UM NOVO MÉTODO HÍBRIDO APLICADO À SOLUÇÃO DE SISTEMAS NÃO-LINEARES COM RAÍZES MÚLTIPLAS
|
|
- Maria dos Santos Figueiredo Santiago
- 6 Há anos
- Visualizações:
Transcrição
1 UM NOVO MÉTODO HÍBRIDO APLICADO À SOLUÇÃO DE SISTEMAS NÃO-LINEARES COM RAÍZES MÚLTIPLAS Mauríco Rodrgues Slva Unversdade Federal de Ouro Preto Departamento Engenhara de Produção UFOP - DEENP João Monlevade, MG Brasl. dscmaurco@gmal.com RESUMO O presente trabalho apresenta um algortmo híbrdo que tem como objetvo a solução de problemas de otmzação, orgnados de sstemas de equações não lneares com múltplas soluções. O modelo é composto de dos algortmos concatenados, onde o prmero é estocástco, e o segundo é determnístco, executados consecutvas vezes por meo de uma estrutura de repetção, projetada de forma a forçar a busca de todas as soluções possíves dentro dos lmtes do ntervalo de busca. Por fm, os resultados são pós-otmzados, resultando em um grupo de dversas soluções, equvalentes às soluções alternatvas do sstema não lnear que representa o problema. PALAVRAS CHAVE: Otmzação, algortmos híbrdos, pesqusa operaconal. metaheurstcas. ABSTRACT Ths paper presents a hybrd algorthm that ams at solvng optmzaton problems orgnated from nonlnear equatons systems wth multple solutons. The model s composed of two algorthms concatenated, where the frst s stochastc and the second s determnstc, and executed consecutve tmes through an repetton structure, desgned n order to force the search of all possble solutons wthn the lmts of the range search. At last, the results are postoptmzed, resultng n a group of several solutons, equvalent to the alternatve of nonlnear system that represents the problem. KEYWORDS: optmzaton, hybrd algorthms, operatonal research. metaheurstcs. 73
2 . Introdução Este trabalho apresenta o desenvolvmento de um algortmo híbrdo (Slva, 2009), para solução de problemas de otmzação não-lnear com múltplas soluções. Para sso, fo dealzada uma composção de dos algortmos, para formação de um algortmo híbrdo, com efcênca computaconal superor aos algortmos clásscos quando aplcados soladamente, especfcamente para localzação de todas as múltplas raízes que outros. Este algortmo apresenta efcênca computaconal superor a outro localzando mas raízes que este outro algortmo, e/ou localzando o mesmo número de raízes, mas com tempo computaconal nferor. A efcênca deste algortmo híbrdo é demonstrada através de testes envolvendo problemas clásscos da lteratura conhecdos por sua complexdade e pela dfculdade de localzação de todas as soluções. Estes problemas são do tpo não-lneares rrestrtos (ou com restrções do tpo caxa ) multmodas/multraz. Para composção do algortmo híbrdo serão utlzados os algortmos Luus-Jaakola como gerador de pontos ncas para o algortmo Hooke-Jeeves, compondo assm o algortmo híbrdo. O dferencal do algortmo proposto está, prmeramente, na nserção do algortmo de busca de Hooke e Jeeves (96), produzndo uma estrutura híbrda em que se combna um algortmo estocástco Luus-Jaakola (973), com um determnístco. Com sto, o algortmo determnístco faz uma busca na vznhança da solução fornecda pelo algortmo estocástco, refnando a solução e acelerando o tempo de execução em relação à abordagem estocástca solada. Outra característca fundamental deste algortmo híbrdo está na geração de um conjunto de soluções resultante do número de execuções. Para sso, um laço externo (N) é defndo, através de um número de execuções mpostas para tentar encontrar o máxmo de soluções dstntas possíves. Durante a execução deste laço, uma quantdade de valores é armazenada como um conjunto de soluções. Porém, neste conjunto, dversos valores se repetem ou representam a mesma solução. Então, uma rotna de classfcação defne conjuntos de valores que pertencem a uma mesma solução, ou seja, um conjunto de pontos canddatos pertencentes a uma regão de vznhança de uma solução. Esta rotna forma classes de dados para cada solução. No fnal da execução do laço externo, um conjunto de classes é produzdo. Uma últma etapa, denomnada pós-otmzação, é atvada para fltrar somente uma solução de cada conjunto. As soluções fltradas serão as melhores encontradas pelo algortmo, e serão exbdas no fnal do processo. 2. O Algortmo Luus Jaakola A segur o algortmo de Luus jaakola (973) padrão é descrto, o qual é utlzado como núcleo do modelo apresentado neste trabalho. O procedmento que o algortmo desenvolve se dvde em pratcamente duas etapas. Na prmera etapa, o algortmo gera um vetor de números aleatóros para ajustes dos valores ncas x*, que dentro de um número de terações, resultará num conjunto de soluções. Estas soluções estarão sujetas às restrções do problema, gerando um grupo de soluções váves. Nesta etapa, a melhor solução para o problema, será a escolhda. Na segunda etapa, o espaço de busca é contraído de um fator de redução, e a prmera etapa é novamente executada. Por fm, depos de um número fxo de terações externas, o resultado obtdo será a melhor solução para o problema. Observe que este algortmo fnalza com apenas uma solução. Em problemas com múltplas raízes, o algortmo deve ser executado dversas vezes (Slva, 200). A Fg. descreve o algortmo orgnal de Luus jaakola (973). 7
3 Escolha um tamanho ncal de busca r (0). Escolha um número externo de terações n out e um número nterno n n. Escolha um coefcente de contração λ Gere uma solução ncal x* Para = até n out Para j = até n n x ( j ) = x* + R ( j ) r (-), onde R ( j ) é um vetor de números aleatóros entre -0. e 0.. Se F( x ( j ) ) < F( x* ) x* = x ( j ) Fm Se Fm Para r ( ) = (- λ )r (-) Fm Para. Fgura - Algortmo de Luus Jaakola. 3. O Algortmo de Hooke e Jeeves O Algortmo proposto por Hooke-Jeeves promove dos tpos de busca: a exploratóra e a padrão. A prmera etapa é a busca exploratóra. Para sso, a partr de um ponto ncal, o método explora todas as dreções de busca para cada varável, seleconando a melhor (onde a funçãoobjetvo tem seu valor dmnuído). Esta etapa defne um novo ponto com um valor melhor para função objetvo. Depos de explorar todas as dreções de busca, o método executa a próxma etapa, a busca padrão, também conhecda como de progressão ou aceleração, avançando na dreção defnda na últma teração até um valor α > 0 (fator de aceleração). A partr deste ponto repete-se a prmera etapa até alcançar o próxmo ponto. A Fgura 2 lustra as duas etapas do método Fgura 2 Ilustração dos passos do método de Hooke-Jeeves. Conforme a fgura, a partr do ponto ncal x, o método executa uma busca exploratóra em todas as dreções, escolhendo a dreção relaconada ao menor valor de f ( x ), =,2, para cada exo, chegando ao ponto x 2. Neste ponto, o método executa uma busca ao longo da dreção ( x2 x) multplcada de um fator de aceleração α, alcançando o ponto resultante y. A partr deste ponto, o método repete os passos, alcançando y, e assm sucessvamente até atender ao crtéro de parada. A Fgura 3 apresenta o método Hooke-Jeeves em forma de pseudocódgo. 7
4 Passo de Incalzação Defna d,...,d n como das dreções coordenadas Escolha um escalar ε > 0 para determnar a parada do algortmo Escolha o tamanho para o passo ncal ε, e o fator de aceleração a > 0 Escolha o ponto de partda x, faça y = x e k = j = e vá ao passo prncpal, Passo Prncpal - Se f ( y + d ) < f ( y ), então sucesso, faça y = y + d + e vá ao passo 2 Se f y + d ) f ( y ), então falha, Neste caso: ( f ( y d ) < f ( y Se f ( y d ) f ( y ) Se ), faça y = y d + e vá ao passo 2, faça y = y + e vá ao passo 2 2 Se j < n, troque j por j + e repta o passo Caso contráro: Se f ( yn+ ) < f ( xk ) vá ao passo 3 Se f ( y n + ) f ( x k ) vá ao passo 3 Faça x = k + yn+, e y = xk + + α ( xk+ xk ), Troque k por k +, faça j = e vá ao passo Se ε, pare; x k é a solução, Caso contráro, troque por 2, Faça y = xk, x k + = xk troque k por k +, faça j =, repta o passo Observação: Os passos e 2 acma descrevem uma busca exploratóra, No passo 3, há uma aceleração na dreção x x k + k. Por fm, no passo, o tamanho de é reduzdo.. O Algortmo Híbrdo Fgura 3 - Algortmo de Hooke-Jeeves. A déa central é explorar o espaço de busca com o Luus-Jaakola e fazer a garmpagem das áreas mas promssoras utlzando o Hooke-Jeeves. No processo de alternânca entre os dos algortmos, pretende-se determnar as váras soluções de problemas multmodas. O algortmo híbrdo (Slva, 2009), dvde-se prncpalmente em duas etapas: a etapa Luus-Jaakola gera um ponto ncal, dentro dos lmtes da regão de busca, para ser utlzado pela etapa Hooke-Jeeves. Esta recebe então este ponto, que será utlzado como ponto ncal, e é executado, gerando uma solução refnada, mas próxma do ótmo, que será uma possível solução para o problema. Sstemas não-lneares apresentam, em dversas ocasões, mas de uma solução; portanto, para que o algortmo localze todas as soluções exstentes, estes passos devem ser executados váras vezes. Como o algortmo híbrdo é composto das etapas denomnadas LJ e HJ, é mportante defnr os termos relaconados aos números de loops utlzados pelo algortmo. Desta formam fcam defndos três níves de laços (loops). O prmero laço é o mas nterno, e está relaconado ao laço das terações nternas do algortmo Luus-Jaakola, ao passo que o segundo nível se refere ao laço externo da etapa Luus-Jaakola. O tercero laço é natural do algortmo híbrdo e determna o número de execuções que o algortmo híbrdo repetrá. Este laço também será utlzado para executar o algortmo Luus-Jaakola repetdamente. A segur são apresentadas as nomenclaturas adotadas neste trabalho para os três níves de laços. 76
5 I- Prmero Nível: Laço nterno da etapa Luus-Jaakola n n II- Segundo Nível: Laço externo da etapa Luus-Jaakola n out III- Tercero Nível: Laço das execuções do algortmo híbrdo N Com vstas a dentfcar todas as soluções (raízes) do problema, o algortmo híbrdo funcona com um número externo de terações (N), onde cada teração produz uma possível solução. Estes valores são armazenados em um vetor de tamanho gual ao número de terações. No caso de uma função-objetvo com múltplas raízes, os valores dstntos encontrados nas dversas terações são fltrados posterormente para seleconar as dversas raízes sem repetção, e sujetos a uma últma etapa de pós-otmzação. Por fm, um conjunto de raízes é gerado, resultando um conjunto de todas as raízes dstntas localzadas, que é a solução fnal do problema. A segur na Fgura, o algortmo híbrdo é apresentado. Defna um numero de terações n Defna R = Vetor raízes Defna S = Vetor Solução Para k = até n faça Execute a rotna Luus-Jaakola Faça x ncal (Hooke e Jeeves) = x fnal (Luus - Jaakola) Execute a rotna Hooke e Jeeves Faça rk = x fnal (Hooke e Jeeves) (rk R) Fm para Fltre as raízes repetdas do vetor R classfcando-as por aproxmação Mnmze cada classe de valores gerando um valor por classe (raízes dstntas) Cope as raízes dstntas de R em S Imprma o vetor solução S. Testes e Resultados Fgura Algortmo Híbrdo. Devdo ao fato do algortmo Luus-Jaakola localzar apenas uma solução por execução, fo crado um laço externo N com um número sufcente de vezes para possbltar a busca de valores dstntos de soluções (possvelmente todas as soluções) (Slva, 200). Os resultados foram analsados quanto ao tempo de execução, e ao percentual de acertos em relação ao número de execuções para cada algortmo. Estes percentuas foram representados através de gráfcos de barras, onde as coordenadas foram dadas pelo número da raz para exo-x, e o percentual de ocorrênca de acertos para o exoy. O número de amostras será de 00 execuções para cada algortmo. Para cada função, os parâmetros foram ajustados dentcamente para os dos algortmos, para que haja unformdade dos dados de entrada. A Tabela a segur lsta os exemplos utlzados como benchmarks nesta etapa de testes, que foram submetdos ao algortmo híbrdo e ao algortmo Luus-Jaakola. Os testes nesta etapa também foram utlzados para avalação das taxas de acertos dos algortmos (sto é, o número de raízes localzadas por cada algortmo). Para sso, uma amostragem de 00 execuções de cada algortmo do problema em questão fo executada, e a dstrbução de freqüênca das ocorrêncas de cada raz lustrada em forma de hstograma. Os valores de loops nternos e externos foram varados para cada amostragem. 77
6 Tabela Problemas - testes (benchmarks). Nº Exemplo Nº de varáves Nº de raízes Função de Hmmelblau (HIMM) Sstema trgonométrco (ST) Sstema polnomal de alto grau (SPAG) 3 2 Problema quase-lnear de Brown (PQL) 3 Bn e Mourran (BM) Exemplo - Função de Hmmelblau (HIMM) A função de Hmmelblau é orunda do sstema não-lnear a segur, com nove raízes (More et al., 98): 3 2 x + xx 2 + 2x2 2x = x2 + 2x + xx 2 26x2 22 = 0 < x, x2 < () O problema do sstema não-lnear é convertdo em um problema de otmzação (Slva, 2009), cuja função-objetvo é representada por: x2 + xx2 + x ) + (2x 26x2 + xx2 + 22) f ( x) = ( 2x x (2) Tabela 2 Solução do algortmo Híbrdo com 0 loops nternos e 0 loops externos, tempo de execução = 0,09 s. Raízes: x x 2 f (x, x 2 ) -0,2796 -,9370 0, ,8283 -,8826 0, , , , , ,8827 0, ,382 0, , , , , , , , ,808 3,3326 0, , , , Para uma maor realdade dos resultados, os dos algortmos foram executados 00 vezes e seus resultados mostrados através de um gráfco com as freqüêncas das ocorrêncas das localzações das raízes. Para sso a confguração dos números de loops foram aumentados para n n = 0 e n out = 0. 78
7 Número de Execuções 20 Luus Jaakola 00 Híbrdo Número de Raízes encontradas Fgura Dstrbução de freqüênca das raízes localzadas para n n = 0, n out = 0 e N = Exemplo 2 Sstema trgonométrco (ST) O sstema descrto pelas equações (3) fo usado por Hrsch et al. (2006) para testar o algortmo C-GRASP para resolver sstemas não-lneares. Este sstema possu 3 soluções. As equações que descrevem o ST são: sn( x )cos( x2) 2cos( x )sn( x2) = 0 cos( x)sn( x2) 2sn( x )cos( x2) = 0 0 < x, x2 < 2π (3) Tabela 3 Solução do algortmo Híbrdo com 0 loops nternos e loops externos, tempo de execução = 0,23 s. Raízes: x x 2 f(x, x 2 ),707963, , ,927 0, , ,70796, , ,92 3,927 0, ,72389, , ,723890, , ,2838 0, , , ,2838 0, , ,927 0, , , , ,2838 6, , ,930 6,2838 0, ,2838 3,92 0, Os parâmetros foram escolhdos com uma confguração mínma para localzação de todas as 3 soluções pelo algortmo híbrdo. A confguração dos loops externos e nternos são de e 0 respectvamente e N=00. 79
8 Número de Execuções Luus-Jaakola Híbrdo Número de Raízes encontradas Fgura 6 Dstrbução de freqüênca das raízes localzadas para n n = 0, n out = e N = Exemplo 3 - Sstema polnomal de alto grau (SPAG) Este exemplo fo proposto por Kearfott (987), e é representado pelo sstema não-lnear (), com 2 soluções: 9 2 x 6 x x 2 x x x3 = x x 2 2 x x x2 x = x = < x < < x2 < 0.6 < x3 < () Tabela Solução do algortmo Híbrdo com 0 loops nternos e externos, tempo de execução =,7 s. Raízes: x x 2 x 3 f(x, x 2, x 3 ) -0, , ,0882 0, , ,3883 0, , , , , , , ,2803-0, , , ,3278-0,0888 0, , , ,0883 0, , ,3880-0, , ,387-0, ,027 0, ,6690-0, , , ,388-0, ,028 0, , ,3276-0,088 0, , ,2806-0, ,
9 20 00 Luus-Jaakola Híbrdo 00 Número de Execuções Número de Raízes encontradas Fgura 7 Dstrbução de freqüênca das raízes localzadas para n n = 0, n out = e N = Exemplo Problema quase lnear de Brown (PQL) por: O problema a segur (Grosan e Abraham, 2008) possu três raízes reas e é representado f f f f f 2 3 = 2x = x + 2x2 3 = x 2 + 2x3 = x x = x x x x x 2 0 < x, x, x , x, x < 0 () Prmeramente, os parâmetros para confguração do algortmo híbrdo foram de 0 loops nternos, loops externos e N=00. Neste caso, o algortmo híbrdo localzou todas as três raízes, enquanto que o algortmo Luus-Jaakola, para esta mesma confguração, não localzou nenhuma. O resultado do algortmo híbrdo para este caso está mostrado na Tabela. Para que o algortmo Luus-Jaakola localzasse pelo menos uma raz, os valores dos loops externos e nternos foram de 30 e 0 respectvamente, e N = 00. O percentual de acerto de ambos os algortmos para comparação está apresentado no gráfco da Fgura 8. Tabela Solução do algortmo Híbrdo com 0 loops nternos e externos, tempo de execução = 0,89 s. Raízes: x x 2 x 3 x x f(x ), =,...,,00000,000007,000000, , , , , , ,96373, , , , ,7902-0, ,892 0,
10 Fgura 8 Dstrbução de freqüênca das raízes localzadas para n n = 0, n out = 30 e N = Exemplo - Bn e Mourran (200) (BM) Neste exemplo fo utlzado um problema (Bn e Mourran, 200), envolvendo três equações não-lneares (6) e apresentando oto raízes. (6) x2 x3 x2 + 2x2x3 x3 3 = x x 3 x + 2xx 3 x 3 3 = 0 x x x + 2x x x 3 = x, x2, x3 20 Tabela 6 Solução do algortmo Híbrdo com 0 loops nternos e 20 loops externos, tempo de execução = 0,33 s. Raízes: X x 2 x 3 f(x, x 2, x 3 ) 0, , , , , , , , , ,62769, , ,6276 0, , , ,6287,6287, , , , , , ,62683,6290 0, , , , , , Fgura 9 Dstrbução de freqüêncas das raízes localzadas para n n = 0, n out = 0 e N =
11 A Tabela 7 mostra os resultados alcançados por ambos os algortmos alterando-se o número de loops N, e os tempos consumdos por cada teste. É mportante ressaltar que em todos os casos, o algortmo Luus-Jaakola não alcança as oto raízes do problema. Outra observação relevante é que a dferença entre os tempos de execução do algortmo híbrdo em relação ao Luus-Jaakola é pratcamente rrelevante para este exemplo. Tabela 7 Testes com os dos algortmos varando o número de loops N. Algortmo Luus-Jaakola Híbrdo Nº de Loops N Nº de raízes Tempo (segundos) Nº de raízes Tempo (segundos) , , , , , 8,78 0,09 8, ,7 8 0,83 0 0,37 7 0,37 6. Conclusões Conclu-se que a metodologa híbrda conserva as boas característcas dos métodos estocástcos de otmzação global consumndo um menor número de avalações da funçãoobjetvo e, portanto, menor tempo de computação. Para que o Algortmo de Luus-Jaakola tenha um desempenho semelhante ao algortmo híbrdo, ou seja, dentfque o mesmo número de raízes, é necessáro um número maor de terações externas e nternas demandando, por consegunte, maor tempo computaconal. O mesmo problema quando executado no algortmo híbrdo solcta um menor número de avalações da função-objetvo, uma vez que os números de terações externas e nternas no passo Luus-Jaakola da metodologa híbrda são consderavelmente menores. Desta forma fo demonstrada através de comparações com um método estocástco (Luus- Jaakola) e um método determnístco, a efcênca e robustez do algortmo híbrdo, através de testes exaustvos utlzando problemas conhecdos de dfíces soluções, sempre alcançando os resultados de forma precsa em todos os problemas testes avalados, localzando todas as soluções conhecdas da lteratura. Portanto, o algortmo híbrdo atendeu às espectatvas demonstrando efcênca na localzação de múltplas raízes, sempre com resultados vantajosos em relação ao algortmo Luus-Jaakola, seja em função do tempo computaconal consumdo, da qualdade dos ótmos encontrados, ou mesmo no número de soluções encontradas, que é o objetvo prncpal do algortmo. Para trabalhos futuros, serão expermentados outros algortmos clásscos da lteratura, ou mesmo outro que apresente vabldade, dentro da estrutura híbrda, buscando um melhor desempenho quando comparado com estes algortmos soladamente e/ou com o algortmo híbrdo apresentado neste trabalho. 763
12 7. Referêncas Bn, D.A.; Mourran, B. Cyclo, from polynomal test sute. Dsponível em: < BASE/2. multpol/cyclohexan.html>. Acesso em: 200. Grosan C.; Abraham A. A new approach for solvng nonlnear equatons systems. IEEE Transactons on Systems, Man, and Cybernetcs - Part A: Systems and Humans, v. 38, n. 3, p , May Grosan C.; Abraham A. Multple solutons for a system of nonlnear equatons. Internatonal Journal of Innovatve Computng, Informaton and Control, v., n. 9, sept Hrsch M. J.; Meneses C. N.; Pardalos P. M.; Resende M.G.C. Global optmzaton by contnuous grasp. Mar. 8, Dsponível em: < Hooke, R.; Jeeves. T. A. (96), Drect search soluton of numercal and statstcal problems. Journal of the Assocaton for Computng Machnery, v. 8. p ,. Kearfott, R. B. Abstract generalzed bsecton and a cost bound. Math. Comput. v. 9, n.79, 987. Luus, R.; Jaakola, T. (973), Optmzaton by drect search and systematc reducton of the sze of search regon. AIChE Journal, vol. 9. More J.J.; Garbow, B.S.; Hllstrom, K.E. Testng Unconstraned Optmzaton Software, ACM Transactons on Mathematcal Software, 7, 36, 98 Slva, M. Rodrgues. Um Novo Método Híbrdo Aplcado à Solução de Sstemas Não-Lneares com Raízes Múltplas, Tese de Doutorado, UERJ, Nova Frburgo, RJ, Slva, M. Rodrgues. Algortmo heurístco de busca dreta para solução de problemas de programação não lnear rrestrta com múltplos ótmos. XLII SBPO Smpóso Braslero de Pesqusa Operaconal, Bento Gonçalves, RS,
3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisCapítulo 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 maisRAD1507 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 mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia mais5 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 maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
Leia maisCaderno de Fórmulas em Implementação. SWAP Alterações na curva Libor
Caderno de Fórmulas em Implementação SWAP Alterações na curva Lbor Atualzado em: 15/12/217 Comuncado: 12/217 DN Homologação: - Versão: Mar/218 Índce 1 Atualzações... 2 2 Caderno de Fórmulas - SWAP... 3
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia mais3 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 maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisMÉTODOS ITERATIVOS PARA PROBLEMAS DE PROGRAMAÇÃO MATEMÁTICA COM INCERTEZAS
Pesqusa Operaconal e o Desenvolvmento Sustentável MÉTODOS ITERATIVOS PARA PROBLEMAS DE PRORAMAÇÃO MATEMÁTICA COM INCERTEZAS Rcardo Coêlho Slva Departamento de Telemátca Faculdade de Engenhara Elétrca e
Leia maisPROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS
PROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS Renato S. Gomde 1, Luz F. B. Loja 1, Edna L. Flôres 1 1 Unversdade Federal de Uberlânda, Departamento de Engenhara
Leia maisCORRELAÇÃO 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 maisDIFERENCIANDO 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 maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisPalavras-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 maisUMA ABORDAGEM HEURÍSTICA VIA MULTIPROCESSAMENTO PARALELO PARA UMA CLASSE DE PROBLEMAS DE SEQUENCIAMENTO EM UMA MÁQUINA
ISSN 2175-6295 Ro de Janero- Brasl, 12 e 13 de agosto de 2010 UMA ABORDAGEM HEURÍSTICA VIA MULTIPROCESSAMENTO PARALELO PARA UMA CLASSE DE PROBLEMAS DE SEQUENCIAMENTO EM UMA MÁQUINA Frederco Augusto de
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisProgramação 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 maisUM ALGORITMO GENÉTICO HÍBRIDO PARA RESOLVER O PROBLEMA DO DESPACHO ECONÔMICO DE ENERGIA ELÉTRICA
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN UM ALGORITMO GENÉTICO HÍBRIDO ARA RESOLVER O ROBLEMA DO DESACHO ECONÔMICO DE ENERGIA ELÉTRICA Márca Marcondes Altmar Samed
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
Leia maisPROVA 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 maisUM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO
Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Paula Marana dos Santos (UFV) paula-maranna@hotmal.com
Leia maisBUSCA TABU: UMA APLICAÇÃO AO PROBLEMA DE SEQÜÊNCIAÇÃO DE ORDENS DE PRODUÇÃO
BUSCA TABU: UMA APLICAÇÃO AO PROBLEMA DE SEQÜÊCIAÇÃO DE ORDES DE PRODUÇÃO Renato de Olvera Moraes Departamento de Cêncas Exatas e Aplcadas da Unversdade Federal de Ouro Preto Rua 37, nº 115 Barro Loanda.
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisInterpolação 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 mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia mais2 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 maisREGRESSÃO 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 maisSeqüenciação 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 maisFUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores
FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL
3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados
Leia maisXII Simpósio Brasileiro de Automação Inteligente (SBAI) Natal RN, 25 a 28 de outubro de 2015
XII Smpóso Braslero de Automação Intelgente (SBAI) Natal RN, 25 a 28 de outubro de 2015 ANÁLISE DE UMA METAHEURÍSTICA BASEADA NO ALGORITMO DE COLÔNIA DE FORMIGAS PARA RESOLUÇÃO DE PROBLEMAS DE FLUXO DE
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisAnálise 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 maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisHEURÍSTICA BASEADA NA BUSCA TABU PARA ALOCAÇÃO DE CAPACITORES EM REDES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA
HEURÍSTICA BASEADA NA BUSCA TABU PARA ALOCAÇÃO DE CAPACITORES EM REDES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA Mara A. Bago Departamento de Estatístca Unversdade de Brasíla - UnB Brasíla DF - Brasl mamela@u.br
Leia maisCAPÍTULO 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 mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisARTIGO ORIGINAL. Comparação Entre os Métodos PSO e Simulated Annealing na Minimização de Funções Não Lineares
DOI: 10.18605/175-775/cereus.v10np376-388 ARTIGO ORIGINAL Mnmzação de Funções Não Lneares Comparson Between PSO and Smulated Annealng Methods n the Mnmzaton of
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais5 Metodologia para Remuneração do Serviço Ancilar de Suporte de Potência Reativa Quando Provido por Geradores
5 Metodologa para Remuneração do Servço Anclar de Suporte de Potênca Reatva Quando Provdo por Geradores 5.. Introdução Em um sstema de potênca, o controle do perfl de tensão nas barras de carga é de grande
Leia maisAuto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Misturograma em imagens em nível de cinza
Auto-Fusão da Auto-Face, do Auto-Esboço e da Auto-Pele pelo Msturograma em magens em nível de cnza Severno Jr, Osvaldo IMES - FAFICA osvaldo@fafca.br Gonzaga, Adlson Escola de Engenhara de São Carlos -
Leia maisDiego Nunes da Silva. Programa de Pós-Graduação em Engenharia Elétrica FEB, Unesp, Bauru, Brasil
Um Método Prmal-Dual de Pontos Interores Barrera Logarítmca Modfcada com Aproxmantes Splne aplcado ao Problema de Despacho Econômco com Ponto de Válvula Dego Nunes da Slva Programa de Pós-Graduação em
Leia maisBalanceamento das cargas nas respectivas fases do circuito [8]: Posicionamento do transformador abaixador: Recondutoramento dos circuitos:
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN PLANEJAMENTO DE CIRCUITOS SECUNDÁRIOS DE DISTRIBUIÇÃO USANDO ALGORITMO EVOLUTIVO ESPECIALIZADO Antono Marcos Coss Grupo
Leia maisO PROBLEMA DA ÁRVORE CAPACITADA COM DEMANDAS NÃO- UNITÁRIAS: UMA HEURÍSTICA DE MELHORIA A PARTIR DO MSTp
O PROBLEMA DA ÁRVORE CAPACITADA COM DEMANDAS NÃO- UNITÁRIAS: UMA HEURÍSTICA DE MELHORIA A PARTIR DO MSTp Lucas Gumarães de Olvera * lucasgu@gmal.com Paulo Mauríco Laurentys de Almeda * paulomla@gmal.com
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ ERRO DE DIAGNÓSTICO EM AMOSTRAGEM ZERO-DEFEITOS COM RETIFICAÇÃO: DETERMINAÇÃO DO TAMANHO ÓTIMO DE INSPEÇÃO Roberto da
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisProcedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vtóra-ES, 015. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs Procedmento Recursvo do Método dos Elementos de Contorno Aplcado em Problemas
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisParênteses termodinâmico
Parênteses termodnâmco Lembrando de 1 dos lmtes de valdade da dstrbução de Maxwell-Boltzmann: λ
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisFaculdade 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 maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia mais024/ ANÁLISE MULTICRITÉRIO DO PROBLEMA DE SELEÇÃO DE EQUIPAMENTOS EM AMBIENTE JUST IN TIME, UTILIZANDO-SE DE UM ALGORITMO GENÉTICO
ISSN 275-6295 Ro de Janero- Brasl, 05 e 06 de agosto de 2009. SPOLM 2009 024/2009 - ANÁLISE MULTICRITÉRIO DO PROBLEMA DE SELEÇÃO DE EQUIPAMENTOS EM AMBIENTE JUST IN TIME, UTILIZANDO-SE DE UM ALGORITMO
Leia mais3 Definição automática de carregamento ótimo
3 Defnção automátca de carregamento ótmo A formulação ncal mostrada neste capítulo fo feta por Sérgo Álvares Maffra[11] e parte da mplementação fo feta por Anderson Perera, tendo sofrdo algumas modfcações
Leia maisSOLUÇÕES DA EQUAÇÃO DA CONDUÇÃO DO CALOR BIDIMENSIONAL COM CONDUTIVIDADE TÉRMICA DEPENDENTE DA TEMPERATURA E GERAÇÃO DE CALOR
SOLUÇÕES DA EQUAÇÃO DA CONDUÇÃO DO CALOR BIDIMENSIONAL COM CONDUTIVIDADE TÉRMICA DEENDENTE DA TEMERATURA E GERAÇÃO DE CALOR E. T. CABRAL,. A. ONTES, H. K. MIYAGAWA, E. N. MACÊDO 3 e J. N. N. QUARESMA 3
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisGRASP PARA OTIMIZAR O CARREGAMENTO DE UM CONTÊINER
A ntegração de cadeas produtvas com a abordagem da manufatura sustentável. Ro de Janero, RJ, Brasl, 13 a 16 de outubro de 2008 GRASP PARA OTIMIZAR O CARREGAMENTO DE UM CONTÊINER ETELVIRA CRISTINA BARRETO
Leia maisExperiência 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 maisProblemas de engenharia
Análse de Sstemas de otênca Análse de Sstemas de otênca ( AS ) Aula 3 Operação Econômca de Sstemas de otênca 03//008 roblemas de engenhara Análse de Sstemas de otênca ( AS ) ANÁLISE Defndo o sstema, determnar
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisPalavras Chaves: Linear Combination of Atomic Orbitals, LCAO, Molecular Orbitals, MO, Atomic Orbitals, AO.
Dego da Slva Manoel Insttuto de Físca de São Carlos, Unversdade de São Paulo, São Carlos-SP, Brasl Resumo Neste trabalho abordamos a descrção dos Orbtas Moleculares (MO), obtdos va Combnação Lnear dos
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisPrograma 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 maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
Leia maisResponda 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 maisALGORITMO GENÉTICO HÍBRIDO PARA ALOCAÇÃO DE BANCOS DE CAPACITORES EM REDES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA
ALGORITMO GENÉTICO HÍBRIDO PARA ALOCAÇÃO DE BANCOS DE CAPACITORES EM REDES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA José Federco Vzcano González Departamento de Engenhara de Sstemas DENSIS Faculdade de Engenhara
Leia maisModelo de programação por restrições para o problema de empacotamento ortogonal tridimensional
Capítulo 5 Modelo de programação por restrções para o problema de empacotamento ortogonal trdmensonal Olvana Xaver do Nascmento 1 Llane de Azevedo Olvera 1 Thago Alves de Queroz 1 Resumo: O Problema de
Leia maisChapter 9 Location INTRODUÇÃO. Localização de Instalações. Problemas de comunicação
Chapter 9 Locaton Localzação de Instalações Problemas de comuncação http://www.youtube.com/watch?v=h_qnu4rwlvu INTRODUÇÃO INTRODUÇÃO Analsar padrões de localzação pode ser nteressante Porque a Whte Castle,
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais