Estou enfrentando alguns problemas com vbox insuficiente e hbox supercompleto enquanto \output está ativo.
Quando estou usando a classe de documento como: \documentclass[a4paper, 12pt]{report}, não recebo mensagens sobre nenhum problema. Mas quando mudo para \documentclass[a4paper, 12pt, twoside, openright]{report}essas mensagens começam a aparecer. Tentei remover o parâmetro "openright", mas ainda retorna a mensagem.
Posso me livrar de algumas dessas mensagens removendo o pacote \usepackage[Sonny]{fncychap}e definindo a propriedade heightrounded = trueno pacote de geometria.
A maioria das páginas onde isso ocorre possuem imagens e em alguns casos o látex parece incluir algum espaço entre as linhas sem motivo aparente, como na figura abaixo:
O texto mostrado acima é consecutivo no arquivo látex, não há imagem nas entrelinhas ou algo parecido.
Em minha pesquisa, não encontrei nada que pudesse me ajudar. Se alguém tiver alguma idéia de como proceder para ajustar adequadamente esses espaços, ficaria grato.
PS: Tentei criar um documento de exemplo, mas quando executei apenas o código que gera o texto mostrado na figura acima, os espaços não apareceram. Ele aparece apenas em todo o documento.
ATUALIZAÇÃO: consegui gerar um código que reproduz um desses problemas. Parece que a matriz é o problema aqui...
\documentclass[a4paper, 12pt, twoside, openright]{report}
% =============================================================================
% Pacotes utilizados
\usepackage[english, brazil]{babel} % Português do Brasil
\usepackage[utf8]{inputenc}
\usepackage{indentfirst} % Adiciona parágrafo na primeira linha da seção
\usepackage{microtype} % Melhoras nos espaços entre palavras e letras
\usepackage{amsmath} % Equações
\usepackage{amsfonts}
\usepackage{amssymb}
\usepackage{mathtools}
\usepackage{array} % Traz algumas funcionalidades úteis
\usepackage{verbatim} % Traz algumas funcionalidades úteis
\usepackage{graphicx} % Figuras
\usepackage{epstopdf} % Converte as imagens em EPS para PDF
\usepackage{caption} % Para importar o subcaption
\usepackage{subcaption} % Para usar subfiguras
\usepackage{algorithm} % Ambiente para escrever algoritmos
\usepackage{geometry}
%\usepackage[margin=3cm]{geometry} % Ajuste da margem
\usepackage{setspace} % Ajuste de espaçamento entre linhas
\usepackage[Sonny]{fncychap} % Capítulos bonitos: Lenny, Sonny, Glenn, Conny, Rejne, Bjarne, Bjornstrup
\usepackage{cite} % Melhorias nas citações
%\usepackage{times} % Usa fonte Times no texto
%\usepackage{mathptmx} % Usa fonte times no texto e nas equações
% =============================================================================
% Definições de Estilo
% Margens
% Definidas segundo as normas da ABNT apresentadas no Guia de Normalização da UFABC: Margens superior e esquerda igual a 3 cm e inferior e direita igual a 2 cm.
\geometry{
top = 30mm,
left = 30mm,
bottom = 20mm,
right = 20mm,
heightrounded = true
}
\linespread{1.3}
\DeclareMathOperator*{\argmin}{arg\,min}
\pagestyle{headings} % Mostra o título do capítulo atual no topo da página
\begin{document}
\chapter{Estimador de Canal Least Squares}
\label{chap:estimador_canal_ls}
O estimador mais simples que pode ser encontrado em qualquer literatura de estimação é, sem dúvida, o estimador chamado de mínimos quadrados (LS, do inglês \textit{Least Squares}). No estimador LS, busca-se minimizar o quadrado da diferença entre um certo dado e a sua versão original, ou sem ruído.
O sinal recebido pelo nó 1, cujas equações são reescritas abaixo por conveniência, podem ser representadas na forma de um modelo linear.
\begin{equation}
\label{eq:Sinal_recebido_no_1_b_2}
y_{1}(n) = x_{1}(n) \ast a(n) + x_{2}(n) \ast b(n) + w(n),
\end{equation}
onde $ a(n) = h_{1R}(n) \ast h_{R2}(n) $, $ b(n) = h_{2R}(n) \ast h_{R2}(n) $, e $ w(n) = w_{R}(n) \ast h_{R1}(n) + w_{1}(n) $.
Reescrevendo-as de forma matricial, podemos definir uma matriz $ \mathbf{X} = \left[ \mathbf{X}_{1} \\\ \mathbf{X}_{2} \right] $, onde
\begin{equation}
\mathbf{X}_{i} =
\begin{bmatrix}
x_{i}(0) & 0 & 0 & \cdots & 0 \\
x_{i}(1) & x_{i}(0) & 0 & \cdots & 0 \\
x_{i}(2) & x_{i}(1) & x_{i}(0) & \cdots & 0 \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
x_{i}(N-1) & x_{i}(N-2) & x_{i}(N-3) & \cdots & \\
0 & x_{i}(N-1) & x_{i}(N-2) & \cdots & \\
0 & 0 & x_{i}(N-1) & \cdots & \\
0 & 0 & 0 & \cdots & \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
0 & 0 & 0 & \cdots & x_{i}(N-3) \\
0 & 0 & 0 & \cdots & x_{i}(N-2) \\
0 & 0 & 0 & \cdots & x_{i}(N-1) \\
\end{bmatrix},
\end{equation}
que é uma matriz de convolução de dimensões $ N + 2*N_{CH} -1 \times 2*Nch $.
Define-se também o vetor que contem os coeficientes de ambos os canais:
\begin{equation}
\mathbf{h} =
\begin{bmatrix}
\mathbf{a} \\
\mathbf{b}
\end{bmatrix},
\end{equation}
onde $ \mathbf{a} = \left[ a(0) \\\ a(1) \\\ \cdots \\\ a(2N_{CH} - 1) \right]^{T} $ e $ \mathbf{b} = \left[ b(0) \\\ b(1) \\\ \cdots \\\ b(2N_{CH} - 1) \right]^{T} $, contendo, respectivamente, os coeficientes dos canais $ a $ e $ b $, um vetor $ \mathbf{w} = \left[ w_(0) \\\ w_(1) \\\ \cdots \\\ w(N-1) \right]^{T} $, e um vetor $ \mathbf{y} = \left[ y_{1}(0) \\\ y_{1}(1) \\\ \cdots \\\ y_{1}(N-1) \right]^{T} $.
Pode-se então, reescrever a equação \ref{eq:Sinal_recebido_no_1_b_2} em sua forma matricial:
\begin{equation}
\label{eq:sinal_recebido_no_1_matricial}
\mathbf{y} = \mathbf{X} \mathbf{h} + \mathbf{w}.
\end{equation}
Para realizar a estimação de canal, portanto, é necessário que o estimador conheça a matriz $ \mathbf{X} $. Portanto, são utilizadas sequências de treinamento, de forma que possa-se montar uma matriz $ \mathbf{M} $, composta, de forma idêntica à $ \mathbf{X} $, pelas matrizes de convolução $ \mathbf{M}_{1} $ e $ \mathbf{M}_{2} $ compostas pelas sequências de treinamento enviadas pelo nó 1 e 2, respectivamente. Pode-se, então, reescrever a equação da seguinte forma:
\begin{equation}
\label{eq:sinal_treinamento_recebido_no_1_matricial}
\mathbf{y} = \mathbf{M} \mathbf{h} + \mathbf{w}.
\end{equation}
A partir desse modelo linear, pode-se escrever o problema dos mínimos quadrados para a estimação de $ \mathbf{h} $ como:
\begin{equation}
\hat{\mathbf{h}} = \argmin_{h} |\mathbf{y} - \mathbf{M} \mathbf{h}|^{2}.
\end{equation}
A solução para esse problema, pode ser obtido através de:
\begin{equation}
\hat{\mathbf{h}} = \mathbf{M}^{\dagger}\mathbf{y},
\end{equation}
onde $ \mathbf{M}^{\dagger} $ denota a matriz pseudoinversa de $ \mathbf{M} $ e é dada por:
\begin{equation}
\mathbf{M}^{\dagger} = (\mathbf{M}^{T} \mathbf{M})^{-1} \mathbf{M}^{T}.
\end{equation}
% A derivação da expressão acima pode ser encontrada no livro do Kay de teoria da estimação, na página 84 e 85, capítulo 4 (Linear Models).
\end{document}
Responder1
Como suas linhas estão muito espaçadas de qualquer maneira, você pode considerar limitar o espaçamento da linha de base para esta matriz
observe que removi todas as linhas em branco antes que a matemática seja exibida
\documentclass[a4paper, 12pt, twoside, openright]{report}
% =============================================================================
% Pacotes utilizados
\usepackage[english, brazil]{babel} % Português do Brasil
\usepackage[utf8]{inputenc}
\usepackage{indentfirst} % Adiciona parágrafo na primeira linha da seção
\usepackage{microtype} % Melhoras nos espaços entre palavras e letras
\usepackage{amsmath} % Equações
\usepackage{amsfonts}
\usepackage{amssymb}
\usepackage{mathtools}
\usepackage{array} % Traz algumas funcionalidades úteis
\usepackage{verbatim} % Traz algumas funcionalidades úteis
\usepackage{graphicx} % Figuras
\usepackage{epstopdf} % Converte as imagens em EPS para PDF
\usepackage{caption} % Para importar o subcaption
\usepackage{subcaption} % Para usar subfiguras
\usepackage{algorithm} % Ambiente para escrever algoritmos
\usepackage{geometry}
%\usepackage[margin=3cm]{geometry} % Ajuste da margem
\usepackage{setspace} % Ajuste de espaçamento entre linhas
\usepackage[Sonny]{fncychap} % Capítulos bonitos: Lenny, Sonny, Glenn, Conny, Rejne, Bjarne, Bjornstrup
\usepackage{cite} % Melhorias nas citações
%\usepackage{times} % Usa fonte Times no texto
%\usepackage{mathptmx} % Usa fonte times no texto e nas equações
% =============================================================================
% Definições de Estilo
% Margens
% Definidas segundo as normas da ABNT apresentadas no Guia de Normalização da UFABC: Margens superior e esquerda igual a 3 cm e inferior e direita igual a 2 cm.
\linespread{1.3}
\geometry{
top = 30mm,
left = 30mm,
bottom = 20mm,
right = 20mm,
heightrounded = true
}
\DeclareMathOperator*{\argmin}{arg\,min}
\pagestyle{headings} % Mostra o título do capítulo atual no topo da página
\begin{document}
\chapter{Estimador de Canal Least Squares}
\label{chap:estimador_canal_ls}
O estimador mais simples que pode ser encontrado em qualquer literatura de estimação é, sem dúvida, o estimador chamado de mínimos quadrados (LS, do inglês \textit{Least Squares}). No estimador LS, busca-se minimizar o quadrado da diferença entre um certo dado e a sua versão original, ou sem ruído.
O sinal recebido pelo nó 1, cujas equações são reescritas abaixo por conveniência, podem ser representadas na forma de um modelo linear.
\begin{equation}
\label{eq:Sinal_recebido_no_1_b_2}
y_{1}(n) = x_{1}(n) \ast a(n) + x_{2}(n) \ast b(n) + w(n),
\end{equation}
onde $ a(n) = h_{1R}(n) \ast h_{R2}(n) $, $ b(n) = h_{2R}(n) \ast h_{R2}(n) $, e $ w(n) = w_{R}(n) \ast h_{R1}(n) + w_{1}(n) $.
Reescrevendo-as de forma matricial, podemos definir uma matriz $ \mathbf{X} = \left[ \mathbf{X}_{1} \\\ \mathbf{X}_{2} \right] $, onde
\begin{equation}\renewcommand\arraystretch{.8}
\mathbf{X}_{i} =
\begin{bmatrix}
x_{i}(0) & 0 & 0 & \cdots & 0 \\
x_{i}(1) & x_{i}(0) & 0 & \cdots & 0 \\
x_{i}(2) & x_{i}(1) & x_{i}(0) & \cdots & 0 \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
x_{i}(N-1) & x_{i}(N-2) & x_{i}(N-3) & \cdots & \\
0 & x_{i}(N-1) & x_{i}(N-2) & \cdots & \\
0 & 0 & x_{i}(N-1) & \cdots & \\
0 & 0 & 0 & \cdots & \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
0 & 0 & 0 & \cdots & x_{i}(N-3) \\
0 & 0 & 0 & \cdots & x_{i}(N-2) \\
0 & 0 & 0 & \cdots & x_{i}(N-1) \\
\end{bmatrix},
\end{equation}
que é uma matriz de convolução de dimensões $ N + 2*N_{CH} -1 \times 2*Nch $.
Define-se também o vetor que contem os coeficientes de ambos os canais:
\begin{equation}
\mathbf{h} =
\begin{bmatrix}
\mathbf{a} \\
\mathbf{b}
\end{bmatrix},
\end{equation}
onde $ \mathbf{a} = \left[ a(0) \\\ a(1) \\\ \cdots \\\ a(2N_{CH} - 1) \right]^{T} $ e $ \mathbf{b} = \left[ b(0) \\\ b(1) \\\ \cdots \\\ b(2N_{CH} - 1) \right]^{T} $, contendo, respectivamente, os coeficientes dos canais $ a $ e $ b $, um vetor $ \mathbf{w} = \left[ w_(0) \\\ w_(1) \\\ \cdots \\\ w(N-1) \right]^{T} $, e um vetor $ \mathbf{y} = \left[ y_{1}(0) \\\ y_{1}(1) \\\ \cdots \\\ y_{1}(N-1) \right]^{T} $.
Pode-se então, reescrever a equação \ref{eq:Sinal_recebido_no_1_b_2} em sua forma matricial:
\begin{equation}
\label{eq:sinal_recebido_no_1_matricial}
\mathbf{y} = \mathbf{X} \mathbf{h} + \mathbf{w}.
\end{equation}
Para realizar a estimação de canal, portanto, é necessário que o estimador conheça a matriz $ \mathbf{X} $. Portanto, são utilizadas sequências de treinamento, de forma que possa-se montar uma matriz $ \mathbf{M} $, composta, de forma idêntica à $ \mathbf{X} $, pelas matrizes de convolução $ \mathbf{M}_{1} $ e $ \mathbf{M}_{2} $ compostas pelas sequências de treinamento enviadas pelo nó 1 e 2, respectivamente. Pode-se, então, reescrever a equação da seguinte forma:
\begin{equation}
\label{eq:sinal_treinamento_recebido_no_1_matricial}
\mathbf{y} = \mathbf{M} \mathbf{h} + \mathbf{w}.
\end{equation}
A partir desse modelo linear, pode-se escrever o problema dos mínimos quadrados para a estimação de $ \mathbf{h} $ como:
\begin{equation}
\hat{\mathbf{h}} = \argmin_{h} |\mathbf{y} - \mathbf{M} \mathbf{h}|^{2}.
\end{equation}
A solução para esse problema, pode ser obtido através de:
\begin{equation}
\hat{\mathbf{h}} = \mathbf{M}^{\dagger}\mathbf{y},
\end{equation}
onde $ \mathbf{M}^{\dagger} $ denota a matriz pseudoinversa de $ \mathbf{M} $ e é dada por:
\begin{equation}
\mathbf{M}^{\dagger} = (\mathbf{M}^{T} \mathbf{M})^{-1} \mathbf{M}^{T}.
\end{equation}
% A derivação da expressão acima pode ser encontrada no livro do Kay de teoria da estimação, na página 84 e 85, capítulo 4 (Linear Models).
\end{document}
Ou como as últimas 3 linhas não contêm nenhuma informação real neste caso, basta usar 2 linhas no final:
\documentclass[a4paper, 12pt, twoside, openright]{report}
% =============================================================================
% Pacotes utilizados
\usepackage[english, brazil]{babel} % Português do Brasil
\usepackage[utf8]{inputenc}
\usepackage{indentfirst} % Adiciona parágrafo na primeira linha da seção
\usepackage{microtype} % Melhoras nos espaços entre palavras e letras
\usepackage{amsmath} % Equações
\usepackage{amsfonts}
\usepackage{amssymb}
\usepackage{mathtools}
\usepackage{array} % Traz algumas funcionalidades úteis
\usepackage{verbatim} % Traz algumas funcionalidades úteis
\usepackage{graphicx} % Figuras
\usepackage{epstopdf} % Converte as imagens em EPS para PDF
\usepackage{caption} % Para importar o subcaption
\usepackage{subcaption} % Para usar subfiguras
\usepackage{algorithm} % Ambiente para escrever algoritmos
\usepackage{geometry}
%\usepackage[margin=3cm]{geometry} % Ajuste da margem
\usepackage{setspace} % Ajuste de espaçamento entre linhas
\usepackage[Sonny]{fncychap} % Capítulos bonitos: Lenny, Sonny, Glenn, Conny, Rejne, Bjarne, Bjornstrup
\usepackage{cite} % Melhorias nas citações
%\usepackage{times} % Usa fonte Times no texto
%\usepackage{mathptmx} % Usa fonte times no texto e nas equações
% =============================================================================
% Definições de Estilo
% Margens
% Definidas segundo as normas da ABNT apresentadas no Guia de Normalização da UFABC: Margens superior e esquerda igual a 3 cm e inferior e direita igual a 2 cm.
\linespread{1.3}
\geometry{
top = 30mm,
left = 30mm,
bottom = 20mm,
right = 20mm,
heightrounded = true
}
\DeclareMathOperator*{\argmin}{arg\,min}
\pagestyle{headings} % Mostra o título do capítulo atual no topo da página
\begin{document}
\chapter{Estimador de Canal Least Squares}
\label{chap:estimador_canal_ls}
O estimador mais simples que pode ser encontrado em qualquer literatura de estimação é, sem dúvida, o estimador chamado de mínimos quadrados (LS, do inglês \textit{Least Squares}). No estimador LS, busca-se minimizar o quadrado da diferença entre um certo dado e a sua versão original, ou sem ruído.
O sinal recebido pelo nó 1, cujas equações são reescritas abaixo por conveniência, podem ser representadas na forma de um modelo linear.
\begin{equation}
\label{eq:Sinal_recebido_no_1_b_2}
y_{1}(n) = x_{1}(n) \ast a(n) + x_{2}(n) \ast b(n) + w(n),
\end{equation}
onde $ a(n) = h_{1R}(n) \ast h_{R2}(n) $, $ b(n) = h_{2R}(n) \ast h_{R2}(n) $, e $ w(n) = w_{R}(n) \ast h_{R1}(n) + w_{1}(n) $.
Reescrevendo-as de forma matricial, podemos definir uma matriz $ \mathbf{X} = \left[ \mathbf{X}_{1} \\\ \mathbf{X}_{2} \right] $, onde
\begin{equation}
\mathbf{X}_{i} =
\begin{bmatrix}
x_{i}(0) & 0 & 0 & \cdots & 0 \\
x_{i}(1) & x_{i}(0) & 0 & \cdots & 0 \\
x_{i}(2) & x_{i}(1) & x_{i}(0) & \cdots & 0 \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
x_{i}(N-1) & x_{i}(N-2) & x_{i}(N-3) & \cdots & \\
0 & x_{i}(N-1) & x_{i}(N-2) & \cdots & \\
0 & 0 & x_{i}(N-1) & \cdots & \\
0 & 0 & 0 & \cdots & \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
%0 & 0 & 0 & \cdots & x_{i}(N-3) \\
0 & 0 & 0 & \cdots & x_{i}(N-2) \\
0 & 0 & 0 & \cdots & x_{i}(N-1) \\
\end{bmatrix},
\end{equation}
que é uma matriz de convolução de dimensões $ N + 2*N_{CH} -1 \times 2*Nch $.
Define-se também o vetor que contem os coeficientes de ambos os canais:
\begin{equation}
\mathbf{h} =
\begin{bmatrix}
\mathbf{a} \\
\mathbf{b}
\end{bmatrix},
\end{equation}
onde $ \mathbf{a} = \left[ a(0) \\\ a(1) \\\ \cdots \\\ a(2N_{CH} - 1) \right]^{T} $ e $ \mathbf{b} = \left[ b(0) \\\ b(1) \\\ \cdots \\\ b(2N_{CH} - 1) \right]^{T} $, contendo, respectivamente, os coeficientes dos canais $ a $ e $ b $, um vetor $ \mathbf{w} = \left[ w_(0) \\\ w_(1) \\\ \cdots \\\ w(N-1) \right]^{T} $, e um vetor $ \mathbf{y} = \left[ y_{1}(0) \\\ y_{1}(1) \\\ \cdots \\\ y_{1}(N-1) \right]^{T} $.
Pode-se então, reescrever a equação \ref{eq:Sinal_recebido_no_1_b_2} em sua forma matricial:
\begin{equation}
\label{eq:sinal_recebido_no_1_matricial}
\mathbf{y} = \mathbf{X} \mathbf{h} + \mathbf{w}.
\end{equation}
Para realizar a estimação de canal, portanto, é necessário que o estimador conheça a matriz $ \mathbf{X} $. Portanto, são utilizadas sequências de treinamento, de forma que possa-se montar uma matriz $ \mathbf{M} $, composta, de forma idêntica à $ \mathbf{X} $, pelas matrizes de convolução $ \mathbf{M}_{1} $ e $ \mathbf{M}_{2} $ compostas pelas sequências de treinamento enviadas pelo nó 1 e 2, respectivamente. Pode-se, então, reescrever a equação da seguinte forma:
\begin{equation}
\label{eq:sinal_treinamento_recebido_no_1_matricial}
\mathbf{y} = \mathbf{M} \mathbf{h} + \mathbf{w}.
\end{equation}
A partir desse modelo linear, pode-se escrever o problema dos mínimos quadrados para a estimação de $ \mathbf{h} $ como:
\begin{equation}
\hat{\mathbf{h}} = \argmin_{h} |\mathbf{y} - \mathbf{M} \mathbf{h}|^{2}.
\end{equation}
A solução para esse problema, pode ser obtido através de:
\begin{equation}
\hat{\mathbf{h}} = \mathbf{M}^{\dagger}\mathbf{y},
\end{equation}
onde $ \mathbf{M}^{\dagger} $ denota a matriz pseudoinversa de $ \mathbf{M} $ e é dada por:
\begin{equation}
\mathbf{M}^{\dagger} = (\mathbf{M}^{T} \mathbf{M})^{-1} \mathbf{M}^{T}.
\end{equation}
% A derivação da expressão acima pode ser encontrada no livro do Kay de teoria da estimação, na página 84 e 85, capítulo 4 (Linear Models).
\end{document}
Responder2
bem-vindo ao tex.sx.
você realmente não deve deixar uma linha em branco acima de uma equationou outra tela - ela sempre adicionará espaço e também permitirá uma quebra de página onde não for considerado um bom estilo.
mas o verdadeiro problema aqui, como você destacou, é que a matriz simplesmente não cabe no espaço restante da página.
neste caso, pode ser aceitável reduzir o tamanho da tela. fazer apenas essa modificação reduzirá o tamanho para algo que caiba;
Reescrevendo-as de forma matricial, podemos definir uma matriz $ \mathbf{X} = \left[ \mathbf{X}_{1} \\\ \mathbf{X}_{2} \right] $, onde
\begingroup
\small
\begin{equation}
\mathbf{X}_{i} =
\begin{bmatrix}
x_{i}(0) & 0 & 0 & \cdots & 0 \\
x_{i}(1) & x_{i}(0) & 0 & \cdots & 0 \\
x_{i}(2) & x_{i}(1) & x_{i}(0) & \cdots & 0 \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
x_{i}(N-1) & x_{i}(N-2) & x_{i}(N-3) & \cdots & \\
0 & x_{i}(N-1) & x_{i}(N-2) & \cdots & \\
0 & 0 & x_{i}(N-1) & \cdots & \\
0 & 0 & 0 & \cdots & \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
0 & 0 & 0 & \cdots & x_{i}(N-3) \\
0 & 0 & 0 & \cdots & x_{i}(N-2) \\
0 & 0 & 0 & \cdots & x_{i}(N-1) \\
\end{bmatrix},
\end{equation}
\endgroup
que é uma matriz de convolução de dimensões $ N + 2*N_{CH} -1 \times 2*Nch $.
(como você está usando amsmath, o tamanho do número da equação não será reduzido.)
esta abordagem geralmente não é recomendada e se o parágrafo anterior tiver mais de uma linha, surgem complicações adicionais que devem ser resolvidas (o espaçamento entre linhas é reduzido). então é uma tática apenas para uso emergencial.