Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia
|
|
- Herman Garrau Leal
- 8 Há anos
- Visualizações:
Transcrição
1 Técnicas de Mineração de Dados Aplicadas a Reservatórios visando à Gestão Ambiental na Geração de Energia Aluno: Gabriel Leite Mariante Orientador: Marley Maria Bernardes Rebuzzi Vellasco Introdução e Objetivos O projeto GERABIO, financiado pela Light, é desenvolvido pela PUC-Rio em parceria com outras universidades do Rio de Janeiro. Seu objetivo é o desenvolvimento de uma ferramenta computacional que será utilizada para controle ambiental da água de reservatórios de usinas hidrelétricas pertencentes à Light no interior do estado do Rio de Janeiro. Este trabalho tem como objetivo o desenvolvimento de uma das funcionalidades que poderá ser utilizada pela referida ferramenta computacional. Neste trabalho, foi desenvolvido um sistema de previsão de séries temporais que se aplica de duas maneiras ao objetivo do projeto: previsão do nível de água dos reservatórios das usinas e do índice pluviométrico mensal nos mesmos. Para a realização das previsões, foi utilizada a tecnologia de Redes Neurais Artificiais, que tem inúmeras aplicações tanto acadêmicas como comerciais, sendo a previsão de séries temporais uma das mais comuns. O trabalho foi desenvolvido na forma de códigos no programa MatLab, que possui uma extensa biblioteca de funções para o uso de Redes Neurais ( nntool ) e que está disponível nos computadores do Departamento de Engenharia Elétrica da PUC. Aqui estão apresentados o procedimento e os principais resultados encontrados no desenvolvimento dos códigos. Redes Neurais na Previsão de Séries Temporais Redes Neurais, como o próprio nome indica, são algoritmos computacionais que têm como inspiração a forma de aprendizado desenvolvida pelos neurônios humanos, isto é, o aprendizado por experiência. De uma maneira geral, uma rede neural precisa de dados de entrada com seus respectivos resultados para ser treinada e, a partir daí, pode receber dados de entrada desconhecidos e realizar previsões. Neste caso específico, o objetivo da rede neural é prever uma série temporal, isto é, prever valores futuros de uma determinada variável baseado em uma base de dados que contém valores passados da referida variável. Nestas circunstâncias, deve-se escolher uma janela de previsão, isto é, o número de valores anteriores que serão usados como dados de entrada para a realização a previsão. Trata-se de um parâmetro muito importante neste caso, pois consiste em uma decisão a respeito do número de valores passados que é relevante para a previsão de um valor futuro. Foram testadas, como será visto mais a frente, uma variedade de janelas de previsão em cada reservatório analisado, tendo sido escolhida aquela na qual a Rede apresentou melhor desempenho. A janela de previsão, uma vez definida, é a principal componente dos dados de entrada de uma rede neural. Pode-se, caso se julgue necessário, acrescentar outras entradas que se considere relevante na previsão de um determinado valor. No caso das previsões realizadas neste trabalho, relativas a fatores meteorológicos (nível de água e precipitação), optou-se por incluir nos dados de entrada na rede o mês do ano referente ao valor final a ser previsto.
2 Outro aspecto importante a ser destacado a respeito da previsão de séries temporais utilizando Redes Neurais é o chamado horizonte de previsão. O horizonte de previsão é o número de valores futuros que se deseja prever a partir da série de valores passados. Neste trabalho, todas as previsões realizadas têm um horizonte de previsão ajustável que pode ser configurado através de um valor atribuído a uma variável do código escrito. Uma Rede Neural tem, naturalmente, uma única saída, que seria referente ao próximo valor da série temporal em questão. Trata-se da chamada previsão single-step (um passo a frente). No entanto, em certas aplicações (como é o caso deste trabalho), pode ser interessante prever resultados mais a frente, não se limitando ao próximo valor. Para atingir tal objetivo, é necessário partir de uma previsão single-step e, assumindo que seu valor é de fato o valor correto, utilizá-lo na entrada da rede para, então, prever o valor seguinte. É importante notar que o primeiro valor previsto (singlestep) não será, evidentemente, o valor exato mas, como não se sabe qual será o número correto, a previsão é utilizada como estimativa. Desta maneira, quando um valor previsto e, portanto, incorreto é utilizado como entrada para uma nova previsão, o erro do valor seguinte será ainda maior. Este processo pode ser repetido para o número de valores à frente que se desejar prever; trata-se da previsão multi-step (vários passos a frente). Como a previsão multi-step é, por definição, uma sequência de previsões single-step tomadas como verdadeiras (quando, na verdade, não o são), quanto maior o horizonte de previsão, maior será o erro no valor final, visto que o erro final é uma acumulação dos diversos erros das previsões single-step realizadas. Neste trabalho, foram realizadas previsões dos dois tipos: single-step e multi-step. Considerando as aplicações práticas do projeto final, é interessante que se possa realizar previsões que não se limitem a um único passo a frente. No entanto, é fácil perceber que, a partir de um certo número de passos a frente (lembrando que o horizonte de previsão, como já mencionado, é ajustado através de um valor atribuído a uma variável no código do programa desenvolvido), o erro do valor previsto passa a ser tão grande que a previsão passa a ter pouco valor. Não existe uma solução definitiva para isso, de modo que o horizonte de previsão deve, portanto, ser menor ou igual a um valor cujo erro final de previsão seja aceitável. Medidas de erro e desempenho da Rede Neural serão discutidas mais a fundo no próximo item. Medidas de Desempenho da Rede Neural Para avaliar a qualidade da previsões realizadas por uma Rede Neural, é necessário estabelecer uma (ou mais) medidas de desempenho. Existem inúmeras possiblidades de medição de desempenho de uma Rede. Neste trabalho escolhemos, como principal indicador, o erro absoluto médio percentual ou, como é mais conhecido por sua sigla em inglês, o MAPE (Mean Absolute Percentage Error). O MAPE é calculado tirando-se a média dos erros percentuais, em módulo, de todos os valores previstos pela Rede Neural, segundo a Equação 1. MAPE = 100% n n At Ft At t=1 Equação 1: Cálculo do MAPE, na qual At é o valor real, Ft é o valor previsto e n é o número de previsões
3 Para previsões single-step, o MAPE foi calculado levando-se em conta os diversos valores usados para teste da Rede Neural e seus erros na previsão do valor seguinte. Para previsões multistep, o MAPE foi calculado levando-se em conta os n (ver Eq. 1) valores do horizonte de previsão previstos a partir do último valor disponível da série histórica. A escolha do MAPE se deu, principalmente, em razão de sua natureza percentual. Isto significa que o erro é normalizado em relação ao valor real da série, permitindo, portanto, a comparação direta de desempenho entre séries temporais com valores diferentes. Neste trabalho, esta propriedade é particularmente útil, visto que os diferentes reservatórios de água tem níveis de água e índices pluviométricos médios bem diferentes entre si. É trivial perceber que o desempenho de uma dada Rede Neural será melhor quanto menor for o valor obtido para o MAPE. Outra medida de desempenho considerada neste trabalho, embora sem a mesma importância do MAPE, foi o coeficiente R de correlação, fornecido automaticamente pelo toolbox de Redes Neurais do MatLab. O coeficiente R, ao contrário do MAPE, só foi considerado para previsões single-step do conjunto de valores usados como teste da Rede (Equação 2). O coeficiente de correlação é uma medida que varia entre -1 e 1. Como, neste caso, o coeficiente é calculado entre o valor previsto e o valor real, quanto mais próximo de 1 for seu valor, mais próximo eles estão e, consequentemente, melhor é o desempenho da Rede. R = σ xy σ x σ y Equação 2: O coeficiente R é a divisão da covariância entre os valores previstos e os valores reais pelo produto de suas variâncias amostrais Previsão do Nível dos Reservatórios A primeira aplicação para Redes Neurais utilizada no trabalho foi, como já mencionado, a previsão diária do nível da água em reservatórios de hidrelétricas. Foram fornecidos, pela Light, dados de medições diárias do nível dos reservatórios no período de Janeiro de 2003 até Março de Os dados recebidos foram divididos da seguinte maneira: - 70% para treinamento dados usados para treinar a Rede Neural, isto é, formação dos valores internos dos pesos da Rede a partir de dados de entrada com seus respectivos resultados conhecidos - 15% para validação a cada ciclo de treinamento, este grupo de dados é utilizado como forma de teste instantâneo de desempenho da Rede eu dados conhecidos; a configuração final da rede vai ser aquela na qual o índice de acerto neste grupo for maior - 15% para teste dados utilizados para obter um resultado de desempenho da Rede para valores totalmente desconhecidos; o teste é aplicado após o final do treinamento/validação Inicialmente, dados relativos a dois anos de previsão (2011 e 2012) foram utilizados para o desenvolvimento de um código que serviu como base para o código final. Nesse estágio, a programação relativa a entrada e formatação de dados, configuração da Rede, janela de previsão, horizonte de previsão e avaliação de desempenho foi desenvolvida. A janela de previsão que, como já mencionada acima, é um dos parâmetros mais importantes para a previsão de séries temporais, foi estabelecida em 4 valores passados. Foram testados diversos
4 valores e concluiu-se que, de uma maneira geral, 4 era o número que proporcionava melhores resultados de desempenho na Rede Neural. Quanto ao horizonte de previsão, os testes multi-step foram realizados com um horizonte de 15 valores futuros (lembrando que, nesse estágios, os valores utilizados são diários). Este valor é configurável no código, bastando a alteração de um valor para que o horizonte mude (no código do MatLab a variável passos representa o horizonte). Após testes com diferentes valores de horizonte, estabeleceu-se que 15 era um valor razoável por ser grande o suficiente para ter utilidade prática em previsões futuras, mas não grande demais para apresentar erros inaceitáveis. Optou-se também por incluir o mês relativo ao dado a ser previsto de maneira binária. Como o ano tem 12 meses, foram necessários 4 dados de entrada para a inclusão de tal informação na Rede Neural (um para cada bit relativo à representação binária do mês). Incluiu-se também o dia do mês como dado de entrada. Dessa maneira, a Rede Neural passou a ter um total de 9 dados de entrada (4 dados da janela de previsão + 4 dados referentes aos bits do mês + 1 valor para o dia do mês = 9 dados). Outro procedimento importante realizado neste estágio foi a correção de dados faltantes na série temporal. A série histórica fornecida pela Light, por se tratar de um período longo de tempo, possui dados faltantes. Para corrigir este problema, cada dado faltante foi substituído pela média aritmética entre o dado anterior e o dado seguinte. Quanto ao número de neurônios (unidades processadoras) da camada escondida da Rede, optou-se, também após testes com diferentes valores, utilizar 4 neurônios. Desta maneira, a figura 1 esquematiza a configuração final da Rede Neural utilizada. Figura 1: Diagrama da Rede Neural: 9 dados de entrada, 4 neurônios na camada escondida e 1 dado de saída (valor previsto) Como os valores inicializados dos pesos da Rede Neural são aleatórios, a cada vez que a Rede é criada e treinada, mesmo que os dados utilizados sejam iguais, o resultado obtido é diferente. Para contornar esse problema, o código foi programado para que a Rede seja criada, treinada e aplicada um número ajustável de vezes (controlado pela variável iter ). O MAPE final utilizado é, então, a média dos valores de MAPE de todas as vezes que a Rede foi utilizada.
5 Reservatório Local de Medição MAPE Multi-Step MAPE Single-Step Ilha dos Pombos Montante 0,1727% 0,1393% Jusante 1,0313% 0,2489% Lajes Montante 0,0980% 0,0111% Ponte Coberta Montante 0,1767% 0,1952% Jusante 0,1057% 0,1326% Santa Branca Montante 0,1275% 0,0316% Jusante 0,0566% 0,0103% Santa Cecília Vargem Alegre 0,0358% 0,0232% Tomada D'água 0,0485% 0,0329% Barra do Piraí 0,0381% 0,0317% Santana Nova Esperança 0,0641% 0,0297% Montante 0,0372% 0,0179% Tocos Montante 0,1101% 0,1022% Vigário Canal de Vigário 0,0266% 0,0308% Descaga D'água 0,0253% 0,0308% Tomada D'água 0,0253% 0,0242% Média 0,1362% 0,0683% Tabela 1: Valores de MAPE para as previsões de nível diário dos reservatórios analisados A Tabela 1 mostra os resultados finais de MAPE encontrados para os diversos locais de medição dos diversos reservatórios avaliados. O MAPE Multi-Step foi calculado realizando a previsão dos últimos 15 valores cronologicamente da série temporal. A rede utilizada teve, como dados entrada (treinamento, validação e teste), todo os dados exceto os últimos 15 e, então, foi realizada uma previsão futura de 15 passos, na qual o MAPE foi calculado. Já o MAPE Single-Step foi calculado para a previsão um passo a frente de todos os valores do grupo de teste (isto é, 15% dos valores). É importante notar que os valores tanto do MAPE Multi-Step quanto do MAPE Single- Step são, na verdade, uma média de 30 iterações de Redes Neurais para cada ponto de medição de cada reservatório. Isto significa que 30 Redes diferentes foram criadas, treinadas, validadas, testadas e realizaram a previsão, obtendo, na média, o valor tabelado acima. Este número, como já mencionado, é totalmente programável, sendo apenas o valor atribuído a uma variável (a variável iter ; neste caso, fez-se iter=30). Como esperado, o valor médio do MAPE Multi-Step é maior do que o do MAPE Single- Step. Em alguns poucos casos, isto não ocorre, pois a Rede Neural diminui o erro com o passar do tempo, isto é, o erro do primeiro passo é maior que o dos passos seguinte. Não é o esperado, mas é possível.
6 Previsão do Índice Pluviométrico A outra aplicação para as previsões realizadas por Redes Neurais neste trabalho foi, como já mencionado, a previsão de séries temporais referentes ao índice pluviométrico mensal (medido em milímetros) dos mesmos reservatórios para os quais foram medidos os níveis de água. Os dados de entrada foram provenientes das mesmas planilhas fornecidas pela Light com dados relativos aos meses de Janeiro de 2003 até Março de Como o princípio é o mesmo, isto é, previsão de valores futuros a partir de uma série histórica, tentou-se usar, inicialmente, as mesmas configurações do código anterior, apenas com algumas adaptações relativas, naturalmente, à entrada dos dados utilizados na previsão. Com os mesmos valores de janela de previsão, horizonte e neurônios na camada escondida, porém, o resultado para a previsão multi-step foi muito ruim, com valores de MAPE altíssimos, muito superiores a 100%. Com o objetivo de melhorar o desempenho, fez-se, então, alterações na estrutura das Redes Neurais usadas, bem como nos dados de entrada. A variação no valor mensal da quantidade de chuva é, claramente, muito mais brusca do que a variação diária do nível de água de um reservatório. É intuitivo pensarmos que é muito mais fácil prever o nível de um reservatório amanhã a partir de seu nível hoje do que prever o quanto choverá no próximo mês a partir da quantidade de chuvas deste mês. Além disso, a quantidade de dados de entrada utilizados na previsão é 12 vezes menor, visto que a previsão do nível é feita a partir de dados diários, enquanto a previsão do índice pluviométrico é feita a partir de dados mensais. Dessa maneira, o desempenho muito pior sob as mesmas condições é esperado. A primeira e mais óbvia alteração feita é a diminuição do horizonte de previsão. A previsão, que era realizada 15 passos a frente, passou a ser realizada apenas 3 passos a frente. Tal valor é mais razoável com as condições mais complexas e variáveis da série temporal sem, porém, deixar de ser uma previsão futura condizente com as aplicações práticas. Para alguns reservatórios, ainda assim o resultado ficou muito ruim. Nestes casos, diminuiu-se para 2 passos o numero de previsões futuras. O horizonte de previsão de cada reservatório está tabelado abaixo junto com o resultado final da previsão multi-step. Um dos dados de entrada utilizado anteriormente já não se aplica mais nesse novo caso. Trata-se do dia do mês referente ao nível do reservatório. Tal entrada foi substituída por um novo dado, que representa a média dos índices pluviométricos do mês em questão a ser previsto, calculada com base nos dados fornecidos (por exemplo, se o objetivo é a previsão do índice do mês de abril, esse valor será a média de todos os meses de abril entre 2003 e 2012 fornecidos pela Light). Mudou-se também o modo como o mês a ser previsto é incluído nos dados de entrada da Rede. Na previsão do nível diário, o mês era codificado de maneira binária utilizando 4 bits. Nesta nova aplicação, optou-se por uma codificação binária utilizando 12 bits. Para cada mês específico, um dos 12 bits, referente ao número do mês, terá valor 1, enquanto os outros 11 bits terão valor 0. Por exemplo, o mês de abril, representado pelo número 4, será codificado da seguinte maneira: Outra alteração importante foi realizada na estrutura de neurônios e camadas das Redes Neurais. Por causa da já mencionada complexidade da série temporal em questão, resolveu-se acrescentar mais uma camada escondida de neurônios antes da saída dos dados. As Redes usadas possuem agora, portanto, duas camadas escondidas (figura 2) de processamento dos dados. Após vários testes, concluiu-se que o número de neurônios nestas camadas que apresentava melhor resultado foi diferente para cada reservatório. Estes números estão tabelados junto com os resultados finais das Redes. Outra alteração na estrutura interna na Rede foi a divisão de todos os valores iniciais aleatórios atribuídos aos pesos da Rede Neural por 100. Tal ajuste foi realizado como forma
7 de diminuir a variância do MAPE Multi-Step final pois percebia-se que, nas 30 iterações da Rede, o valor de MAPE encontrado variava de maneira muito intensa se fossem mantidos os valores originais atribuídos aleatoriamente pelo MatLab. Dividindo esses valores por 100, a variância diminuiu bastante, fazendo com o que o valor do MAPE ficasse sempre mais próximo do valor médio. Figura 2: Representação esquemática da Rede Neural com 2 camadas escondidas. A rede em questão possui 16 entradas: 12 bits de codificação do mês + 3 da janela de previsão + 1 da média mensal A última alteração foi relacionada à janela de previsão. Esta, assim como o número de neurônios nas camadas escondidas, provou-se diferente para cada reservatório. Foram testados, em cada um deles, diferentes valores de janela e aquele que apresentava o melhor resultado multi-step foi mantido. Tais valores também estão tabelados junto aos resultados finais de previsão. O resultado final das previsões multi-step, bem como os valores que diferem entre os reservatórios, estão expostos na Tabela 2. Reservatório MAPE Multi-Step Janela Horizonte Neurônios Ilha dos Pombos 60,23% e 6 Lajes 21,40% e 2 Ponte Coberta 33,32% e 2 Santa Branca 26,54% e 2 Santa Cecília 9,20% e 2 Santana 18,05% e 2 Tocos 22,10% e 2 Vigário - UEL 24,03% e 2 Canal de Vigário 14,76% e 2 Média: 26% Tabela 2: Resultados multi-step e outros dados relevantes para a previsão nos diferentes reservatórios A tabela 2 mostra que, mesmo após diversos ajustes e alterações nos dados de entrada e na estrutura das Redes Neurais utilizadas, nem todos os reservatórios tiveram seus índices pluviométricos previstos de maneira satisfatória. Considera-se que MAPE s Multi-Step da ordem entre 10% e 30%, para três valores futuros, são resultados satisfatórios. A maior parte dos reservatórios analisados está dentro desta margem. Alguns, porém, não estão. O esforço de ajuste técnico conseguiu reduzir o erro, mas não a ponto de poder considerá-lo satisfatoriamente baixo. Percebe-se claramente que o reservatório de Ilha dos Pombos tem um resultado muito pior do que
8 os outros, mesmo com um horizonte de previsão menor. Analisando a série temporal, percebe-se que ela é de fato mais complexa e com padrões mais irregulares do que as outras. A média dos valores de MAPE Multi-Step sem levar em conta este reservatório foi de 21,18%, que é um resultado bastante satisfatório. Alguns Gráficos Utilizados na Avaliação do Trabalho A seguir, estão anexados alguns exemplos de gráficos gerados pelo MatLab a partir dos códigos escritos que foram utilizados na avaliação de desempenho das previsões das Redes Neurais que tabeladas aqui. Gráfico 1: Previsão Multi-Step da Rede Neural e valores reais da série temporal para o nível em Santa Branca-Montante
9 Gráfico 2: Previsão single-step da Rede Neural (em verde) e valores reais da série (em azul) para o nível do reservatório de Lajes. O gráfico teve que ser aproximado, pois o erro single-step é tão pequeno nesta previsão que não se viam duas curvas separadas, apenas uma. Gráfico 3: Valores do MAPE Multi-Step para as 30 iterações da Rede Neural na previsão do índice pluviométrico do reservatório de Santa Cecília. Cada valor é o MAPE Multi-Step de uma Rede diferente que foi terinada, validade e testada com os mesmo dados de entrada. O valor médio (aqui, em torno de 9%) foi tabelado na Tabela 2
10 Gráfico 4: Aqui, são representados os valores do coeficiente R, citado como uma forma de avaliação single-step da Rede Neural, para a última (trigésima) iteração da previsão para o índice de chuvas do Reservatório de Lajes. Deve-se lembrar que o valor R pode variar entre 0 e 1, e quanto mais perto de 1 melhor é a previsão single-step. Conclusão Este trabalho permite concluir a respeito da eficácia do uso de Redes Neurais na previsão de séries temporais relativas a índices meteorológicos, tais como nível de água e índice pluviométrico. Redes Neurais, da maneira que foram utilizadas aqui, podem ser utilizadas para realizar previsões bastante acuradas de séries que têm até um certo grau de complexidade.
11 Como já dito, o resultado foi excelente quando da aplicação das Redes para prever o nível diário de água para um número razoavelmente grande (15) de passos a frente. A série temporal relativa a este dado é relativamente bem comportada e apresenta padrões de variação mais facilmente reconhecíveis por Redes Neurais. Na série relativa ao índice pluviométrico mensal, o resultado não foi tão bom. Tal diferença, como já citado neste relatório, é esperada devido à diferença da natureza dos dois dados previstos. O índice mensal de chuvas apresenta uma maior variação mensal e a correlação com os meses anteriores (é importante lembrar que os dados passados são a principal fonte de informação utilizada pela Rede para realizar a previsão) é, naturalmente, muito menor. Ainda assim pôde-se fazer, para a maior parte dos reservatórios medidos, uma previsão com um nível satisfatório de acerto. É possível que outros ajustes técnicos e computacionais pudessem ser feitos para melhorar ainda mais os resultados não satisfatórios. Tais eventuais ajustes estão, porém, fora do escopo deste trabalho. Finalmente, pode-se destacar as diversas aplicações de cunho científico que tecnologias semelhantes a esta aqui descrita podem ter. Aqui, Redes Neurais foram aplicadas, por sua capacidade preditiva, a uma importante ferramenta de controle ambiental. Existem, porém, inúmeros outros fins para os quais o mesmo tipo de previsão pode ser usada. Encontra-se diversos exemplos na indústria, no mercado, na academia e em qualquer outro campo que necessite de análise e tratamento de dados objetivando previsões futuras. Referências 1 VELLASCO, Marley M. B. R. Notas de Aula de Redes Neuaris. ICA PUC-Rio. Notas de Aula 2 SIQUEIRA, Jan K. Curso de MatLab. Notas de Aula 3 BATISTA, André Luiz F. Modelos de Séries Temporais e Redes Neurais Artificais na Previsão de Vazão Dissertação (Mestrado em Engenharia de Sistemas) Universidade Federal de Lavras, Minas Gerais. 2009
MLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisMatlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida
27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia maisCálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante
Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisPROJETO DE REDES www.projetoderedes.com.br
PROJETO DE REDES www.projetoderedes.com.br Curso de Tecnologia em Redes de Computadores Disciplina: Redes I Fundamentos - 1º Período Professor: José Maurício S. Pinheiro AULA 2: Transmissão de Dados 1.
Leia maisRESOLUÇÃO CFC Nº. 1.265/09. O CONSELHO FEDERAL DE CONTABILIDADE, no exercício de suas atribuições legais e regimentais,
NOTA - A Resolução CFC n.º 1.329/11 alterou a sigla e a numeração desta Interpretação de IT 12 para ITG 12 e de outras normas citadas: de NBC T 19.1 para NBC TG 27; de NBC T 19.7 para NBC TG 25; de NBC
Leia maisCapacidade = 512 x 300 x 20000 x 2 x 5 = 30.720.000.000 30,72 GB
Calculando a capacidade de disco: Capacidade = (# bytes/setor) x (méd. # setores/trilha) x (# trilhas/superfície) x (# superfícies/prato) x (# pratos/disco) Exemplo 01: 512 bytes/setor 300 setores/trilha
Leia maisManual do Integrador. Programa de Formação
Manual do Integrador Programa de Formação Introdução As oportunidades de iniciação de frentes de negócios na indústria fotovoltaica brasileira são diversas e estão abertas a todos aqueles que desejam começar
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia mais6. Pronunciamento Técnico CPC 23 Políticas Contábeis, Mudança de Estimativa e Retificação de Erro
TÍTULO : PLANO CONTÁBIL DAS INSTITUIÇÕES DO SISTEMA FINANCEIRO NACIONAL - COSIF 1 6. Pronunciamento Técnico CPC 23 Políticas Contábeis, Mudança de Estimativa e Retificação de Erro 1. Aplicação 1- As instituições
Leia maisLuciano Silva Rosa Contabilidade 03
Luciano Silva Rosa Contabilidade 03 Resolução de três questões do ICMS RO FCC -2010 Vamos analisar três questões do concurso do ICMS RO 2010, da FCC, que abordam alguns pronunciamentos do CPC. 35) Sobre
Leia maisProjeto Você pede, eu registro.
Projeto Você pede, eu registro. 1) IDENTIFICAÇÃO 1.1) Título do Projeto: Você pede eu registro. 1.2) Equipe responsável pela coordenação do projeto: Pedro Paulo Braga Bolzani Subsecretario de TI Antonio
Leia maisManual SAGe Versão 1.2 (a partir da versão 12.08.01)
Manual SAGe Versão 1.2 (a partir da versão 12.08.01) Submissão de Relatórios Científicos Sumário Introdução... 2 Elaboração do Relatório Científico... 3 Submissão do Relatório Científico... 14 Operação
Leia maisGerenciamento de Problemas
Gerenciamento de Problemas O processo de Gerenciamento de Problemas se concentra em encontrar os erros conhecidos da infra-estrutura de TI. Tudo que é realizado neste processo está voltado a: Encontrar
Leia maisUtilização do SOLVER do EXCEL
Utilização do SOLVER do EXCEL 1 Utilização do SOLVER do EXCEL José Fernando Oliveira DEEC FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO MAIO 1998 Para ilustrar a utilização do Solver na resolução de
Leia mais3 Previsão da demanda
42 3 Previsão da demanda Este capítulo estuda o processo de previsão da demanda através de métodos quantitativos, assim como estuda algumas medidas de erro de previsão. Num processo de previsão de demanda,
Leia maisPLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 3 O QUE É PLANEJAMENTO DE VENDAS E OPERAÇÕES?
PLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 3 O QUE É PLANEJAMENTO DE VENDAS E OPERAÇÕES? Índice 1. O que é planejamento de...3 1.1. Resultados do planejamento de vendas e operações (PVO)...
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisGerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto
Gerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com PMBoK Organização do Projeto Os projetos e o gerenciamento
Leia maisINTRODUÇÃO À MATEMÁTICA FINANCEIRA
INTRODUÇÃO À MATEMÁTICA FINANCEIRA SISTEMA MONETÁRIO É o conjunto de moedas que circulam num país e cuja aceitação no pagamento de mercadorias, débitos ou serviços é obrigatória por lei. Ele é constituído
Leia mais4 Avaliação Experimental
4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre
Leia maisUnidade VI. Validação e Verificação de Software Teste de Software. Conteúdo. Técnicas de Teste. Estratégias de Teste
Unidade VI Validação e Verificação de Software Teste de Software Profa. Dra. Sandra Fabbri Conteúdo Técnicas de Teste Funcional Estrutural Baseada em Erros Estratégias de Teste Teste de Unidade Teste de
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia maisGerenciamento de Níveis de Serviço
Gerenciamento de Níveis de Serviço O processo de Gerenciamento de Níveis de Serviço fornece o contato entre a organização de TI e o cliente, para garantir que a organização de TI conhece os serviços que
Leia maisINSTITUTO FLORENCE DE ENSINO COORDENAÇÃO DE PÓS-GRADUAÇÃO CURSO DE PÓS-GRADUAÇÃO EM (TÍTULO DO PROJETO) Acadêmico: Orientador:
INSTITUTO FLORENCE DE ENSINO COORDENAÇÃO DE PÓS-GRADUAÇÃO CURSO DE PÓS-GRADUAÇÃO EM (TÍTULO DO PROJETO) Acadêmico: Orientador: São Luis 2015 (TÍTULO DO PROJETO) (NOME DO ALUNO) Projeto de Pesquisa do Programa
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar
Leia maisUM CONCEITO FUNDAMENTAL: PATRIMÔNIO LÍQUIDO FINANCEIRO. Prof. Alvaro Guimarães de Oliveira Rio, 07/09/2014.
UM CONCEITO FUNDAMENTAL: PATRIMÔNIO LÍQUIDO FINANCEIRO Prof. Alvaro Guimarães de Oliveira Rio, 07/09/2014. Tanto as pessoas físicas quanto as jurídicas têm patrimônio, que nada mais é do que o conjunto
Leia maisUma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro
Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,
Leia maisQFD: Quality Function Deployment QFD: CASA DA QUALIDADE - PASSO A PASSO
QFD: CASA DA QUALIDADE - PASSO A PASSO 1 - INTRODUÇÃO Segundo Akao (1990), QFD é a conversão dos requisitos do consumidor em características de qualidade do produto e o desenvolvimento da qualidade de
Leia maisRelatório da ListEx02 Aplicação da Heurística do objetivo na definição das propostas do meu aplicativo de banco de dados e dissertação de mestrado
ITA Instituto Tecnológico da Aeronáutica IEC Divisão de Ciência da Computação Pós-Graduação em Engenharia Eletrônica e Computação Relatório da ListEx02 Aplicação da Heurística do objetivo na definição
Leia mais7.Conclusão e Trabalhos Futuros
7.Conclusão e Trabalhos Futuros 158 7.Conclusão e Trabalhos Futuros 7.1 Conclusões Finais Neste trabalho, foram apresentados novos métodos para aceleração, otimização e gerenciamento do processo de renderização
Leia mais2. Representação Numérica
2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisTÉCNICAS DE PROGRAMAÇÃO
TÉCNICAS DE PROGRAMAÇÃO (Adaptado do texto do prof. Adair Santa Catarina) ALGORITMOS COM QUALIDADE MÁXIMAS DE PROGRAMAÇÃO 1) Algoritmos devem ser feitos para serem lidos por seres humanos: Tenha em mente
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisno SRM do que no CRM está na obtenção da certificação de qualidade ISO 9001. Para que o Fabricante de Cilindros mantenha o referido certificado de
81 8 Conclusões O último capítulo da dissertação visa tecer conclusões a respeito do trabalho e sugerir algumas recomendações de estudos futuros. A presente dissertação teve como objetivos propor um modelo,
Leia maisPerguntas mais frequentes
Estas informações, elaboradas conforme os documentos do Plano de Financiamento para Actividades Estudantis, servem de referência e como informações complementares. Para qualquer consulta, é favor contactar
Leia mais&XUVRGH,QWURGXomRDR (GLWRUGH3ODQLOKDV([FHO
Universidade Federal de Viçosa Departamento de Informática &XUVRGH,QWURGXomRDR (GLWRUGH3ODQLOKDV([FHO Flaviano Aguiar Liziane Santos Soares Jugurta Lisboa Filho (Orientador) PROJETO UNESC@LA Setembro de
Leia maisSistemas de Gestão Ambiental O QUE MUDOU COM A NOVA ISO 14001:2004
QSP Informe Reservado Nº 41 Dezembro/2004 Sistemas de Gestão O QUE MUDOU COM A NOVA ISO 14001:2004 Material especialmente preparado para os Associados ao QSP. QSP Informe Reservado Nº 41 Dezembro/2004
Leia maisEstudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada
Estudo de Casos 57 5 Estudo de Casos Neste capítulo são relatados três estudos de caso com sismogramas de referência sintéticos que têm como objetivo avaliar o modelo proposto. Na descrição dos estudos
Leia maisInteligência Artificial. Redes Neurais Artificiais
Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:
Leia maisPESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 *
PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR 1 Graduando Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 * 2 Pesquisador - Orientador 3 Curso de Matemática, Unidade Universitária
Leia maisManual. EFD Contribuições
Treinamento Escrita Fiscal Material desenvolvido por: Saiba que este documento não poderá ser reproduzido, seja por meio eletrônico ou mecânico, sem a permissão expressa por escrito da Implantta Serviços
Leia maisPesquisa com Professores de Escolas e com Alunos da Graduação em Matemática
Pesquisa com Professores de Escolas e com Alunos da Graduação em Matemática Rene Baltazar Introdução Serão abordados, neste trabalho, significados e características de Professor Pesquisador e as conseqüências,
Leia maisPLANEJAMENTO OPERACIONAL: RECURSOS HUMANOS E FINANÇAS MÓDULO 16
PLANEJAMENTO OPERACIONAL: RECURSOS HUMANOS E FINANÇAS MÓDULO 16 Índice 1. Orçamento Empresarial...3 2. Conceitos gerais e elementos...3 3. Sistema de orçamentos...4 4. Horizonte de planejamento e frequência
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia maisPROFESSOR: CRISTIANO MARIOTTI
PROFESSOR: CRISTIANO MARIOTTI Conjunto de atividades, parcialmente ordenadas, com a finalidade de obter um produto de software; Considerado um dos principais mecanismos para se obter software de qualidade
Leia maisPremiação por Produtividade
Versão 2.0 Manual destinado à implantadores, técnicos do suporte e usuários finais Sumário Configurações... 3 Definição das Metas... 5 Mês Referência... 5 Cotas por Funcionário... 8 Resultados... 9 Acompanhamento
Leia maisREC 3600 Finanças 1 primeira prova
REC 3600 Finanças primeira prova Roberto Guena de Oliveira Setembro de 204 Nome Gaba² to nº usp:. Em um mundo com apenas duas datas, uma investidora dispõe de R$60 no ano corrente e pode fazer o li investimento
Leia maisNBC TSP 10 - Contabilidade e Evidenciação em Economia Altamente Inflacionária
NBC TSP 10 - Contabilidade e Evidenciação em Economia Altamente Inflacionária Alcance 1. Uma entidade que prepara e apresenta Demonstrações Contábeis sob o regime de competência deve aplicar esta Norma
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisCÁLCULO DO VOLUME DE UM SÓLIDO DE REVOLUÇÃO: UMA ATIVIDADE USANDO OS SOFTWARES GRAPH E WINPLOT
ISSN 2177-9139 CÁLCULO DO VOLUME DE UM SÓLIDO DE REVOLUÇÃO: UMA ATIVIDADE USANDO OS SOFTWARES GRAPH E WINPLOT Adriana Rosélia Kraisig maryshelei@yahoo.com.br Universidade Regional do Noroeste do Estado
Leia maisReferências internas são os artefatos usados para ajudar na elaboração do PT tais como:
Plano de Teste (resumo do documento) I Introdução Identificador do Plano de Teste Esse campo deve especificar um identificador único para reconhecimento do Plano de Teste. Pode ser inclusive um código
Leia maisFaculdade Pitágoras. Engenharia de Software. Prof.: Julio Cesar da Silva. juliocesar@tecnocracia.eti.br. Http://e-academy.com.br
Faculdade Pitágoras Engenharia de Software Prof.: Julio Cesar da Silva juliocesar@tecnocracia.eti.br Http://e-academy.com.br Evolução do Software (1950 1965) - O hardware sofreu contínuas mudanças - O
Leia mais5 SIMULAÇÃO DE UM SISTEMA WDM DE DOIS CANAIS COM O SOFTWARE VPI
68 5 SIMULAÇÃO DE UM SISTEMA WDM DE DOIS CANAIS COM O SOFTWARE VPI O software VPI foi originalmente introduzido em 1998 e era conhecido como PDA (Photonic Design Automation). O VPI atualmente agrega os
Leia maisPRINCÍPIOS DE INFORMÁTICA PRÁTICA 08 1. OBJETIVO 2. BASE TEÓRICA. 2.1 Criando Mapas no Excel. 2.2 Utilizando o Mapa
PRINCÍPIOS DE INFORMÁTICA PRÁTICA 08 1. OBJETIVO Aprender a utilizar mapas, colocar filtros em tabelas e a criar tabelas e gráficos dinâmicos no MS-Excel. Esse roteiro foi escrito inicialmente para o Excel
Leia mais5 Equacionando os problemas
A UA UL LA Equacionando os problemas Introdução Nossa aula começará com um quebra- cabeça de mesa de bar - para você tentar resolver agora. Observe esta figura feita com palitos de fósforo. Mova de lugar
Leia maisCaracterização temporal de circuitos: análise de transientes e regime permanente. Condições iniciais e finais e resolução de exercícios.
Conteúdo programático: Elementos armazenadores de energia: capacitores e indutores. Revisão de características técnicas e relações V x I. Caracterização de regime permanente. Caracterização temporal de
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia maisPREFEITURA DO MUNICÍPIO DE SÃO BERNARDO DO CAMPO Secretaria de Habitação e Meio Ambiente Diretoria de Licenciamento e Avaliação Ambiental
PREFEITURA DO MUNICÍPIO DE SÃO BERNARDO DO CAMPO Secretaria de Habitação e Meio Ambiente Diretoria de Licenciamento e Avaliação Ambiental São Bernardo do Campo, 15 de maio de 2009. Introdução Tendo em
Leia maisISO 9001:2008. Alterações e Adições da nova versão
ISO 9001:2008 Alterações e Adições da nova versão Notas sobe esta apresentação Esta apresentação contém as principais alterações e adições promovidas pela edição 2008 da norma de sistema de gestão mais
Leia maisTaxa de Aplicação de CIP (Custos Indiretos de Produção)
Projeto Curso Disciplina Tema Professor Pós-graduação MBA em Engenharia de Produção Custos Industriais Aplicação de Custos Diretos e Indiretos Luizete Fabris Introdução tema. Assista à videoaula do professor
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisO ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2
3.2 O Espaço Nulo de A: Resolvendo Ax = 0 11 O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 Esta seção trata do espaço de soluções para Ax = 0. A matriz A pode ser quadrada ou retangular. Uma solução imediata
Leia maisSUMÁRIO 1. AULA 6 ENDEREÇAMENTO IP:... 2
SUMÁRIO 1. AULA 6 ENDEREÇAMENTO IP:... 2 1.1 Introdução... 2 1.2 Estrutura do IP... 3 1.3 Tipos de IP... 3 1.4 Classes de IP... 4 1.5 Máscara de Sub-Rede... 6 1.6 Atribuindo um IP ao computador... 7 2
Leia maisImportação de Dados no Sphinx
Importação de Dados no Sphinx A importação de dados refere-se à transferência de dados coletados em outro ambiente para dentro do software Sphinx. No software, encontre a opção Importar dados no estágio
Leia maisFigura 18. Distâncias das estações em relação ao Inmet e Mapa hipsmétrico
44 Figura 18. Distâncias das estações em relação ao Inmet e Mapa hipsmétrico A Figura 18 servirá de subsídios às análises que se seguem, pois revela importantes informações quanto ao comportamento das
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisFábrica de Software 29/04/2015
Fábrica de Software 29/04/2015 Crise do Software Fábrica de Software Analogias costumam ser usadas para tentar entender melhor algo ou alguma coisa. A idéia é simples: compara-se o conceito que não se
Leia maisANÁLISE MULTITEMPORAL DO PADRÃO DE CHUVAS DA ZONA OESTE DO RIO DE JANEIRO NO ÂMBITO DOS ESTUDOS DAS MUDANÇAS CLIMÁTICAS
Revista Eletrônica Novo Enfoque, ano 2013, v. 17, n. 17, p. 168 172 ANÁLISE MULTITEMPORAL DO PADRÃO DE CHUVAS DA ZONA OESTE DO RIO DE JANEIRO NO ÂMBITO DOS ESTUDOS DAS MUDANÇAS CLIMÁTICAS OLIVEIRA, Rafael
Leia maisO Princípio da Complementaridade e o papel do observador na Mecânica Quântica
O Princípio da Complementaridade e o papel do observador na Mecânica Quântica A U L A 3 Metas da aula Descrever a experiência de interferência por uma fenda dupla com elétrons, na qual a trajetória destes
Leia maisManual. SPED Fiscal. Treinamento Escrita Fiscal. Material desenvolvido por:
Treinamento Escrita Fiscal Material desenvolvido por: Saiba que este documento não poderá ser reproduzido, seja por meio eletrônico ou mecânico, sem a permissão expressa por escrito da Implantta Serviços
Leia maisFração como porcentagem. Sexto Ano do Ensino Fundamental. Autor: Prof. Francisco Bruno Holanda Revisor: Prof. Antonio Caminha M.
Material Teórico - Módulo de FRAÇÕES COMO PORCENTAGEM E PROBABILIDADE Fração como porcentagem Sexto Ano do Ensino Fundamental Autor: Prof. Francisco Bruno Holanda Revisor: Prof. Antonio Caminha M. Neto
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia maisManual Geral do OASIS
Manual Geral do OASIS SISTEMA DE GESTÃO DE DEMANDA, PROJETO E SERVIÇO DE TECNOLOGIA DA INFORMAÇÃO OASIS Introdução Esse manual tem como objetivo auxiliar aos usuários nos procedimentos de execução do sistema
Leia maisMRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior
MRP II Introdução A lógica de cálculo das necessidades é conhecida há muito tempo Porém só pode ser utilizada na prática em situações mais complexas a partir dos anos 60 A partir de meados da década de
Leia maisEnergia Eólica. Atividade de Aprendizagem 3. Eixo(s) temático(s) Ciência e tecnologia / vida e ambiente
Energia Eólica Eixo(s) temático(s) Ciência e tecnologia / vida e ambiente Tema Eletricidade / usos da energia / uso dos recursos naturais Conteúdos Energia eólica / obtenção de energia e problemas ambientais
Leia maisStatus. Barra de Título. Barra de Menu. Barra de. Ferramentas Padrão. Caixa de nomes. Barra de. Ferramentas de Formatação. Indicadores de Coluna
O que é uma planilha eletrônica? É um aplicativo que oferece recursos para manipular dados organizados em tabelas. A partir deles pode-se gerar gráficos facilitando a análise e interpretação dos dados
Leia maisGESTÃO DO CONHECIMENTO NA INDÚSTRIA QUÍMICA
GESTÃO DO CONHECIMENTO NA INDÚSTRIA QUÍMICA Maria de Fátima Soares Ribeiro Monografia apresentada para a conclusão do Curso de Gestão Empresarial para a Indústria Química GETIQ pela Escola de Química da
Leia maisORIENTAÇÕES DO SISMMAC SOBRE O NOVO PLANO DE CARREIRA
ORIENTAÇÕES DO SISMMAC SOBRE O NOVO PLANO DE CARREIRA 1. VALE A PENA ADERIR AO NOVO PLANO DE CARREIRA? Avaliamos que para a maioria dos professores valerá a pena aderir ao novo Plano, pois através da nossa
Leia mais5 Extraindo listas de produtos em sites de comércio eletrônico
5 Extraindo listas de produtos em sites de comércio eletrônico Existem diversos trabalhos direcionadas à detecção de listas e tabelas na literatura como (Liu et. al., 2003, Tengli et. al., 2004, Krüpl
Leia maisPARA A CONSTRUÇÃO DOS GRÁFICOS
1 PARA A CONSTRUÇÃO DOS GRÁFICOS Apresentamos dois materiais feitos por estudantes do Curso de Psicologia da Faculdade de Ciências Humanas e da Saúde para construção de gráficos. As instruções das páginas
Leia maisENGENHARIA DE SOFTWARE
ENGENHARIA DE SOFTWARE Síntese de tópicos importantes PRESSMAN, Roger S. Conteúdo Componentes e tipos de software Problemas com o software e suas causas Mitologia que envolve o software Configuração de
Leia maisDemonstração dos Fluxos De Caixa. (DFC)
Demonstração dos Fluxos De Caixa. (DFC) Índice 1. DEMONSTRAÇÃO DOS FLUXOS DE CAIXAS - DFC... 1 1.1. Objetivo... 1 1.2. Obrigatoriedade e Período de Apuração... 1 1.3. Definições... 1 1.4. Método e Estrutura
Leia maisAnálise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)
Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 1 Prof. Cristóvão Cunha Objetivos de aprendizagem
Leia maisFaculdade Sagrada Família
AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer
Leia maisCAIXA ECONOMICA FEDERAL
JUROS SIMPLES Juros Simples comercial é uma modalidade de juro calculado em relação ao capital inicial, neste modelo de capitalização, os juros de todos os períodos serão sempre iguais, pois eles serão
Leia maisSeleção e Monitoramento de Fundos de Investimentos
2010 Seleção e Monitoramento de Fundos de Investimentos Nota Técnica 02 Diretoria de Investimentos Previ-Rio 09/2010 NOTA TÉCNICA 02 1 - Introdução Esta nota técnica, desenvolvida pela Equipe da, tem por
Leia maisUso de Scanalyzer com embriões de Danio rerio
Uso de Scanalyzer com embriões de Danio rerio Background histórico e biológico Quando se iniciou o movimento de proteger o ambiente através de sistemas de testes biológicos, os testes agudos e crônicos
Leia mais6 Análise de necessidades
55 6 Análise de necessidades Este capítulo apresenta os dados obtidos através do questionário mencionado no capítulo 5. Discuto o propósito de utilizá-lo para identificar as necessidades dos alunos. Em
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS BIOLÓGICAS Departamento de Patologia Básica Pós-Graduação em Microbiologia, Parasitologia e Patologia
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS BIOLÓGICAS Departamento de Patologia Básica Pós-Graduação em Microbiologia, Parasitologia e Patologia (TÍTULO DO PROJETO) Mestrando/Doutorando: Orientador:
Leia mais3 Método de Monte Carlo
25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional
Leia maisExemplos: Análise de Valor Agregado (Ex_vagregado.SPRJ)
Exemplos: Análise de Valor Agregado (Ex_vagregado.SPRJ) Este exemplo tem como base atividades descritas em um email distribuído na lista da E-Plan (planejamento@yahoogrupos.com.br) com o título Curva Física
Leia maisSISTEMAS DE GESTÃO São Paulo, Janeiro de 2005
SISTEMAS DE GESTÃO São Paulo, Janeiro de 2005 ÍNDICE Introdução...3 A Necessidade do Gerenciamento e Controle das Informações...3 Benefícios de um Sistema de Gestão da Albi Informática...4 A Ferramenta...5
Leia mais3 Dicas MATADORAS Para Escrever Emails Que VENDEM Imóveis
3 Dicas MATADORAS Para Escrever Emails Que VENDEM Imóveis O que é um e- mail bem sucedido? É aquele e- mail que você recebe o contato, envia o e- mail para o cliente e ele te responde. Nós não estamos
Leia maisBases Matemáticas. Aula 2 Métodos de Demonstração. Rodrigo Hausen. v. 2013-7-31 1/15
Bases Matemáticas Aula 2 Métodos de Demonstração Rodrigo Hausen v. 2013-7-31 1/15 Como o Conhecimento Matemático é Organizado Definições Definição: um enunciado que descreve o significado de um termo.
Leia mais