; Pardalos & Rodgers, 1992; Pardalos & Xue, 1994). Város métodos exatos e heurístcos têm sdo propostos para resolver o PQ, etretato, os métodos exatos exstetes (Blloet & Sutter, 1994; Pardalos & Rodgers, 1990a; Pardalos & Rodgers, 1990b) são restrtos a problemas com até 200 varáves. Já os métodos heurístcos (Beasley, 1998; Glover et al., 1998; Pardalos & Jha, 1992) têm apresetado bos resultados para stâcas maores (com até 2500 varáves). Uma outra abordagem teressate para resolver o PQ é a relaxação do problema para obteção de lmtates (Adams & Dearg, 1994; Chardare & Sutter, 1995). Essa abordagem possu a vatagem de defr lmtates para a solução ótma, e pode apresetar uma formação dual de boa qualdade, o que permte avalar a proxmdade da melhor solução ecotrada em relação à solução ótma do problema. Outra prátca comum para resolver o PQ é a learzação do seu modelo orgal (Adams et al., 2004; Glover & Woolsey, 1974; Hase & Meyer, 2008), ou sea, a obteção de um modelo lear equvalete cuas soluções são correspodetes ao modelo quadrátco orgal. Dessa forma, o PQ é trasformado em um problema lear tero msto, o que permte a relaxação lear de suas varáves de decsão, e cosequetemete a obteção de um lmtate para a solução do problema orgal. Esse lmtate é cohecdo como roof dual (Adams & Dearg, 1994; Boros et al., 1990; Boros et al., 1992; Hammer et al., 1984). Este trabalho propõe ovos métodos para obteção de lmtates para o PQ. São apresetadas três abordages baseadas a decomposção Lagrageaa para tratar uma versão lear tera msta (PQL) do PQ. O PQL é represetado através de um grafo que é partcoado através da heurístca METIS (Karyps & Kumar, 1998). A partr de etão, é formado um problema dual cua solução é dada por um algortmo de subgradete. A cada teração desse método, os subproblemas formados pelos subgrafos gerados são resolvdos pelo CPLEX. O restate do artgo está orgazado como segue. A Seção 2 apreseta uma breve revsão bblográfca sobre o PQ e os métodos utlzados este artgo. Na Seção 3 são apresetados os modelos matemátcos utlzados, e a Seção 4 descreve os lmtates propostos. Os resultados computacoas são apresetados a Seção 5, e as coclusões são resumdas a Seção Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de 2009
3 2. Revsão bblográfca Chardare & Sutter (1995) propõem um algortmo para obteção de lmtates para o PQ. Esse algortmo é baseado a decomposção Lagrageaa da fução obetvo quadrátca do problema orgal em um somatóro de fuções pseudoleares. O método proposto é uma relaxação dual do problema quadrátco orgal. A dvsão do problema em clusters é realzada de forma aleatóra. Os resultados obtdos mostram que quato maor o tamaho dos clusters melhor é o lmtate, etretato, os gaps aumetam sgfcatvamete com o tamaho dos problemas. Eles mostram que etre as téccas de decomposção, a Lagrageaa é a que apreseta os melhores resultados. Além dsso, eles mostram que o algortmo proposto obtém, o por caso, um lmtate gual ao roof dual. Os resultados são apresetados para problemas com até 100 varáves. Uma abordagem trval para obteção de lmtates para o Problema Quadrátco da Mochla PQM é apresetada por Blloet & Calmels (1996). Essa abordagem é baseada a learzação do problema e a resolução desse modelo lear através da relaxação lear das varáves de decsão. Eles mostram que esses lmtates são de qualdade moderada. Além dsso, eles utlzam a serção de restrções de corte de Chvatal Gomory, que apresetam melhores lmtates. Blloet et al. (1999) propõem um lmtate para o PQM baseado a dvsão do couto de varáves do problema orgal em dversos subcoutos dsutos. Essa dvsão é feta aleatoramete, gerado subcoutos com o máxmo 5 varáves. A dea é utlzar a decomposção Lagrageaa para dvdr o problema em subproblemas depedetes. A escolha dos multplcadores Lagrageaos é feta através do método de subgradete. Assm como apresetado por Chardare & Sutter (1995), os autores mostram que quato maor o tamaho dos subproblemas melhor é o lmtate, etretato, o tempo aumeta expoecalmete. Adams & Dearg (1994) apresetam uma dscussão sobre a obteção de lmtates para o PQ. Eles apresetam um modelo lear para o problema, que é obtdo através da técca de learzação de Glover & Woolsey (1974). Váras estratégas de learzação do PQ são apresetadas e dscutdas em Adams et al. (2004) e Hase & Meyer (2008). Város métodos baseados em busca em árvores para resolver o PQ são ecotrados a lteratura. Gulat et al. (1984) apresetam um método de busca em árvore, baseado a eumeração de ótmos locas, que resolve problemas com até 40 varáves. Pardalos & Rodgers (1990a) apresetam um método de busca em árvore que utlza lmtates baseados a fxação de varáves em cada ó da árvore. Os resultados tratam problemas com até 200 varáves. Pardalos & Rodgers (1990b) apresetam uma versão paralelzada de um brachad-boud capaz de resolver problemas com até 100 varáves. Blloet & Sutter (1994) apresetam um método de busca em árvore capaz de resolver problemas com até 100 varáves. Palubecs (1995) propõe uma busca em árvore heurístca que apreseta resultados para problemas com até 247 varáves. Uma heurístca baseada a Busca Tabu é proposta por Glover et al. (1998). Essa heurístca resolve problemas com até 500 varáves. Beasley (1998) apreseta uma comparação etre duas metaheurístcas para resolver o PQ. Ele utlza a Busca Tabu e o Smulated Aealg para resolver problemas com até 2500 varáves (com baxa desdade). A Busca Tabu apreseta os melhores resultados para a maora dos problemas utlzados. Já o Smulated Aealg supera a Busca Tabu para os problemas com maor úmero de varáves. Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de
4 Recetemete, Palubecs (2004) apreseta cco dferetes estratégas baseadas a Busca Tabu para resolver o PQ. O autor apreseta dferetes mecasmos que utamete com a Busca Tabu proposta por Beasley (1998) apresetam as melhores soluções cohecdas para o couto de stâcas utlzado. São apresetados resultados para stâcas com até 6000 varáves em tempos computacoas ferores aos demas métodos ecotrados a lteratura. Pardalos & Jha (1992) dscutem a complexdade computacoal de város problemas relacoados com o PQ e apresetam uma heurístca de busca local para resolvê-lo. Os resultados são apresetados para problemas com até 100 varáves. 3. Modelos matemátcos Cosderado uma matrz de úmeros reas Q = [q ] mxm, o PQ pode ser formulado pela expressão (1). PQ: v(pq) = m m max qxx x báro = 1 = 1 (1) A matrz Q pode ser cosderada smétrca sem perder a geeraldade do problema, pos caso essa matrz ão sea smétrca, pode-se utlzar a relação Q = (Q + Q t ) / 2 (Blloet & Elloum, 2007). Assm, de forma aáloga a apresetada por Adams & Dearg (1994), o PQ pode ser reescrto da segute forma: m PQ: v(pq) = max 2 x báro qx+ qxx (2) = 1 (,) P N ode N = {(,): <, q < 0} e P = {(,): <, q > 0}. Como apresetado em Adams & Dearg (1994), pode-se aplcar a técca de learzação de Glover & Woolsey (1974) em (2), substtudo os termos quadrátcos x x pela varável cotíua e por restrções que garatam que = x x. Logo, tem-se uma versão lear tera msta de PQ (3-8). Por coveção, esse modelo será chamado PQL. PQL: v(pql) = Max m qx+ 2q (3) = 1 (, ) P N Sueto a x 0 (, ) P (4) x 0 (, ) P (5) x + x 1 (, ) N (6) 0 (, ) N (7) x {0,1} = 1,..., m (8) 114 Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de 2009
5 4. Decomposções Lagrageaas A decomposção Lagrageaa é um caso especal de relaxação Lagrageaa que cosste em dvdr o problema orgal em város subproblemas e crar uma cópa das varáves de decsão em cada um dos subproblemas gerados. Essas cópas são utlzadas as restrções dos subproblemas, e restrções que garatem a gualdade etre as varáves orgas e suas cópas são relaxadas o setdo Lagrageao (Chardare & Sutter, 1995). A partr da matrz Q descrta a seção ateror, pode-se crar um grafo G=(V,A) com V = {1,,m} e uma matrz de adacêcas A = [a ] m m, a = 1 se q 0 e a = 0 se q = 0. Partcoado o grafo G em ( m) clusters depedetes, tem-se V = V 1 V 2... V, ode V V = (, = 1,,; ), G = (V,A ), = 1,...,, e X = V V, = 1,...,. A Fgura 1(a) apreseta um exemplo de grafo gerado a partr do modelo PQL. O partcoameto desse grafo em 3 clusters ( = 3) é lustrado a Fgura 1(b). q 11 2q 12 q 33 q 11 2q 12 q 33 2q 14 2q 36 2q 14 2q 36 q 44 2q45 2q56 q 44 2q45 2q56 Fgura 1 Exemplo de grafo para represetação do PQ. A segur, são apresetadas as abordages propostas este trabalho, que tratam o PQ através de modelos leares represetados através de grafos, e copam apeas as varáves de decsão ecessáras em cada subproblema. Essas são as prcpas característcas que dferecam as decomposções propostas em relação às á exstetes a lteratura para problemas quadrátcos (Blloet et al., 1999 e Chardare & Sutter, 1995) ª abordagem A partr do grafo G, o PQL é decomposto em subproblemas através da cópa das arestas formadas por vértces pertecetes a clusters dsttos (arestas ter-clusters) e de seus respectvos vértces. Além dsso, o valor assocado a cada aresta é dvddo etre os orgas e suas cópas. Logo, o PQL pode ser reescrto da segute forma: PQL1 : v(pql1 ) = Max q q x x q q q = 1 V c (, ), V; c (, ) ( P N) A (, ) P N; (, ) P N; X V; X V; X (9) Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de
6 Sueto a (, ) P A, = 1,..., (10) (, ) P A, = 1,..., (11) x + x 1 (, ) N A, = 1,..., (12) 0 (, ) N A, = 1,..., (13) (, ) P, V, X, = 1,..., (14) (, ) P, V, X, = 1,..., (15) x + x 1 (, ) N, V, X, = 1,..., (16) 0 (, ) N, V, X, = 1,..., (17) x = x X, = 1,..., (18) = (, ) P N, V, X, = 1,..., (19) x {0,1} V, = 1,..., (20) Nesse modelo, as varáves x represetam as cópas do vértce o cluster, e as varáves represetam as arestas etre os vértces e a cópa de o cluster. c dca a quatdade de cópas do vértce exstete os clusters. As restrções (10)-(13) tratam apeas as arestas (,) cuos vértces são teros ao cluster (subgrafo) (arestas tra-cluster). Já as restrções (14)-(17) tratam as arestas (,) cuos vértces estão em clusters dsttos (arestas ter-clusters arestas de lgação). As restrções (18) e (19) são as restrções de cópa, que garatem a gualdade etre as varáves orgas e suas cópas. A Fgura 2 apreseta os clusters gerados por esse modelo aplcado ao grafo descrto a Fgura 1. Nessa fgura, os vértces em cza represetam as cópas ecessáras para a decomposção do problema orgal. As arestas traceadas são cópas das arestas orgas. 2q 12 q 33 q 11 q 14 q 14 q q 36 q 56 q q q Fgura 2 Grafo gerado a 1ª abordagem. 116 Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de 2009
7 Relaxado as restrções (18)-(19) o setdo Lagrageao através de vetores de multplcadores α e β, respectvamete, o problema PQL1 (dretamete o PQ) pode ser dvddo em subproblemas depedetes. Logo, para = 1,...,, tem-se: DecL αβ PQL1 : v(decl αβ PQL1 ) = Max q d α x + + α x V c d (, ), V; X c 2 ( β ) ( β ) q q q (, ) ( P N) A (, ) P N; V; X (, ) P N; V; X q (21) Sueto a (, ) P A (22) (, ) P A (23) x + x 1 (, ) N A (24) 0 (, ) N A (25) (, ) P, V, X (26) (, ) P, V, X (27) x + x 1 (, ) N, V, X (28) {0,1} (, ) P N, V, X (29) {0,1} (, ) P N, V, X (30) x {0,1} X (31) x {0,1} V (32) As restrções (29), (30) e (31) são serdas o modelo para mater a vabldade das soluções dos subproblemas. Por fm, a solução da relaxação do problema PQL1 (que é equvalete a PQ) em subproblemas (clusters), é dada pela expressão (33), e o seu dual Lagrageao é apresetado pela expressão (34). DecL αβ PQL1 : v(decl αβ PQL1 ) = DecLαβ PQL1 (33) = 1 DDecL αβ PQL1 : v(ddecl αβ PQL1 ) = M { DecLαβ PQL1 }, αβ, rrestrtos (34) Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de
8 4.2 2ª abordagem Segudo a 1ª abordagem, surge a dea de substtur as varáves ( V e X ) pelas varáves, e ão dvdr o valor assocado às arestas. Logo, o PQL pode ser escrto da segute forma: PQL2 : v(pql2 ) = Max qx + 2q + 2q = 1 V (, ) ( P N) A (, ) P N; V; X (35) Sueto a (10), (11),, (18) e (20) Nesse modelo, ão exste a restrção de cópa (19) das varáves ( V e X ), pos essas são substtuídas dretamete pelas varáves. Relaxado a restrção de cópa (18) o setdo Lagrageao através do vetor de multplcadores α, o problema pode ser dvddo em subproblemas depedetes, sedo: DecL α PQL2 : v(decl α PQL2 ) = Max (36) d q α x + α x + 2q + 2q V d (, ), V; X (, ) ( P N) A (, ) P N; V; X Sueto a (22), (23),, (28), (31) e (32) 0 (, ) N, V, X (37) A restrção (37) é serda o modelo, e esse caso ela ão precsa ser bára para mater a vabldade das soluções dos subproblemas. A solução da relaxação do problema em subproblemas (clusters), é dada pela expressão (38), e o seu dual Lagrageao pela expressão (39). DecL α PQL2 : v(decl α PQL2 ) = DecLα PQL2 (38) = 1 DDecL α PQL2 : v(ddecl α PQL2 ) = M { DecLα PQL2 }, α rrestrto (39) Os clusters gerados essa abordagem são apresetados a Fgura 3. Nesse caso, as arestas ter-clusters são substtuídas dretamete pelas arestas traceadas. q 11 2q 12 q 33 2q 14 2q 36 2q 56 q 44 2q 45 Fgura 3 Grafo gerado a 2ª abordagem. 118 Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de 2009
9 4.3 3ª abordagem Segudo a 2ª abordagem, e as deas apresetadas por Blloet et al. (1999) e Chardare & Sutter (1995), surge a dea de utlzar toda a matrz Q o modelo lear do PQ (PQL). Logo, o PQL pode ser escrto da segute forma: PQL3 : v(pql3 ) = Max Sueto a qx + q + q = 1 V V; V; V; X; (40) V, V,, q > 0, = 1,..., (41) V, V,, q > 0, = 1,..., (42) x + x 1 V, V,, q < 0, = 1,..., (43) 0 V, V,, q < 0, = 1,..., (44) V, X,, q > 0, = 1,..., (45) V, X,, q > 0, = 1,..., (46) x + x 1 V, X,, q < 0, = 1,..., (47) 0 V, X,, q < 0, = 1,..., (48) x = x X, = 1,..., (49) = V, X, >, = 1,..., (50) x {0,1} V, = 1,..., (51) A partr das deas expostas essa abordagem, pode-se defr o grafo dos subproblemas (clusters) assm como apresetado a Fgura 4. q 12 q 33 q 11 q 14 q 21 q 63 q 36 q 41 q 54 q 56 q 65 q 44 q 45 Fgura 4 Grafo gerado a 3ª abordagem. Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de
10 Relaxado as restrções (49) e (50) o setdo Lagrageao, através dos vetores de multplcadores α e β, o problema pode ser dvddo em subproblemas depedetes, sedo: DecL αβ PQL3 : v(decl αβ PQL3 ) = Max d q α x + α x + q + ( q β ) + ( q + β) (52) V d X V V ; V X; > V X; < Sueto a V, V,, q > 0 (53) V, V,, q > 0 (54) x + x 1 V, V,, q < 0 (55) 0 V, V,, q < 0 (56) V, X,, q > 0 (57) V, X,, q > 0 (58) x + x 1 V, X,, q < 0 (59) {0,1} V, X,, q < 0 (60) x {0,1} X (61) x {0,1} V, = 1,..., (62) As restrções (60) e (61) são serdas o modelo para mater a vabldade das soluções dos subproblemas. Por fm, a solução da relaxação do problema PQL3 em subproblemas, é dada pela expressão (63), e o seu dual Lagrageao é apresetado a expressão (64). DecL αβ PQL3 : v(decl αβ PQL3 ) = DecLαβ PQL3 (63) = 1 DDecL αβ PQL3 : v(ddecl αβ PQL3 ) = M { DecLαβ PQL3 }, αβ, rrestrtos (64) 4.4 Comparação etre as abordages apresetadas As três abordages apresetadas essa seção possuem deas semelhates, porém cada uma apreseta característcas própras. A 1ª abordagem (Fgura 2) copa as arestas formadas por vértces pertecetes a clusters dsttos e seus respectvos vértces o vértce 4 e as arestas (1,4) e (4,4) são copados para o cluster 1, e o vértce 6 e a aresta (5,6) são copados para o cluster 2. Além dsso, o valor assocado a cada aresta é dvddo etre as orgas e suas cópas: q 14, q 44 e q 56. Nessa 120 Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de 2009
11 abordagem, as arestas (1,4) e (5,6) são apresetadas a Fgura 2 apeas para lustrar que as varáves 14 e 56 serão utlzadas a formulação, assm como suas cópas 1 14 e A 2ª abordagem (Fgura 3) substtu as varáves ( V e X ) dretamete pelas varáves, ou sea, as arestas (,) pelas arestas (,) o cluster 14 por 1 14 e 56 por Além dsso, o valor assocado às arestas ão é dvddo essa abordagem. Já a 3ª abordagem (Fgura 4), toda a matrz Q é utlzada o vértce 4 é copado o cluster 1, os vértces 1 e 6 são copados o cluster 2, e o vértce 5 é copado o cluster 3. Nesse caso, os valores assocados às arestas são matdos o cluster do vértce de orgem. 4.5 Outros lmtates para o PQ O valor da solução da relaxação lear do PQL (substtur a restrção (8) por 0 1) é um lmtate trval para o PQ (Blloet & Calmels, 1996). Como apresetado em Adams e Dearg (1994), esse lmtate é cohecdo como roof dual. Por otação, esse modelo relaxado será tratado como PQL. Um outro lmtate para o PQ, pode ser obtdo através da serção de uma restrção de corte de Chvatal-Gomory em PQL. Essa restrção é descrta a expressão (65). x + x + x 1 (, ),(, ),(, ) P N (65) Essa restrção de corte é baseada em uma das restrções de corte apresetadas em Blloet e Calmels (1996) para o Problema Quadrátco da Mochla PQM. Como mostrado por esses autores, o lmtate obtdo com a serção de restrções de corte é melhor do que o apresetado pela relaxação lear do PQM. Por coveção, o modelo PQL com a restrção de corte será tratado como PQLC. A relaxação Lagrageaa das restrções (4), (5) e/ou (6) também pode ser utlzada para obteção de outros lmtates para o PQ. Sedo assm, essas restrções podem ser combadas de forma a gerar sete modelos dferetes para o problema: Lag α PQL: restrção (4) relaxada o setdo Lagrageao. Lag β PQL: restrção (5) relaxada o setdo Lagrageao. Lag λ PQL: restrção (6) relaxada o setdo Lagrageao. Lag αβ PQL: restrções (4) e (5) relaxadas o setdo Lagrageao. Lag αλ PQL: restrções (4) e (6) relaxadas o setdo Lagrageao. Lag βλ PQL: restrções (5) e (6) relaxadas o setdo Lagrageao. Lag αβλ PQL: restrções (4), (5) e (6) relaxadas o setdo Lagrageao. Para cada um desses modelos, pode-se obter um lmtate para o PQ através da mmzação do seu dual Lagrageao correspodete (DLag α PQL, DLag β PQL, etc). Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de
12 5. Expermetos computacoas Foram realzados úmeros expermetos computacoas evolvedo um couto de 45 stâcas dspoíves a OR-Lbrary (Beasley, 1990). Essas stâcas foram cradas através do gerador proposto por Pardalos & Rodgers (1990a), e separadas em 6 classes (A, B, C, D, E e F) com dferetes característcas (m, desdade, e tervalo dos elemetos da matrz Q). Os problemas das classes A, B e C foram apresetados em Pardalos & Rodgers (1990a), e os demas em Glover et al. (1998). Devdo a suas característcas, essas stâcas estão etre as mas dfíces ecotradas a lteratura (Glover et al., 1998). Todos os expermetos foram realzados em um PC com processador AMD Athlo de 2.2 GHz com 1GB de memóra RAM, e o códgo-fote fo mplemetado em C++. Para resolver a relaxação lear do problema ( PQL ) e a relaxação lear com a restrção de corte (PQLC), fo utlzado o CPLEX (Ilog, 2006) com o tempo lmte de 1 hora de processameto para cada stâca. O dual Lagrageao dos modelos apresetados a seção ateror fo otmzado através do algortmo de subgradete apresetado em Narcso & Lorea (1999), que aproxma as soluções do problema o setdo eucldeao de dstâca (Parer & Rard, 1988). O CPLEX (Ilog, 2006) também fo utlzado para resolver de forma exata os modelos dos problemas e subproblemas (o caso das decomposções) a cada teração do algortmo de subgradete. O tempo lmte para execução desse algortmo também fo de 1 hora. A dvsão do grafo G fo realzada através da heurístca METIS (Karyps & Kumar, 1998), que segudo Hcs et al. (2005), apreseta bos resultados para o partcoameto de grafos. Dado um grafo G={V,A} e um úmero pré-defdo de clusters, a METIS dvde o grafo G em agrupametos com o obetvo de mmzar o úmero de arestas com termações em clusters dsttos, ou sea, reduzdo o úmero de arestas ter-clusters. Na Tabela 1, os gaps apresetados são calculados de acordo com a expressão (66), a qual v(opt) é o valor da melhor solução cohecda (Glover et al., 1998) para as stâcas utlzadas, e v(solução) é o valor do lmtate obtdo pelas abordages propostas. v( Solução) v( OPT ) gap = 100 (66) vopt ( ) A colua Dsde apreseta a desdade da matrz Q de cada stâca, e a colua Lag apreseta os melhores gaps obtdos pelas relaxações Lagrageaas tradcoas. A colua (DDL αβ PQL3 )* apreseta os resultados obtdos pela 3ª abordagem proposta, porém com a dvsão do grafo do problema de forma aleatóra, assm como apresetado em Blloet et al. (1999) e Chardare & Sutter (1995). Os melhores resultados estão destacados em egrto. 122 Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de 2009
13 Tabela 1 Gaps (%) obtdos pelos métodos propostos. Ist. m Dsde (%) PQL PQLC Lag DDL αβ PQL1 DDL α PQL2 DDL αβ PQL3 (DDL αβ PQL3 )* 1a , a a ,77 6,36 3,37 0,31 0,32 0 0,31 4a ,10 0,10 0, a ,12 11,59 4, a ,38 20,67 8, a ,51 10,58 7, a 100 6, b ,98 95,99 194,66 15,66 15, b ,51 185,67 329,68 21,61 21,60 6,21 7,66 3b ,24 252,82 429,66 29,48 29,49 8,24 22,06 4b ,60 325,06 538,65 36,97 36,96 4,82 16,15 5b ,67 321,78 534,36 21,19 21,19 3,31 7,88 6b ,77 419,18 680,98 29,43 29,42 9,61 12,00 7b ,50 425,00 690,11 19,84 19,87 0 5,03 8b ,00 560,00 892,05 35,18 35,20 20,79 22,05 9b ,12 706, ,76 49,41 49,44 27,21 27,97 10b ,97 750, ,72 39,76 39,75 23,14 33,46 1c ,57 21,31 17, c ,79 25,51 20, c ,04 22,27 14, c ,62 20,03 9, c ,64 16,35 6, c ,48 0, c d ,53 8,27 1, d ,91 64,31 44,96 15,48 5,74 5,94 8,57 3d ,94 58,08 57,69 41,69 9,07 6,47 13,23 4d ,52 73,17 92,15 92,47 21,34 9,67 15,16 5d ,34 86,05 112,79 111,53 41,67 10,2 16,62 6d ,79 80,52 113,68 118,33 27,81 1,57 11,23 7d ,14 110,48 162,54 143,54 35,02 3,92 4,94 8d ,24 105,85 151,40 135,74 20,24 4,32 6,13 9d ,13 134,76 194,06 167,14 28,93 1,26 2,05 10d ,16 132,04 183,00 161,87 25,61 4,29 5,30 1e ,27 35,26 28,26 13,05 5,65 7,17 8,92 2e ,48 83,86 94,4 149,98 60,42 51,75 58,41 3e ,73 110,69 144,66 88,61 72,61 85,83 88,39 4e ,88 98,50 187,58 94,40 73,55 93,33 94,29 5e ,42 148,84 228,72 118,53 134,41 154,52 159,06 1f ,28 126,12 124,66 95,68 93,44 92,52 98,46 2f ,20 164,58 297, f ,68-19, f ,96-11, f ,32-9, Tempo médo (seg.) 173,96 371, , , , , ,44 Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de
14 A últma lha dessa tabela apreseta os tempos médos ecessáros para resolver cada stâca através do método correspodete. As stâcas da classe B são formadas por matrzes Q as quas todos os elemetos exteros à dagoal prcpal são egatvos ou ulos (q 0, < ). Logo, as relaxações Lagrageaas baseadas as arestas postvas (Lag α PQL, Lag β PQL e Lag αβ PQL) ão foram utlzadas. Nesse caso, os resultados apresetados (colua Lag) foram obtdos através da Lag λ PQL, pos Lag λ PQL = Lag αλ PQL = Lag βλ PQL = Lag αβλ PQL. Já para as stâcas das demas classes, os melhores resultados das relaxações Lagrageaas tradcoas (colua Lag) foram obtdos através das relaxações de apeas uma aresta postva (Lag α PQL ou Lag β PQL). Para as stâcas das classes A e C, os gaps obtdos pelas decomposções propostas foram guas à zero em quase todos os casos, e de melhor qualdade em relação aos demas métodos. Já para as stâcas da classe B, que apresetam grades gaps de dualdade, os gaps obtdos pelas decomposções foram sgfcatvamete dstates do roof dual e meores que os demas métodos. Etre as decomposções propostas, a 3ª abordagem apresetou melhores resultados. Os gaps obtdos pelas decomposções, para as stâcas da classe D, também foram meores que os demas. Etre as abordages propostas, a 3ª apresetou os melhores resultados, segudo pela 2ª e posterormete pela 1ª, e mas uma vez, todas apresetaram gaps dstates do roof dual. Para as stâcas da classe E, a 2ª e a 3ª abordagem apresetaram ovamete gaps meores do que os demas e dstates do roof dual. A 1ª abordagem também apresetou gaps pequeos, porém para a stâca 2e, o gap apresetado fo por do que o roof dual. Para essas stâcas, foram testados város úmeros de clusters (), e os melhores resultados foram obtdos com úmeros maores de clusters para as stâcas com maores desdades (Dsde). Já para as stâcas da classe F, as decomposções apresetaram resultados apeas para a stâca 1f (com 10% de desdade), e esses resultados também foram melhores que os demas. Para as demas stâcas, foram testados város úmeros de clusters (10, 20 e 50) e em ehum caso foram obtdas soluções em um tempo aproxmado de 1 hora de processameto. Comparado as duas últmas coluas da Tabela 1, percebe-se uma pora os lmtates obtdos utlzado o partcoameto aleatóro do grafo dos problemas (DDL αβ PQL3 )*, o que é ustfcado pelo fato de que a METIS partcoa o grafo vsado reduzr o úmero de arestas ter-clusters, e cosequetemete, como pode ser observado as Fguras 2, 3 e 4, e os respectvos modelos, gera uma relaxação mas forte para o problema orgal. 6. Coclusões Novas formas de decomposção Lagrageaa para obteção de lmtates para o problema de programação quadrátca bára rrestrta foram apresetadas este trabalho. Istâcas de dfícl solução e com dferetes característcas foram utlzadas para avalar os métodos propostos. As decomposções propostas apresetaram exceletes resultados para as stâcas com até 200 varáves, com váras desdades, e para a stâca com 500 varáves com baxa 124 Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de 2009
15 desdade. Já para as stâcas com 500 varáves e alta desdade, tas métodos ão apresetaram soluções, pos o CPLEX ão fo capaz de resolver os subproblemas detro de um tempo acetável. As decomposções apresetadas tratam o PQ através de modelos leares represetados através de grafos, e copam apeas as varáves de decsão ecessáras em cada subproblema. Além dsso, a dvsão do problema é realzada através da heurístca de partcoameto de grafos METIS (Karyps & Kumar, 1998), e os subproblemas são resolvdos através do CPLEX (Ilog, 2006). Essas característcas permtem a resolução de problemas com até 500 varáves e com váras desdades, e dferecam as decomposções propostas das á exstetes a lteratura para problemas quadrátcos (Blloet et al., 1999 e Chardare & Sutter, 1995), que utlzam modelos pseudoleares, ão utlzam a represetação em grafos, a METIS e o CPLEX, e são lmtadas a problemas com até 100 varáves. Os métodos propostos ão foram comparados dretamete com a decomposção proposta por Chardare & Sutter (1995) devdo à dspobldade das stâcas utlzadas por esses autores. Etretato, os resultados apresetam dícos de que as decomposções propostas são superores à decomposção proposta por Chardare & Sutter (1995), pos os modelos propostos através da represetação em grafos, com o auxílo de uma heurístca para partcoar esses grafos gerado um pequeo úmero de arestas ter-clusters, resulta uma relaxação mas forte para o problema orgal, e cosequetemete uma maor depedêca etre os subproblemas, o que permte a resolução de problemas maores (com desdades varadas) com gaps de boa qualdade. Além dsso, como pode ser observado os resultados apresetados, os lmtates obtdos pelas decomposções propostas domam os obtdos pelas relaxações lagrageaas tradcoas e pelos demas métodos descrtos a Seção 4.5. Os resultados obtdos dcam que os lmtates apresetados cotrbuem com a exploração do PQ, e apresetam ovas alteratvas de decomposção para problemas represetados por grafos. Além dsso, acredta-se que uma técca mas efcete para resolução dos subproblemas pode resultar em melhores soluções para as stâcas tratadas este trabalho e possvelmete para stâcas maores. Uma alteratva para otmzar a resolução dos subproblemas é a utlzação de processameto paralelo. Agradecmetos Os autores agradecem aos revsores deste trabalho pelos cometáros e sugestões, e à Fudação de Amparo à Pesqusa do Estado de São Paulo FAPESP (processo 04/ ) e ao Coselho Nacoal de Pesqusas CNPq (processo /2003-8) pelo apoo facero. Referêcas Bblográfcas (1) Adams, W.P.; Forrester, R.J. & Glover, F.W. (2004). Comparsos ad ehacemet strateges for learzg mxed 0-1 quadratc programs. Dscrete Optmzato, 1, (2) Adams, W.P. & Dearg, P.M. (1994). O the equvalece betee roof dualty ad lagragea dualty for ucostraed 0-1 quadratc programmg problems. Dscrete Appled mathematcs, 48(1), Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de
16 (3) Beasley, J.E. (1998). Heurstc algorthms for the ucostraed bary quadratc programmg problem. Techcal Report Maagemet School, Imperal College, Lodo, UK. (4) Beasley, J.E. (1990). Or-lbrary: Dstrbutg test problems by electroc mal. Joural of the Operatoal Research Socety, 41(11), (5) Blloet, A. & Calmels, F. (1996). Lear programmg for the 0-1 quadratc apsac problem. Europea Joural of Operatoal Research, 92(2), (6) Blloet, A. & Elloum, S. (2007). Usg a mxed teger quadratc programmg solver for the ucostraed quadratc 0-1 problem. Mathematcal Programmg, 109, (7) Blloet, A.; Faye, A. & Soutf, E. (1999). A e upper boud for the 0-1 quadratc apsac problem. Europea Joural of Operatoal Research, 112, (8) Blloet, A. & Sutter, A. (1994). Mmzato of a quadratc pseudo-boolea fucto. Europea Joural of Operatoal Research, 78, (9) Boros, E.; Crama, Y. & Hammer, P.L. (1990). Upper bouds for quadratc 0-1 maxmzato. Operatos Research Letters, 9, (10) Boros, E.; Crama, Y. & Hammer, P.L. (1992). Chvatal cuts ad odd cycle equaltes quadratc 0-1 optmzato. SIAM Joural o Dscrete Mathematcs, 5(2), (11) Chardare, P. & Sutter, A. (1995). A decomposto method for quadratc zero-oe programmg. Maagemet Scece, 41(4), (12) Forrester, R. & Greeberg, H. (2008). Quadratc bary programmg models computatoal bology. Algorthmc Operatos Research, 3(2), (13) Glover, F.; Kocheberger, G.A. & Aldaee, B. (1998). Adaptatve memory tabu search for bary quadratc programs. Maagemet Scece, 44(3), (14) Glover, F. & Woolsey, E. (1974). Covertg a 0-1 polyomal programmg problem to a 0-1 lear program. Operatos Research, 22, (15) Gulat, V.P.; Gupta, S.K. & Mttal, A.K. (1984). Ucostraed quadratc bvalet programmg problem. Europea Joural of Operatoal Research, 15, (16) Hammer, P.L.; Hase, P. & Smeoe, B. (1984). Roof dualty, complemetato ad persstecy quadratc 0-1 optmzato. Mathematcal Programmg, 28, (17) Hase, P. & Meyer, C. (2008). Improved compact learzatos for the ucostraed quadratc 0-1 mmzato problem. Dscrete Appled Mathematcs, press. (18) Hcs, I.V.; Warre, J.S.; Warrer, D. & Wlhelm, W.E. (2005). A brach-ad-prce approach for the maxmum eght depedet set problem. Netors, 46(4), (19) Ilog (2006). ILOG CPLEX 10.0: user s maual. Frace, 478 p. (20) Karyps, G. & Kumar, V. (1998). Multlevel -ay parttog scheme for rregular graphs. Joural of Parallel ad Dstrbuted Computg, 48, (21) Krarup, J. & Pruza, P.A. (1978). Computer aded layout desg. Mathematcal Programmg Study, 9, Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de 2009
17 (22) Laughu, D.J. (1970). Quadratc bary programmg th applcato to captal budgetg problems. Operatos Research, 18, (23) McBrde, R.D. & Yormar, J.S. (1980). A mplct eumerato algorthm for quadratc teger programmg. Maagemet Scece, 26, (24) Narcso, M.G. & Lorea, L.A.N. (1999). Lagragea/surrogate relaxato for geeralzed assgmet problems. Europea Joural of Operatoal Research, 114, (25) Palubecs, G. (1995). A heurstc-based brach ad boud algorthm for ucostraed quadratc 0-1 programmg. Computg, 54(4), (26) Palubecs, G. (2004). Multstart tabu search strateges for the ucostraed bary quadratc optmzato problem. Aals of Operatos Research, 131(1), (27) Pardalos, P.M. & Phllps, A.T. (1990). A global optmzato approach for solvg the maxmum clque problem. Iteratoal Joural of Computer Mathematcs, 33, (28) Pardalos, P.M. & Rodgers, G.P. (1990a). Computatoal aspect of a brach ad boud algorthm for quadratc 0-1 programmg. Computg, 45, (29) Pardalos, P.M. & Rodgers, G.P. (1990b). Parallel brach ad boud algorthms for quadratc zero-oe programs o the hypercube archtecture. Aals of Operatos Research, 22, (30) Pardalos, P.M. & Rodgers, G.P. (1992). A brach ad boud algorthm for the maxmum clque problem. Computers & Operatos Research, 19, (31) Pardalos, P.M. & Jha, S. (1992). Complexty of uqueess ad local search quadratc 0-1 programmg. Operatos Research Letters, 11, (32) Pardalos, P.M. & Xue, J. (1994). The maxmum clque problem. Joural of Global Optmzato, 4, (33) Pardalos, P.M.; Chaovaltogse, W.; Iasemds, L.D.; Sacellares, J.C.; Shau, D.S.; Carey, P.R.; Proopyev, O.A. & Yatseo, V.A. (2004). Sezure arg algorthm based o optmzato ad olear dyamcs. Mathematcal Programmg, 101(2), (34) Parer, R.G. & Rard, R.L. (1988). Dscrete Optmzato. Academc Press, Ne Yor, USA. (35) Phllps, A.T. & Rose, J.B. (1994). A quadratc assgmet formulato of the molecular coformato problem. Joural of Global Optmzato, 4, Pesqusa Operacoal, v.29,.1, p , Jaero a Abrl de
Decomposição Lagrangeana com Geração de Colunas para o Problema de Programação Quadrática Binária Irrestrita
Decoposção Lagrageaa co Geração de Coluas para o Problea de Prograação Quadrátca Bára Irrestrta Geraldo Regs Maur,2, Luz Atoo Noguera Lorea 2 Cetro de Cêcas Agráras, Departaeto de Egehara Rural Uversdade
Leia maisNOVOS LIMITANTES PARA O PROBLEMA DE PROGRAMAÇÃO QUADRÁTICA BINÁRIA IRRESTRITA
NOVOS LIMITANTES PARA O PROBLEMA DE PROGRAMAÇÃO QUADRÁTICA BINÁRIA IRRESTRITA Geraldo Regs Maur Cetro de Cêcas Agráras, Departaeto de Egehara Rural Uversdade Federal do Espírto Sato - UFES Alegre ES aur@cca.ufes.br
Leia maisUMA NOVA ABORDAGEM PARA O CÁLCULO DE LIMITANTES PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
A tegração de cadeas produtvas com a abordagem da maufatura sustetável. Ro de Jaero, RJ, Brasl, 3 a 6 de outubro de 2008 UMA NOVA ABORDAGEM PARA O CÁLCULO DE LIMITANTES PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
Leia maisUma 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 maisXLVI 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 maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia maisInterpolação. 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 maisAlgoritmo Evolução Diferencial Adaptado para o Problema das P-Medianas
Proceedg Seres of the Brazla Socety of Appled ad Computatoal Mathematcs, Vol. 2, N., 204. Trabalho apresetado o CMAC-Sul, Curtba-PR, 204. Algortmo Evolução Dferecal Adaptado para o Problema das P-Medaas
Leia maisRESOLVENDO 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 maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual
Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas
Leia maisMATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA. Silvio A. de Araujo Socorro Rangel
MATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA Slvo A. de Arauo Socorro Ragel sarauo@blce.uesp.br, socorro@blce.uesp.br Apoo Facero: PROGRAMA Itrodução. Modelagem matemátca: cocetos báscos
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisGeração de colunas com divisão em clusters para o problema de programação quadrática binária irrestrita
Geração de coluas com divisão em clusters para o problema de programação quadrática biária irrestrita Resumo Geraldo Regis Mauri Luiz Atoio Nogueira Lorea Este trabalho propõe uma ova alterativa de geração
Leia maisCapitulo 1 Resolução de Exercícios
S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes
Leia maisA PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA
Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo
Leia maisRESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( )
NÚMEROS COMPLEXOS Forma algébrca e geométrca Um úmero complexo é um úmero da forma a + b, com a e b reas e = 1 (ou, = -1), chamaremos: a parte real; b parte magára; e udade magára. Fxado um sstema de coordeadas
Leia maisProfessor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
Leia mais16 - PROBLEMA DO TRANSPORTE
Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,
Leia maisx n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
Leia maisEstudo 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 maisProjeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão
Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.
Leia maisMEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Leia mais(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0
EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisDISTRIBUIÇÃO 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 maisArquitetura da ART Controle 1 Controle 2
Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme
Leia maisAvaliação da qualidade do ajuste
Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a
Leia maisCapítulo V - Interpolação Polinomial
Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode
Leia maisRepresentação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)
7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve
Leia maisConstrução e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Leia maisDistribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Leia mais1) 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 maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
Leia mais2. NOÇÕES MATEMÁTICAS
. NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisII 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 maisATRIBUIÇÃO 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 maisOtimização 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 maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia maisMaterial Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio
Materal Teórco - Módulo de MATEMÁTICA FINANCEIRA Facametos Prmero Ao do Eso Médo Autor: Prof Fracsco Bruo Holada Autor: Prof Atoo Camha Muz Neto 20 de agosto de 2018 1 Itrodução Neste materal, remos aplcar
Leia maisRelatório 2ª Atividade Formativa UC ECS
Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução
Leia maisProblemas de corte em duas fases: uma revisão parcial. Two-phase cut problems: a partial survey
Problemas de ARTIGOS corte em duas / ARTICLES fases: uma revsão parcal Problemas de corte em duas fases: uma revsão parcal Two-phase cut problems: a partal survey Robso Samuel Hoto ; Ferado Spolador ;
Leia maisDistribuições de Probabilidades
Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução
Leia maisProblema de roteirização de veículos com entregas fracionadas: revisão da literatura
XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 Problema de roterzação de eículos com etregas fracoadas: resão da lteratura Patríca Prado Belfore (Cetro Uerstáro da FEI) patrca.belfore@fe.edu.br
Leia maisEstatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
Leia maisMacroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisREGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA
ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo
Leia maisRevisão 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 maisSumário. Mecânica. Sistemas de partículas
Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -
Leia maisMODELO DE OTIMIZAÇÃO DE CORTE UNIDIMENSIONAL APLICADO À FABRICAÇÃO DE AERONAVES AGRÍCOLAS
MODELO DE OTIMIZAÇÃO DE CORTE UNIDIMENSIONAL APLICADO À FABRICAÇÃO DE AERONAVES AGRÍCOLAS Alexader Abuabara UFSCar / Depto. de Egehara de Produção Va Washgto Luz, km 235, CP 676 3565-905 São Carlos, SP
Leia mais5 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 maisCapítulo 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 maisUM MÉTODO DE PROJEÇÃO PARA PROBLEMAS DE COMPLEMENTARIDADE LINEAR
Vol., No., p. 69-79, dezembro de Pesqusa Operacoal 69 UM MÉTODO DE PROJEÇÃO PARA PROBLEMAS DE COMPLEMENTARIDADE LINEAR Crstae Mara Alves Pssarra Petroo Pulo Isttuto de Matemátca, Estatístca e Computação
Leia maisBruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação
Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;
Leia maisMétodos de pontos interiores com estratégia de barreira logarítmica modificada em problemas multiobjetivo de despacho econômico e ambiental
Métodos de potos terores com estratéga de barrera logarítmca modfcada em problemas multobetvo de despacho ecoômco e ambetal Améla de Lorea Staza Atoo Roberto Balbo Leoardo Nepomuceo Edméa Cássa Baptsta
Leia maisTUTORIAL CONVIDADO GERAÇÃO DE COLUNAS EM CARACTERES 1
Pesqusa Operacoal para o Desevolvmeto Vol. 9,. 1, p. 1-9, 2017 ISSN 1984-3534 UORIAL CONVIDADO GERAÇÃO DE COLUNAS EM 17.500 CARACERES 1 José Valéro de Carvalho a * a Departameto de Produção e Sstemas -
Leia mais( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Leia maisA análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.
Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de
Leia maisDiferenciais 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 mais7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Leia maisUM MÉTODO HÍBRIDO ENVOLVENDO OS MÉTODOS DE PONTOS INTERIORES E BRANCH-AND-BOUND EM PROBLEMAS MULTIOBJETIVO REFERENTES AO CULTIVO DA CANA-DE-AÇÚCAR
U ÉTODO HÍBRIDO ENVOLVENDO OS ÉTODOS DE PONTOS INTERIORES E BRANCH-AND-BOUND E PROBLEAS ULTIOBJETIVO REFERENTES AO CULTIVO DA CANA-DE-AÇÚCAR Camla de Lma Programa de Pós-Graduação em Egehara Elétrca, FEB,
Leia maisProf. Eugênio Carlos Stieler
UNEMAT Uversdade do Estado de Mato Grosso Matemátca Facera http://www2.uemat.br/eugeo SÉRIE DE PAGAMENTOS 1. NOÇÕES SOBRE FLUXO DE CAIXA Prof. Eugêo Carlos Steler Estudar sem racocar é trabalho perddo
Leia maisALGORITMO 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 maisApresenta-se em primeiro lugar um resumo da simbologia adoptada no estudo da quadratura de Gauss.
CAÍTULO QUADRATURA DE GAUSS Mutos dos tegras que é eessáro alular o âmbto da aplação do Método dos Elemetos Ftos (MEF) ão são trvas,.e., ou a prmtva da ução tegrada ão exste expltamete, ou é demasado omplada
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia mais( ) Editora Ferreira - Toque de Mestre. Olá Amigos!
Olá Amgos! Hoje coloco à dsposção de vocês aqu a seção Toque de Mestre da Edtora Ferrera (www.edtoraferrera.com.br) as questões de Matemátca Facera cobradas o últmo cocurso da axa Ecoômca Federal (EF),
Leia maisDisciplina: Análise Multivariada I Prof. Dr. Admir Antonio Betarelli Junior AULA 6.1
Dscpla: álse Multvaraa I Prof. Dr. mr too Betarell Juor UL 6. MÉTODO DE ESCLONMENTO MULTIDIMENSIONL (MDS) Proposto por Youg (987) esse métoo poe ser utlzao para agrupameto. É uma técca para represetar
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisPerguntas Freqüentes - Bandeiras
Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada
Leia maisOrdenação por Partição (Quick Sort)
Vectores: Algortmos de Ordeação (2) Algortmos e Estruturas de Dados 2009/2010 Ordeação por Partção (Quck Sort) Algortmo (ordeação por partção): 1. Caso básco: Se o úmero () de elemetos do vector (a) a
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia mais4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos
4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um
Leia maisOitava Lista de Exercícios
Uversdade Federal Rural de Perambuco Dscpla: Matemátca Dscreta I Professor: Pablo Azevedo Sampao Semestre: 07 Otava Lsta de Exercícos Lsta sobre defções dutvas (recursvas) e prova por dução Esta lsta fo
Leia maisEmprego dos métodos Utilité Additive e Utilité Additive CRiteria na avaliação de imóveis: um estudo de caso
Emprego dos métodos Utlté Addtve e Utlté Addtve CRtera a avalação de móves: um estudo de caso Resumo Luís Alberto Duca Ragel Luz Flávo Autra Motero Gomes Este artgo apreseta uma aplcação do método Utlté
Leia maisAlgoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações
Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do
Leia maisTotal Bom Ruim Masculino
UNIDADE I - ESTUDO DIRIGIDO Questão - Classfque as varáves em qualtatva (omal ou ordal ou quattatva (cotíua ou dscreta: a. População: aluos de uma Uversdade. Varável: cor dos cabelos (louro, castaho, ruvo,
Leia maisCAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA
Polômos de Jacob e CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA III--)INTRODUÇÃO Para um melhor etedmeto do método da colocação ortogoal e sua relação com o método dos resíduos poderados (MRP),
Leia maisUso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii
Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho
Leia maisESTATÍSTICA APLICADA AO ESPECTRO DE UM GRAFO
ESTATÍSTICA APLICADA AO ESPECTRO DE UM GRAFO Rachel Abrahão Rbero Escola Nacoal de Cêcas Estatístcas, ENCE/IBGE rachelabrahaorbero@hotmal.com Carla Slva Olvera Escola Nacoal de Cêcas Estatístcas, ENCE/IBGE
Leia maisTeoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisREGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Leia mais4 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 maisNúmeros Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.
Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisn. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.
Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte
Leia maisPLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS
Professor Luz Atoo de Carvalho PLANO PROBABILIDADES Professora Rosaa Relva DOS Números Iteros e Racoas COMPLEXOS rrelva@globo.com Número s 6 O Número Por volta de 00 d.c a mpressão que se tha é que, com
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino
Plao de Eso Uversdade Federal do Espírto Sato Campus: São Mateus Curso: Egehara de Produção Departameto Resposável: Departameto de Egeharas e Tecologa Data de Aprovação (Art. º 91): Docete resposável:
Leia maisModelos de Programação Linear na Gestão Florestal
UNIVERSIDADE DE RÁS-OS-MONES E ALO DOURO Modelos de Programação Lear a Gestão Florestal Dssertação de Mestrado em Matemátca e Cêcas da Natureza - Carla da Coceção dos Satos Perera - Vla Real, 00 UNIVERSIDADE
Leia maisModelos de Regressão Linear Simples e Múltipla. Fabio Antonio Avilla (Matemática) Profª Dra. Carine Savalli Redígolo (Orientadora)
Modelos de Regressão Lear Smples e Múltpla Fabo Atoo Avlla (Matemátca) Profª Dra. Care Savall Redígolo (Oretadora) Resumo Dversas áreas do cohecmeto cetífco procuram valdar suas hpóteses por meo de pesqusas
Leia maisANÁLISE DE INTERAÇÃO FLUIDO-ESTRUTURA PELO MÉTODO DOS ELEMENTOS FINITOS FLUID-STRUCTURE ANALYSIS BY THE FINITE ELEMENT METHOD
ISSN 1809-5860 ANÁLISE DE INTERAÇÃO FLUIDO-ESTRUTURA PELO MÉTODO DOS ELEMENTOS FINITOS Rodolfo Adré Kuche Saches 1 & Humberto Breves Coda 2 Resumo O presete artgo traz um estudo do método dos elemetos
Leia maisx Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Jaete Perera Amador 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela
Leia mais