REDES NEURAIS SEGMENTADAS UMA APLICAÇÃO AO PROBLEMA DE RECONHECIMENTO DE PADRÃO

Tamanho: px
Começar a partir da página:

Download "REDES NEURAIS SEGMENTADAS UMA APLICAÇÃO AO PROBLEMA DE RECONHECIMENTO DE PADRÃO"

Transcrição

1 REDES NEURAIS SEGMENTADAS UMA APLICAÇÃO AO PROBLEMA DE RECONHECIMENTO DE PADRÃO Luz Caros Pedroza CEFET-RJ Av. aracanã, 9 Ro de Janero, CEP 7- E-as, Resuo Reconhecento de padrão é u probea de grande reevânca na área de processaento de snas. Geraente o padrão procurado está deforado e ebutdo e u outro sna. Neste artgo é apresentada ua soução para este probea a partr de ua nova arqutetura de rede neura que sendo trenada a pror co u padrão odeo, perte sua deforação ssteátca a edda que opera a busca peas suas deforações ebutdas no sna dsponíve. Abstract Pattern recognton s a very reevant probe n sgna processng area. Generay the searched pattern s dstorted and but nto another sgna. In ths paper t s presented a souton to ths probe through the use of a new neura network archtecture whch, traned a pror wth the ode pattern, aows ts systeatc dstortons whe accopshng ts search nto the avaabe sgna Keywords Neura Networks, Pattern Recognton Introdução U probea de grande reevânca na área de processaento de snas é o probea de reconhecento de padrão á que o padrão procurado está geraente deforado e ebutdo e outro sna (La and Chn,995;La and Chn,998). Geraente este probea é abordado, na área de redes neuras, através do uso de redes recursvas (Lppann,989a;Lppann,989b). No caso, o padrão a ser reconhecdo defne u atrator na função de energa da rede recursva. Contudo pea dnâca não near da rede o probea de geração destes capos atratores é etreaente copeos fazendo co que geraente, nos casos prátcos, o sna dsponíve, onde se opera o reconhecento, não possa dferr uto do padrão a ser reconhecdo(haykns,999) Coo ostrado e (Pedroza, Pedrera e Farñas,), as Redes Neuras Segentadas (RNS) representa ua nova arqutetura coneonsta co perforance, no caso de aproação de funções, equvaente a das redes utcaadas tradconas. Sua arqutetura fo deazada para pertr o partconaento do doíno da função a ser euada enquanto dentro destes partconaentos a função é aproada por u conunto de funções de apoo uto spes, utas vezes neares. E outras paavras, a déa centra da RNS é epressar o apeaento entrada-saída deseado através de ua função segentada e ntervaos. Sua estrutura básca é consttuída pea cobnação de város neurônos copostos por ua funções de aproação e ua funções de pertnênca. As funções de pertnênca defne e cada trecho do doíno a partcpação da função de atvação a essa assocada. É possíve a ocorrênca de sobreposções parcas das funções de pertnênca proporconando ua aor rqueza do apeaento pretenddo. Desse odo o probea de aproação de funções é enfocado especazandose grupos de neurônos, forados peos pares anterorente descrtos, que eua a função geradora e cada setor do doíno. O grau de especazação e u deternado trecho é dado peo níve da função de pertnênca. Por eepo, e u trecho aonde apenas ua das funções de pertnênca assue vaor ato haverá ua donânca da função de aproação assocada a esta. Devdo a sua propredade de partconaento do doíno de aproação, devdo a possbdade de anáse da pertnênca de cada neurônos e u ponto do doíno e pea spcdade das funções de atvação as redes segentadas perte ua ehor etração do conhecento contdo na sua estrutura do que as tradconas(pedrera, Pedroza e Farñas, ). Esta propredade é de grande vaa quando da sua apcação ao probea de reconhecento de padrões pos perte que se proponha transforações na estrutura da rede, prevaente trenada co u padrão odeo, de fora que esta possa ser retrenada, usando-se agora u conunto de trenaento obtdo do sna rea dsponíve. Este retrenaento reazará ua busca, sobre sna rea, de deforações do padrão odeo. A arqutetura Proposta Consdereos ua rede co nós ou neurônos. Sea { } n a partção dos dados usada para trenaento. Por spcdade agébrca e de notação reos consderar o caso onde R (o subscrto de será otdo), a generazação para o caso onde

2 R n é agebrcaente dreta. Defne-se, para cada ponto, funções de pertnênca do segunte odo: B κ () = C + ep( d ( h =.., )) + ep( d ( h B () ( ), )) B κ Σ g onde C, d, h ( ) e h ( ) são parâetros a sere austados. Note-se que o parâetro C refete o níve da função de pertnênca, enquanto d está reaconado a decvdade desta função. Os parâetros h ( ) e h ( ) deta o setor do doíno no qua a função de aproação assocada a esta função de pertnênca é as atva. (ver fgura ) Fgura Eepos de funções de atvação C=, d=6; h ( ) = -; h ) ( = * C=., d=6; h ( ) = ; h ) ( =4 As funções de aproação são tpcaente funções neares ou quadrátcas. Ebora funções as copeas possa ser usadas se preuízo da estrutura teórca proposta, não parece trazer contrbução sgnfcatva ao odeo. Consdereos funções de aproação neares: κ () = a + b =,..., onde a e b são os parâetros a sere estados. Cada nó, ou neurôno, da rede é consttuído de u par { função de pertnênca ; função de aproação} (ver fgura ). Então, para cada nó é necessáro se estar 6 parâetros (7 no caso de funções de aproação quadrátcas). Coo usuaente, o núero de nós ndca a copedade do odeo. As entradas são conectadas ao nó onde é efetuado o produto da função de pertnênca B () e da função de aproação κ (). A saída da rede é u soatóro da saída de cada u destes nós. Note que não há pesos gando a saída dos nós a saída da rede (vea fgura ). Deste odo a saída do -éso nó é B () κ (), e a saída da rede é dada por: g () = B ( ) κ ( ) = (.) B κ Fgura A arqutetura proposta Defnndo-se B vet () (B (), B (),... B ()) e κ vet () (κ (), κ (),... κ ()) pode-se escrever a saída da rede e fora de produto nterno,.e. g ()= < B vet (), κ vet () >. O obetvo centra é proetar ua rede cua saída aproe ua função avo, f(), da ehor fora possíve. Defne-se então ua função de erro coo ua cobnação convea do quadrado de duas eddas de erro E e E : k E α E ( ) + ( α) E = onde E ( ) g ( ) y( ) e E - C = (.) (.3) O tero E está assocado a quadade da aproação obtda enquanto E é usado co a fnadade de anter as funções de pertnênca tadas. Na readade se está penazando souções nas quas o soatóro destas funções ecede. A escoha da undade coo vaor tante não é necessára ebora confra as nterpretabdade aos resutados. Defne-se, para cada neurôno, u vetor de parâetros I (C, d, h ( ), h ( ), a, b ) e o obetvo centra será encontrar os I ótos que nze a função de erro E. Isto pode ser reazado utzandose do gradente decrescente ou outro agorto anáogo. E Pedroza et a () prova-se que o conunto de funções gerados pea RNS é denso e L. Ou sea a rede se presta penaente a aproação de funções quadratcaente ntegráves(nayor and Se,98). 3. Escoha nca dos parâetros e aceeração do trenaento. A reação entre a entrada e a saída da rede é aprendda através da varação dos parâetros que defne as funções de pertnênca e de aproação. As funções de pertnênca pode se sobrepor e parte do doí-

3 no pertndo que u deternado ponto sea estado através de ua cobnação ponderada de as de ua função de aproação. A escoha nca dos parâetros h ( ) e h ( ) pode refetr u conhecento a pror do doíno da função. Pode-se anda utzar ua heurístca de ncazação co a descrta abao co a fnadade de aceerar a convergênca. A déa centra da heurístca que se segue é fazer ua dvsão do doíno obtendo ntervaos onde a função é aproadaente onotônca. Para ta, austa-se, sobre os dados, u ponôo co grau gua ao núero de funções de aproação que se pretende utzar. Cacuando-se os áos e ínos do ponôo, deterna-se as regões do doíno onde a função anté-se onotônca. Para defnr os vaores a e b assocados à função de aproação near, para cada ntervao, austa-se, ua reta a través de ua regressão near. Fgura 3a - 3. U heurístca autoátca para cacuar a soução nca Dados,, y Passo : Austar aos dados o ponôo P() de grau. Passo: Cacuar os pontos áos e ínos de P():, Se I( )=, escoher I =[n( )-ε, -ε], I =[, -ε],, I =[, a()+ ε] Caso contráro, se agu é copeo, dvdr o ntervao e ntervaos unfores dsuntos. Passo 3: Para cada ntervao, austar regressão near nos pares (,y ), I para obter a e b. Ao se utzar este procedento para ncazação dos parâetros da rede, as regões de pertnênca dos neurônos fca sufcenteente dsuntas. Isto faz co que apenas aguns neurônos da vznhança de u deternado ponto do doíno da função f() possua função de pertnênca consderáve. Neste caso, todos os outros neurônos que não estea nesta vznhança apresenta saída pratcaente nua e pode ser desconsderados durante esta nteração e do agorto de trenaento. 3. Eepo O eepo e questão consste e ua conunto de trenaento de pares obtdos da função f()=sen()+ corroída por u ruído Gaussano de eda zero e desvo padrão. e defnda sobre o ntervao << π.. A confguração nca da rede é gerada pea heurístca proposta. A fgura 3a ostra o aproação gerada pea rede. Na fgura 3b ostrase que eso na presença de ruído a RNS apresenta ua boa capacdade de generazação. Fgura 3b - Níve de Ruído:. 4. Reconhecento de Padrão Observe no eepo da seção 3. que, partndo-se da RNS que reaze a função sen()+ no ntervao << π é possíve operar transforações nesta rede de fora que ea aproe a função 3sen(+4)+5 no ntervao -<< π-, para sto basta se aterar, pea ntrodução e odfcação de snapses, as funções de aproação para 3 κ ( + 4) e as de pertnênca para ( + 4) e soar 3 ao neurôno de saída da B rede. Esta possbdade de ateração ssteátca dos pesos da rede perte se gerar a aproação de toda ua faía de funções. Esta propredade, quando apcada ao probea de reconhecento de padrão, rá pertr a deforação ssteátca de u padrão odeo de fora que toda ua faía do padrão, que na verdade são suas deforações, possa ser descrta pea rede aterada. E seguda a rede será retrenada de fora a buscar dentro desta faía o padrão deforado que possa estar ebutdo dentro do sna dsponíve para anáse. Sea M:R n R o apeaento do padrão odeo M() defndo sobre o ntervao. Sea P() = β M( + τ + λ (4.) )

4 ua faía de padrões deforados defndos sobre o ntervao ( + τ (4.) ) Sea s() o sna, que conte o padrão deforado, defndo e R n coo: s() = βm( + τ) + λ ( + τ ) s( ) β M( + τ ) + λ caso contraro (4.3) Nas defnções β R R = {,,}, R n R, τ R, λ R são operadores neares. O probea de reconhecento de padrões é aqu defndo coo a busca de vaores ótos * * * * β,, τ λ que nze a nora, P( ) s( ) (4.4) sobre o ntervao. (4.5) Este probea de nzação pode ser resovdo por étodos de otzação a partr da escoha dos pontos dentro da regão de vabdade dada por (4.5) Observa-se que se < < < (4.6) o probea apresenta apenas ua soução goba * * * = β =, τ = τ, β, λ = λ Se a condção (4.6) não for satsfeta o probea poderá convergr para outras souções co por eepo para β = ou = Para se apcar as RNS na soução do probea de reconhecento de padrões, o prero passo consste e se trenar a rede co o padrão que se desea reconhecer: a função M. Após o trenaento gerar ua aproação satsfatóra o segundo passo consste e se aterar a rede á trenada de fora que seu novos parâetros de trenaento sea I = β,, τ, ). Isto se faz aterando-se as ( λ função de aproação para β κ + ) e as de * ( τ pertnênca para + ) e se adconando o B ( τ peso snáptco λ ao neurôno da caada de saída da rede..neste caso a equação. é rescrta coo: P() = ( τ ) β κ ( τ ) + λ B + + (4.7) = O vetor de parâetros nca I é escohdo de fora a satsfazer a condção 4.6. A próa etapa consste e sortear pontos que satsfaça 4.5 e utzando-se de u étodo de otzação varar os pesos β,, τ, λ a f de nzar a nora Eepos Nesta seção, apresenta-se dos eepos do uso da etodooga proposta a probeas e R de reconhecento de padrões. O prero eepo, as spes, trata de reconhecento de u padrão estátco ebutdo e u sna rudoso. O segundo ostra a capacdade de se utzar desta etodooga para se rastrear u padrão não-estátco sobre u sna as copeo. Eepo 5. Sea o padrão odeo.95,.5.7,.5 < M ( ) =.9, <.5.,.5 < Desea-se reconhecer este padrão ebutdo e deforado no sna.45,.5.35,.5<.5 s( ) =.9,.5 <.75.6,.75 <.ε caso contraro onde ε é u ruído branco co varânca untára. O prero passo consste e se trenar, a partr do que fo dscutdo nas seções e 3, ua rede segentada para aproar o padrão odeo M. A fgura 4 ostra o padrão odeo aproado pea RNS Fgura4 -Padrão odeo M aproado pea rede

5 O segundo passo consste e se aterar as funções de atvação e pertnênca da rede de fora que esta sea capaz de reazar toda a faía de padrões deforados P() = β + λ. M( + τ ) O tercero passo consste na escoha de vaores ncas para os novos parâetros da rede β =, =, τ =, λ = Para deonstrar a robustez do processo de reconhecento de padrão a escoha dos parâetros ncas da rede aterada não satsfaz a condção 4.6, coo pode se ver na fgura 5 que ostra u nstantâneo do processo de busca e ua de suas nterações ncas. Por uto, apca-se o agorto de trenaento para buscar os parâetros I = ( β,, τ, λ ) ótos da rede aterada. No caso, para aceerar o processo, apenas os neurônos na vznhança de ponto sorteado e ua deternada nteração do agorto são evados e consderação para cacuar as varações nos parâetros β,, τ λ., Eepo 5. Suponha que agora se desee apcar esta técnca não ao reconhecento de u padrão estátco ebutdo e u sna rudoso, as ao probea do reconhecento e rastreaento de u padrão que se desoca contnuaente sobre u sna. No caso suponha que se desee buscar o eso padrão do eepo anteror ebutdo no sna s(,t) defndo coo..45, δt.5.35,.5< δt.5 s(, t) =.9,.5 < δt.75.6,.75 < δt sgna(+ sen(π )) caso contraro onde a função sgna vae se seu arguento for aor ou gua a zero e caso contraro. Note que o sna s(,t) é varante no tepo. No caso, o padrão ebutdo se desoca co o tepo para esquerda co veocdade δ sobre ua seqüênca de pusos co argura /π. Usando o eso agorto de busca do eepo anteror co condções ncas dêntcas o processo de reconhecento e rastreaento é efetvado. Na fgura 7 ostra-se ua fase onde o reconhecento do padrão anda não é satsfatóro. No caso o padrão deforado encobre dos puso da fgura de fundo. Na fgura 8, depos de 5k nterações o padrão á fo reconhecdo e o processo de rastreaento está e curso. No caso o padrão encobre apenas parcaente dos pusos Fgura5- Interação nca do processo de busca de P()(--) e s()(-) A fgura 6 ostra a convergênca do agorto de busca depos de k nterações co o efetvo reconhecento do padrão deseado. Observa-se que, eso co deforações no padrão e co a não satsfação da condção 4.6 o agorto de busca fo robusto o sufcente par reconhecer o padrão ebutdo e s() Fgura7- Interação nca do processo de busca de P()(--) e s()(-) Fgura 8 - rastreaneto P()(--) e s(,t)(-) Fgura 6 - fna do trnaento P()(--) s()(-) Peo eepo pode-se perceber que o padrão procurado pode ser desocado de fora contnua sobre u sna copeo que anda ass, a partr

6 do processo de reconhecento, é possíve se reazar u efetvo rastreaento do padrão. 6. Concusões Neste artgo, baseando-se e ua nova arqutetura de rede neura, se propôs ua etodooga para efetuar o reconhecento de padrões ebutdos e snas. No eepo 5. ostra-se coo trenar ua RNS para aprender u padrão odeo. E seguda esta nforação contda na rede é utzada para dentfcar este padrão deforado e ebutdo e u eo rudoso. No eepo 5. ostra-se ua apcação dferente onde o eso padrão deforado e desocado para esquerda co veocdade constante e o processo de reconhecento é capaz de acopanhar este desocaento. Anda que os eepos utzados revee ua baa copebdade pertencendo a R, os resutados acançados são bastante prossores á que, coo fo coentado no artgo, caso ua padrão as copeo deandasse as neurônos para ser aproado este acrésco de neurônos não acarretara u auento eponenca no tepo de trenaento da rede pos a atuazação dos peso da rede se baseara apenas e neurônos na vznhança do ponto de trenaento. Nas apcações de processaentos de age onde couente utos padrões estão ebutdos no eso quadro esta técnca parece be prossora pos nada pede a busca paraea de város padrões dferente por varas redes dferentes sobre o eso conunto de dados. A técnca parece be prossora nas apcações de controe va age pos nesta este poucos padrões a sere reconhecdos e a capacdade de rastrear padrões oves sobre fundos de age copeos sera be út na edda das varáves de controe. Quando coparada as técncas tradconas de reconhecento de padrão va redes recursva esta etodooga apresenta a defcênca de que para cada padrão a ser procurado é necessára ua rede pre-trenada, o que a prncpo acarretara u acrésco ssteátco no núero de neurônos no sstea. Entretanto coo estas redes pode ser trabahadas ndependenteente, até e coputadores dferentes, esta dfcudade sera copensada pea aor capacdade de reconhecento da etodooga proposta. Os próos passos da pesqusa consste e: prero apar a apcação da etodooga a probeas e R ; descobrr etodoogas para partconar ao áo o probea pertndo a descentrazação do uso dos recursos coputaconas; nvestgar a utzação desta técnca na restaurações de padrões deforados por ftrage ou perda de parte de nforação. Referêncas Haykn S. (999). Neura Networks A Coprehensve Foundaton, nd ed. Prentce Ha New York La K.F., Chn R.T(995), Deforabe Contours: Modeng and Etracton,IEEE trans. Pat. Ana. Mach. Inte. Vo-7,pp84-9 La K.F, Chn R.T(998), On Modeng, Etracton, Detecton and Cassfcaton of deforabe Contours fro Nose Iages, Iage and Vson Coputng Vo- 6,pp 55-6 Lppann R.P(989a), Pattern Cassfcaton usng Neuron Networks IEEE Councaton Magazne, Vo 7, pp 47-64, 989 Lppann R.P(989b),Revew of Neura Networks for speach recognton, Neura Coputaton, Vo-,pp -38 Nayor A.W., Se G.R.(98), Lnear Operator Theory n engneerng and scence. nd ed. Sprnger- Verag, New York, 98. Pedrera C.E., Pedroza L.C., Farñas M(a). Loca-Goba Neura Networks for Interpoaton, Proccedngs of V Internatona Conference on Neura Networks and Genetc Agorths, Sprng Veag, Praga, Repubca Theca, Vo, pp Pedroza L.C e Pedrera C.E(999). Mutayer Neura Networks and Functon Reconstructon by Usng a pror Knowedge Internatona Journa of Neura Systes, Vo- 9, nuber 3, pp Pedroza L C. e Pedrera C.E, Farnas M.(b) Redes Neuras Locas Gobas-Ua acação ao probea de dados fatantes, Anas do V Congresso Brasero de Redes Neuras, Ro de Janero Vo, pp

CAP RATES, YIELDS E AVALIAÇÃO DE IMÓVEIS pelo método do rendimento

CAP RATES, YIELDS E AVALIAÇÃO DE IMÓVEIS pelo método do rendimento CAP RATES, YIELDS E AALIAÇÃO DE IMÓEIS pelo étodo do rendento Publcado no Confdencal Iobláro, Março de 2007 AMARO NAES LAIA Drector da Pós-Graduação de Gestão e Avalação Ioblára do ISEG. Docente das caderas

Leia mais

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Medida de Probabilidade

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Medida de Probabilidade Departaento de Inforátca Dscplna: do Desepenho de Ssteas de Coputação Medda de Probabldade Prof. Sérgo Colcher colcher@nf.puc-ro.br Teora da Probabldade Modelo ateátco que perte estudar, de fora abstrata,

Leia mais

MEDIÇÃO DA ACELERAÇÃO DA GRAVIDADE COM UM PÊNDULO SIMPLES

MEDIÇÃO DA ACELERAÇÃO DA GRAVIDADE COM UM PÊNDULO SIMPLES Medção da Aceleração da Gravdade co u Pêndulo Sples MEDIÇÃO DA ACEERAÇÃO DA GRAVIDADE COM UM PÊNDUO SIMPES O Relatóro deste trabalho consste no preenchento dos espaços neste texto Fundaento Teórco O pêndulo

Leia mais

Modelação da elasticidade de quotas de mercado para produtos de grande consumo

Modelação da elasticidade de quotas de mercado para produtos de grande consumo Modeação da eastcdade de quotas de ercado para produtos de grande consuo RESUMO: Arando Brto Mendes Unv. dos Açores R. da Mãe de Deus 9500 PONTA DELGADA Ea: aendes@af.uac.pt Isabe Ha Thedo Cesur - IST,

Leia mais

PÊNDULO ELÁSTICO. Fig. 1. Considere o sistema da figura 1. Quando se suspende uma massa, m, na mola, o seu comprimento aumenta de l 0

PÊNDULO ELÁSTICO. Fig. 1. Considere o sistema da figura 1. Quando se suspende uma massa, m, na mola, o seu comprimento aumenta de l 0 Protocoos das Auas Prátcas 7/8 DF - Unversdade do Agarve PÊNDULO ELÁSTICO. Resuo U corpo gado a ua oa é posto e ovento oscatóro. Deterna-se as característcas do ovento e estuda-se a conservação da energa

Leia mais

Sistema para pesquisa de imagens com Retroacção de Relevância *

Sistema para pesquisa de imagens com Retroacção de Relevância * Sstea para pesqusa de agens co Retroacção de Relevânca * Ru M. Jesus, Arnaldo J. Abrantes, Jorge S. Marques MA - Insttuto Superor de Engenhara de Lsboa Rua Conselhero Eído Navarro, nº, 94-4 Lsboa, Portugal

Leia mais

INTERPOLAÇÃO POLINOMIAL DE LAGRANGE E DE HERMITE INTRODUÇÃO

INTERPOLAÇÃO POLINOMIAL DE LAGRANGE E DE HERMITE INTRODUÇÃO Interpoação Ponoa de Lagrange e de Herte INTERPOLAÇÃO POLINOMIAL DE LAGRANGE E DE HERMITE INTRODUÇÃO Obetvando a preparação aos étodos de aproação a sere apcados à resoução nuérca de equações dferencas

Leia mais

Universidade Estadual de Campinas Faculdade de Engenharia Elétrica e de Computação Departamento de Comunicações

Universidade Estadual de Campinas Faculdade de Engenharia Elétrica e de Computação Departamento de Comunicações Unversdade Estadua de Campnas Facudade de Engenhara Eétrca e de Computação Departamento de Comuncações Soução Generazada para Técncas de Dversdade-Combnação Autor: Cáudo Rafae Cunha ontero da Sva Orentador:

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS Físca Arqutectura Pasagístca Análse de erros ANÁLISE DE ERROS A ervação de u fenóeno físco não é copleta se não puderos quantfcá-lo Para é sso é necessáro edr ua propredade físca O processo de edda consste

Leia mais

TRABAJO 1/7. Autores del Trabajo Nombre País e-mail Gelson Antônio Andrêa Brigatto Brasil gelson@labplan.ufsc.br

TRABAJO 1/7. Autores del Trabajo Nombre País e-mail Gelson Antônio Andrêa Brigatto Brasil gelson@labplan.ufsc.br TRABAJO 1/7 Título Ua contrbução ao Estudo do Fluxo de Potênca e Redes de Dstrbução co nserção de Undades de eração Dstrbuída pelo Método da Soa das Potêncas Modfcado Nº de Regstro (Resuen) 75 Epresa o

Leia mais

A PRIMEIRA LEI DA TERMODINÂMICA

A PRIMEIRA LEI DA TERMODINÂMICA CAPÍTULO 4 8 CAPÍTULO 4 A PRIMEIRA LEI DA TERMODINÂMICA Processos de controlo de volue SUMÁRIO No capítulo 3 dscutos as nteracções da energa entre u sstea e os seus arredores e o prncípo da conservação

Leia mais

CQ110 : Princípios de FQ

CQ110 : Princípios de FQ CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções

Leia mais

NOTA II TABELAS E GRÁFICOS

NOTA II TABELAS E GRÁFICOS Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.

Leia mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF) PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra

Leia mais

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões

Leia mais

MODELOS DE OTIMIZAÇÃO PARA PROBLEMAS DE CARREGAMENTO DE CONTÊINERES COM CONSIDERAÇÕES DE ESTABILIDADE E DE EMPILHAMENTO

MODELOS DE OTIMIZAÇÃO PARA PROBLEMAS DE CARREGAMENTO DE CONTÊINERES COM CONSIDERAÇÕES DE ESTABILIDADE E DE EMPILHAMENTO MODELOS DE OTIMIZAÇÃO PARA PROBLEMAS DE CARREGAMENTO DE CONTÊINERES COM CONSIDERAÇÕES DE ESTABILIDADE E DE EMPILHAMENTO Leonardo Junquera Renaldo Morabto Dense Sato Yaashta Departaento de Engenhara de

Leia mais

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

Ministério 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 mais

Física. Física Módulo 1 Vetores, escalares e movimento em 2-D

Física. Física Módulo 1 Vetores, escalares e movimento em 2-D Físca Módulo 1 Vetores, escalares e movmento em 2-D Vetores, Escalares... O que são? Para que servem? Por que aprender? Escalar Defnção: Escalar Grandea sem dreção assocada. Eemplos: Massa de uma bola,

Leia mais

2 Máquinas de Vetor Suporte 2.1. Introdução

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

Leia mais

Módulo 4 Sistema de Partículas e Momento Linear

Módulo 4 Sistema de Partículas e Momento Linear Módulo 4 Sstea de Partículas e Moento Lnear Moento lnear Moento lnear (quantdade de oento) de ua partícula: Grandeza etoral Undades S.I. : kg./s p Moento lnear e ª Le de ewton: Se a assa é constante: F

Leia mais

Influência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção

Influência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos

Leia mais

Sistema de Partículas e Conservação da Quantidade de Movimento Linear

Sistema de Partículas e Conservação da Quantidade de Movimento Linear Sst. Part e Cons. Quant. o. Lnear Sstea de Partículas e Conseração da Quantdade de oento Lnear ota Alguns sldes, fguras e eercícos pertence às seguntes referêncas: HALLIDAY, D., RESICK, R., WALKER, J.

Leia mais

Introdução e Organização de Dados Estatísticos

Introdução e Organização de Dados Estatísticos II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar

Leia mais

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma. UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823

Leia mais

Quanto mais alto o coqueiro, maior é o tombo

Quanto mais alto o coqueiro, maior é o tombo Quanto mais ato o coqueiro, maior é o tombo A UU L AL A Quanto mais ato o coqueiro, maior é o tombo, pra baixo todo santo ajuda, pra cima é um Deus nos acuda... Essas são frases conhecidas, ditos popuares

Leia mais

Departamento de Engenharia Metalurgia e de Materiais POLI-USP b Instituto de Pesquisas Energéticas e Nucleares IPEN-CNEN/SP.

Departamento de Engenharia Metalurgia e de Materiais POLI-USP b Instituto de Pesquisas Energéticas e Nucleares IPEN-CNEN/SP. Desenvovmento de Programa de omputador para ácuo da Função Dstrbução de Orentações a partr de Fguras de Póos Incompetas em Ambente Wndows E.Gaego a, A.F. Padha a, N..Lma b a Departamento de Engenhara Metaurga

Leia mais

O Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining

O Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação

Leia mais

Universidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas

Universidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema

Leia mais

PROJETO DE MALHAS DE ATERRAMENTO: CONTRIBUIÇÃO AO CÔMPUTO DA ESTRATIFICAÇÃO DO SOLO

PROJETO DE MALHAS DE ATERRAMENTO: CONTRIBUIÇÃO AO CÔMPUTO DA ESTRATIFICAÇÃO DO SOLO DISSERTAÇÃO DE MESTRADO PROJETO DE MALHAS DE ATERRAMENTO: CONTRIBUIÇÃO AO CÔMPUTO DA ESTRATIFICAÇÃO DO SOLO Líva Mara de Reende Ragg Líva Mara de Reende Ragg PROJETO DE MALHAS DE ATERRAMENTO: CONTRIBUIÇÃO

Leia mais

TESTE DO CAPM ZERO-BETA NO MERCADO DE CAPITAIS BRASILEIRO*

TESTE DO CAPM ZERO-BETA NO MERCADO DE CAPITAIS BRASILEIRO* ESE DO CAP ZEO-BEA O ECADO DE CAPIAIS BASILEIO* Flávo Foroso da Slva,.Sc. Gerente do Banco aconal de Desenvolvento Econôco e Socal BDES Av. Chle 345, o de Janero - J - Brasl el: 2 2277-7657 E-al: fforoso@openlnk.co.br

Leia mais

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ ANÁISE MATRICIA DE ESTRUTURAS DE BARRAS PEO MÉTODO DE RIGIDEZ A análse matrcal de estruturas pelo método de rgdez compreende o estudo de cnco modelos estruturas báscos: trelça plana, trelça espacal, pórtco

Leia mais

PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH

PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH CAPORAL, Bbana 1 ; CAVALHEIRO, Everton ; CORRÊA, José Carlos 3 ; CUNHA, Carlos 4 Palavras-chave: Econometra; Séres temporas; Co-ntegração;

Leia mais

ANÁLISE DE CRÉDITO BANCÁRIO UTILIZANDO O ALGORITMO SEQUENTIAL MINIMAL OPTIMISATION.

ANÁLISE DE CRÉDITO BANCÁRIO UTILIZANDO O ALGORITMO SEQUENTIAL MINIMAL OPTIMISATION. ANÁLISE DE CRÉDITO BANCÁRIO UTILIZANDO O ALGORITMO SEQUENTIAL MINIMAL OPTIMISATION. Vanessa Tereznha Aes Unversdade Federa do Paraná Centro Potécnco Jardm das Amércas - PR vanessa.aes@gma.com Vana Gryczak

Leia mais

Cálculo do Conceito ENADE

Cálculo do Conceito ENADE Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação

Leia mais

A INFLUÊNCIA DOS PARÂMETROS DE SÍNTESE IONOTÉRMICA NAS PROPRIEDADES DO MAPO-5 PARA APLICAÇÃO NA REMOÇÃO DE METAIS PESADOS

A INFLUÊNCIA DOS PARÂMETROS DE SÍNTESE IONOTÉRMICA NAS PROPRIEDADES DO MAPO-5 PARA APLICAÇÃO NA REMOÇÃO DE METAIS PESADOS A INFLUÊNCIA DO PARÂMETRO DE ÍNTEE IONOTÉRMICA NA PROPRIEDADE DO MAPO-5 PARA APLICAÇÃO NA REMOÇÃO DE METAI PEADO A. A. antos 1 ; W.. Cruz 1 ; L. A. M. Ruotolo 2 ; R. Fernández-Felsbno 1 1- Insttuto de

Leia mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno

Leia mais

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado) 5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de

Leia mais

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação

Leia mais

7.4 Precificação dos Serviços de Transmissão em Ambiente Desregulamentado

7.4 Precificação dos Serviços de Transmissão em Ambiente Desregulamentado 64 Capítulo 7: Introdução ao Estudo de Mercados de Energa Elétrca 7.4 Precfcação dos Servços de Transmssão em Ambente Desregulamentado A re-estruturação da ndústra de energa elétrca que ocorreu nos últmos

Leia mais

UTILIZAÇÃO DE VISCOSIDADE, DENSIDADE E O UNIFAC-VISCO PARA A CARACTERIZAÇÃO DE FRAÇÕES DE PETRÓLEO

UTILIZAÇÃO DE VISCOSIDADE, DENSIDADE E O UNIFAC-VISCO PARA A CARACTERIZAÇÃO DE FRAÇÕES DE PETRÓLEO 4 o PDPETRO, apnas, SP 4..8- UTILIZAÇÃO DE VISOSIDADE, DENSIDADE E O UNIFA-VISO PARA A ARATERIZAÇÃO DE FRAÇÕES DE PETRÓLEO Bernardo F. Andrade, Brenno. Menezes, Patríca N. Saa 3, Rogéro F. Martn 4 (PETROBRAS),

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

Capítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2

Capítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2 Capítulo O plano compleo Introdução Os números compleos começaram por ser ntrodudos para dar sentdo à resolução de equações polnomas do tpo Como os quadrados de números reas são sempre maores ou guas a

Leia mais

Física. Física Módulo 1. Sistemas de Partículas e Centro de Massa. Quantidade de movimento (momento) Conservação do momento linear

Física. Física Módulo 1. Sistemas de Partículas e Centro de Massa. Quantidade de movimento (momento) Conservação do momento linear Físca Módulo 1 Ssteas de Partículas e Centro de Massa Quantdade de ovento (oento) Conservação do oento lnear Partículas e ssteas de Partículas Átoos, Bolnhas de gude, Carros e até Planetas... Até agora,

Leia mais

Sistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001

Sistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001 Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)

Leia mais

4 Dinâmica de corpos articulados

4 Dinâmica de corpos articulados 4 Dnâca de corpos artculados Contnuaos a descrção ncada no capítulo anteror dos corpos artculados co as les que rege seus oventos. 4.1 Equações de Newton-Euler se restrções Asulaçãodosoventosdecorposrígdosébaseadanosssteasde

Leia mais

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00) Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)

Leia mais

Índices de Concentração 1

Índices de Concentração 1 Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco

Leia mais

Agregação das Demandas Individuais

Agregação das Demandas Individuais Deanda Agregada Agregação da Deanda Indvdua A curva de deanda agregada é a oa horzontal da curva de deanda. Deve-e ter e ente que a deanda ndvdua (, ) ão ua função do reço e da renda. A, a curva de deanda

Leia mais

Estabilidade de Lyapunov e Propriedades Globais para Modelo de Dinâmica Viral

Estabilidade de Lyapunov e Propriedades Globais para Modelo de Dinâmica Viral Establdade de Lyapunov e Propredades Globas para Modelo de Dnâmca Vral Nara Bobko Insttuto de Matemátca Pura e Aplcada 22460-320, Estrada Dona Castorna, Ro de Janero - RJ E-mal: narabobko@gmal.com. Resumo:

Leia mais

Objetivo: converter um comando de posição de entrada em uma resposta de posição de saída.

Objetivo: converter um comando de posição de entrada em uma resposta de posição de saída. Prof. Celso Módulo 0 83 SISTEMAS DE CONTOLE DE POSIÇÃO Objetivo: converter u coando de posição de entrada e ua resposta de posição de saída. Aplicações: - antenas - braços robóticos - acionadores de disco

Leia mais

Modelos de Localização de Ambulâncias

Modelos de Localização de Ambulâncias Modelos de Localzação de Abulâncas Ana Paula Slva Fgueredo Luz Antono Noguera Lorena Solon Venânco de Carvalho LAC Laboratóro Assocado de Coputação e Mateátca Aplcada INPE - Insttuto Naconal de Pesqusas

Leia mais

IMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA

IMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA IMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA José R. Campos 1, Anna D. P. Lotufo 1, Carlos R. Mnuss 1, Mara L. M. Lopes 1 1 UNESP, Ilha Soltera, Brasl, jrcampos8@gmal.com,

Leia mais

www.obconcursos.com.br/portal/v1/carreirafiscal

www.obconcursos.com.br/portal/v1/carreirafiscal www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,

Leia mais

UMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC)

UMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC) UMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC) ANDRÉA T. R. BARBOSA, GLORIA M. CURILEM SALDÍAS, FERNANDO M. DE AZEVEDO Hosptal São Vcente

Leia mais

Introdução à Análise de Dados nas medidas de grandezas físicas

Introdução à Análise de Dados nas medidas de grandezas físicas Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

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

Leia mais

JOSEMAR DE OLIVEIRA QUEVEDO LUCAS VIZZOTTO BELLINASO CONTROLE DE CONVERSOR BUCK UTILIZANDO LQR REGULADOR LINEAR QUADRÁTICO

JOSEMAR DE OLIVEIRA QUEVEDO LUCAS VIZZOTTO BELLINASO CONTROLE DE CONVERSOR BUCK UTILIZANDO LQR REGULADOR LINEAR QUADRÁTICO UFS Universidade Federa de Santa aria CT Centro de Tecnoogia PPGEE Prograa de Pós-Graduação e Engenharia Eétrica - estrado DPEE- Departaento de Processaento de Energia Eétrica JOSEAR DE OLIVEIRA QUEVEDO

Leia mais

7. Resolução Numérica de Equações Diferenciais Ordinárias

7. Resolução Numérica de Equações Diferenciais Ordinárias 7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem

Leia mais

Redes Neuronais (Introdução, perceptrões, e MLP)

Redes Neuronais (Introdução, perceptrões, e MLP) Redes neuronas (Perceptrões e MLP) Redes Neuronas (Introdução, perceptrões, e MLP) Vctor Lobo Orgens de AI e Redes Neuronas Programação Imperata Explcta-se o algortmo Conjunto de nstruções S INÍCIO? N?

Leia mais

FORÇA DE ORIGEM MAGNÉTICA NO ENTREFERRO

FORÇA DE ORIGEM MAGNÉTICA NO ENTREFERRO AOTILA DE ELETROMAGNETIMO I 141 15 ORÇA DE ORIGEM MAGNÉTICA NO ENTREERRO E u circuito aético o fuxo produzido peo seu capo deve percorrer u caiho fechado. e este circuito tiver etreferros, ees aparecerão

Leia mais

Professor Mauricio Lutz CORRELAÇÃO

Professor Mauricio Lutz CORRELAÇÃO Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,

Leia mais

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

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

Leia mais

Avaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe

Avaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe Avalação da Tendênca de Precptação Pluvométrca Anual no Estado de Sergpe Dandara de Olvera Félx, Inaá Francsco de Sousa 2, Pablo Jónata Santana da Slva Nascmento, Davd Noguera dos Santos 3 Graduandos em

Leia mais

Rastreando Algoritmos

Rastreando Algoritmos Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos

Leia mais

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da

Leia mais

Regressão e Correlação Linear

Regressão e Correlação Linear Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,

Leia mais

Covariância e Correlação Linear

Covariância e Correlação Linear TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento

Leia mais

UNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR

UNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma

Leia mais

O Uso do Software Matlab Aplicado à Previsão de Índices da Bolsa de Valores: Um Estudo de Caso no Curso de Engenharia de Produção

O Uso do Software Matlab Aplicado à Previsão de Índices da Bolsa de Valores: Um Estudo de Caso no Curso de Engenharia de Produção O Uso do Software Matlab Aplcado à Prevsão de Índces da Bolsa de Valores: Um Estudo de Caso no Curso de Engenhara de Produção VICENTE, S. A. S. Unversdade Presbterana Mackenze Rua da Consolação, 930 prédo

Leia mais

UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA QUÍMICA FREDERICO RIBEIRO DO CARMO

UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA QUÍMICA FREDERICO RIBEIRO DO CARMO UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA QUÍMICA FREDERICO RIBEIRO DO CARMO DESENVOLVIMENTO DE AMBIENTE COMPUTACIONAL PARA CÁLCULOS TERMODINÂMICOS DE SUBSTÂNCIAS PURAS

Leia mais

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre

Leia mais

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M. Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

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

Leia mais

RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS

RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Defnções RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Problemas de Valor Incal PVI) Métodos de passo smples Método de Euler Métodos de sére de Talor Métodos de Runge-Kutta Equações de ordem superor Métodos

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

APLICAÇÃO DA TÉCNICA DA TRANSFORMADA INTEGRAL GENERALIZADA NA ANÁLISE DO COMPORTAMENTO DE CÉLULAS DE COMBUSTÍVEL NUCLEAR EM GEOMETRIAS RETANGULARES

APLICAÇÃO DA TÉCNICA DA TRANSFORMADA INTEGRAL GENERALIZADA NA ANÁLISE DO COMPORTAMENTO DE CÉLULAS DE COMBUSTÍVEL NUCLEAR EM GEOMETRIAS RETANGULARES APLICAÇÃO DA TÉCNICA DA TRANSFORMADA INTEGRAL GENERALIZADA NA ANÁLISE DO COMPORTAMENTO DE CÉLULAS DE COMBUSTÍVEL NUCLEAR EM GEOMETRIAS RETANGULARES Mateus Calegar Paulque Thago Antonn Alves Casso Roberto

Leia mais

OTIMIZAÇÃO DO FLUXO REVERSO DE PNEUS INSERVÍVEIS ATRAVÉS DE UM MODELO DE LOCALIZAÇÃO DE FACILIDADES: UM ESTUDO DE CASO

OTIMIZAÇÃO DO FLUXO REVERSO DE PNEUS INSERVÍVEIS ATRAVÉS DE UM MODELO DE LOCALIZAÇÃO DE FACILIDADES: UM ESTUDO DE CASO OTIMIZAÇÃO DO FLUXO REVERSO DE PNEUS INSERVÍVEIS ATRAVÉS DE UM MODELO DE LOCALIZAÇÃO DE FACILIDADES: UM ESTUDO DE CASO Felpe Mendonca Gurgel Bandera (UFERSA) felpembandera@hotmal.com Breno Barros Telles

Leia mais

PESQUISA OPERACIONAL E ANÁLISE ENVOLTÓRIA DOS DADOS: APLICAÇÕES EM PROBLEMAS AMBIENTAIS

PESQUISA OPERACIONAL E ANÁLISE ENVOLTÓRIA DOS DADOS: APLICAÇÕES EM PROBLEMAS AMBIENTAIS Anas do XX Encontro de Incação Centífca ISSN 98-78 Anas do V Encontro de Incação e Desenvolvento Tecnológco e Inovação ISSN 37- e 3 de setebro de 5 PESQUISA OPERACIONAL E ANÁLISE ENVOLTÓRIA DOS DADOS:

Leia mais

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS

Leia mais

UM MODELO DE ALOCAÇÃO DINÂMICA DE CAMINHÕES VISANDO AO ATENDIMENTO DE METAS DE PRODUÇÃO E QUALIDADE

UM MODELO DE ALOCAÇÃO DINÂMICA DE CAMINHÕES VISANDO AO ATENDIMENTO DE METAS DE PRODUÇÃO E QUALIDADE UM MODELO DE ALOCAÇÃO DINÂMICA DE CAMINHÕES VISANDO AO ATENDIMENTO DE METAS DE PRODUÇÃO E QUALIDADE RESUMO Felppe Perera da Costa, PPGEM/UFOP, Mestrando. felppe@mneral.em.ufop.br Marcone Jamlson Fretas

Leia mais

Geração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3

Geração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 Geração de poses de faces utlzando Actve Appearance Model Tupã Negreros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 1, 2, 3 Escola Poltécnca da Unversdade de São Paulo (POLI/USP) Caxa Postal 61548 CEP 05508-900

Leia mais

METROLOGIA E ENSAIOS

METROLOGIA E ENSAIOS METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade

Leia mais

Sistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?

Sistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar? Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda

Leia mais

Fast Multiresolution Image Querying

Fast Multiresolution Image Querying Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta

Leia mais

Exercícios de Física. Prof. Panosso. Fontes de campo magnético

Exercícios de Física. Prof. Panosso. Fontes de campo magnético 1) A fgura mostra um prego de ferro envolto por um fo fno de cobre esmaltado, enrolado mutas vezes ao seu redor. O conjunto pode ser consderado um eletroímã quando as extremdades do fo são conectadas aos

Leia mais

CAPÍTULO 1 Exercícios Propostos

CAPÍTULO 1 Exercícios Propostos CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,

Leia mais

Escolha do Consumidor sob condições de Risco e de Incerteza

Escolha do Consumidor sob condições de Risco e de Incerteza 9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera

Leia mais

Estimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel

Estimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,

Leia mais

Leandro Lima Rasmussen

Leandro Lima Rasmussen Resoução da ista de eercícios de Resistência dos Materiais Eercício 1) Leandro Lima Rasmussen No intuito de soucionar o probema, deve ser feita a superposição de casos: Um, considerando a chapa BC como

Leia mais

AS COMPONENTES SIMÉTRICAS INSTANTÂNEAS E A MÁQUINA SIMÉTRICA

AS COMPONENTES SIMÉTRICAS INSTANTÂNEAS E A MÁQUINA SIMÉTRICA CAPÍTULO 5 A COMPONENTE IMÉTICA INTANTÂNEA E A MÁQUINA IMÉTICA 5. INTODUÇÃO O emprego das componentes smétrcas nstantâneas permte a obtenção de modelos mas smples que aqueles obtdos com a transformação

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

Leia mais

C são matrizes que satisfazem

C são matrizes que satisfazem Eercícos de Álgebra Lnear Prof: José ndré UNIPLI - 9 () Construa as guntes matrzes: a) tal que por a b) tal que < > a a a. () Consdere a rede de telecomuncações com nós e coneões reprentada abao: a) Escreva

Leia mais

IV - Descrição e Apresentação dos Dados. Prof. Herondino

IV - Descrição e Apresentação dos Dados. Prof. Herondino IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser

Leia mais

PARTE II EQUILÍBRIO DA PARTÍCULA E DO CORPO RÍGIDO

PARTE II EQUILÍBRIO DA PARTÍCULA E DO CORPO RÍGIDO 1 PARTE II EQUILÍBRIO DA PARTÍULA E DO ORPO RÍGIDO Neste capítulo ncalente trataos do equlíbro de partículas. E seguda são apresentadas as defnções dos centros de gravdade, centros de assa e centródes

Leia mais

PROVA DE MATEMÁTICA DA UFBA VESTIBULAR 2011 2 a Fase. RESOLUÇÃO: Profa. Maria Antônia Gouveia.

PROVA DE MATEMÁTICA DA UFBA VESTIBULAR 2011 2 a Fase. RESOLUÇÃO: Profa. Maria Antônia Gouveia. PROVA DE MATEMÁTICA DA UFBA VESTIBULAR 0 a Fase Profa. Maria Antônia Gouveia. QUESTÃO 0 Considere o conjunto de todos os números de cinco agarismos distintos, formados com os agarismos,, 5, 8 e 9. Escoendo,

Leia mais

MODELO DE FILA HIPERCUBO COM MÚLTIPLO DESPACHO E BACKUP PARCIAL PARA ANÁLISE DE SISTEMAS DE ATENDIMENTO MÉDICO EMERGENCIAIS EM RODOVIAS

MODELO DE FILA HIPERCUBO COM MÚLTIPLO DESPACHO E BACKUP PARCIAL PARA ANÁLISE DE SISTEMAS DE ATENDIMENTO MÉDICO EMERGENCIAIS EM RODOVIAS versão mpressa ISSN 00-7438 / versão onlne ISSN 678-542 MODELO DE FILA HIPERCUBO COM MÚLTIPLO DESPACHO E BACKUP PARCIAL PARA ANÁLISE DE SISTEMAS DE ATENDIMENTO MÉDICO EMERGENCIAIS EM RODOVIAS Ana Paula

Leia mais

PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS

PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,

Leia mais

GENETIC FUZZY SISTEM PARA SELEÇÃO DE POÇOS DE PETRÓLEO PARA FRATURAMENTO HIDRÁULICO

GENETIC FUZZY SISTEM PARA SELEÇÃO DE POÇOS DE PETRÓLEO PARA FRATURAMENTO HIDRÁULICO A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN GENETIC FUZZY SISTEM PARA SELEÇÃO DE POÇOS DE PETRÓLEO PARA FRATURAMENTO HIDRÁULICO Antôno Orestes de Salvo Castro Petrobras

Leia mais

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG

CENTRO 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 mais

DESENVOLVIMENTO DE UM SOFTWARE PARA O DIMENSIONAMENTO DE SISTEMAS DE VENTILAÇÃO E RESFRIAMENTO EVAPORATIVO EM INSTALAÇÕES AVÍCOLAS CLIMATIZADAS

DESENVOLVIMENTO DE UM SOFTWARE PARA O DIMENSIONAMENTO DE SISTEMAS DE VENTILAÇÃO E RESFRIAMENTO EVAPORATIVO EM INSTALAÇÕES AVÍCOLAS CLIMATIZADAS DESENVOLVIMENTO DE UM SOFTWARE PARA O DIMENSIONAMENTO DE SISTEMAS DE VENTILAÇÃO E RESFRIAMENTO EVAPORATIVO EM INSTALAÇÕES AVÍCOLAS CLIMATIZADAS Danel Gustavo de Paul 1 ; Jadr Noguera da Slva 2 ; Rcardo

Leia mais