Universidade Federal de Uberlândia Brasil

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Universidade Federal de Uberlândia Brasil"

Transcrição

1 s de s do Universidade Federal de Uberlândia Brasil

2 Índice s de

3 Índice s de

4 s de Quando surge uma praga em uma lavoura, os agricultores utilizam de inseticidas eficientes ao maior número de espécies e isso tem sido a tônica dos últimos 30 anos no Brasil;

5 s de Quando surge uma praga em uma lavoura, os agricultores utilizam de inseticidas eficientes ao maior número de espécies e isso tem sido a tônica dos últimos 30 anos no Brasil; Inseticidas são substâncias químicas utilizadas para matar, atrair e repelir insetos. Uma doença denominada morte súbita, causada por vírus transportados por pulgões, tem sido a grande ameaça dos laranjais paulistas;

6 s de Quando surge uma praga em uma lavoura, os agricultores utilizam de inseticidas eficientes ao maior número de espécies e isso tem sido a tônica dos últimos 30 anos no Brasil; Inseticidas são substâncias químicas utilizadas para matar, atrair e repelir insetos. Uma doença denominada morte súbita, causada por vírus transportados por pulgões, tem sido a grande ameaça dos laranjais paulistas; O controle dessas doenças é baseado no controle químico com aplicações intermitentes de biocidas quase sempre sem levar em conta a infestação da praga.

7 Objetivo s de s s chamados p-fuzzy, que é a abreviação de parcialmente fuzzy, são sistemas onde as variáveis de estado estão correlacionadas com suas variações através de um sistema baseado em regras fuzzy.

8 Objetivo s de Objetivo O objetivo deste trabalho é:

9 Objetivo s de Objetivo O objetivo deste trabalho é: Estudar para o modelo do os sistemas p-fuzzy modificados;

10 Objetivo s de Objetivo O objetivo deste trabalho é: Estudar para o modelo do os sistemas p-fuzzy modificados; Estudar também os sistemas p-fuzzy não autônomos.

11 Objetivo s de Objetivo O objetivo deste trabalho é: Estudar para o modelo do os sistemas p-fuzzy modificados; Estudar também os sistemas p-fuzzy não autônomos. Além disso, serão utilizados variados métodos de defuzzificação em cada um dos sistemas.

12 Índice s de

13 s de s baseados em regras fuzzy (SBRF) têm quatro componentes:

14 s de s baseados em regras fuzzy (SBRF) têm quatro componentes: um processador de entrada;

15 s de s baseados em regras fuzzy (SBRF) têm quatro componentes: um processador de entrada; uma coleção de regras fuzzy, chamada de base de regras;

16 s de s baseados em regras fuzzy (SBRF) têm quatro componentes: um processador de entrada; uma coleção de regras fuzzy, chamada de base de regras; uma máquina de inferência fuzzy;

17 s de s baseados em regras fuzzy (SBRF) têm quatro componentes: um processador de entrada; uma coleção de regras fuzzy, chamada de base de regras; uma máquina de inferência fuzzy; um processador de saída.

18 s de s baseados em regras fuzzy (SBRF) têm quatro componentes: um processador de entrada; uma coleção de regras fuzzy, chamada de base de regras; uma máquina de inferência fuzzy; um processador de saída. Esses componentes estão conectados conforme figura a seguir.

19 s de

20 Métodos de Defuzzificação s de No sistema baseado em regras fuzzy, a cada entrada fuzzy o método de inferência produz uma saída fuzzy que indica o controle que deve ser adotado. Deve existir um método para defuzzificar a saída e assim obter um número real que indicará o controle a ser adotado.

21 Centro de Gravidade s de Centro de Gravidade Este método assemelha-se à média ponderada para a distribuição de dados, com diferença que os pesos são os valores que indicam o grau de compatibilidade da saída z i com o conceito modelado pelo conjunto fuzzy A em z.

22 Centro de Gravidade s de Centro de Gravidade Este método assemelha-se à média ponderada para a distribuição de dados, com diferença que os pesos são os valores que indicam o grau de compatibilidade da saída z i com o conceito modelado pelo conjunto fuzzy A em z. A equação (1) apresenta o centro de gravidade G(A) para o domínio discreto. n i=0 G(A) = z iϕ A (z i ) n i=0 ϕ A(z i ). (1)

23 Bisector de Área s de Bisector de Área Este método consiste em encontrar a abcissa x que particiona a área sobre a função de pertinência em duas áreas de igual tamanho.

24 Bisector de Área s de Bisector de Área Este método consiste em encontrar a abcissa x que particiona a área sobre a função de pertinência em duas áreas de igual tamanho. Para conjuntos discretos, o bisector denotado u b é a abscissa x j que minimiza j i=1 i=j+1 ϕ A (x i ) ϕ A (x i ),1 < j < i max (2) i max onde o conceito é modelado pelo conjunto fuzzy A.

25 Média dos Máximos s de MOM O método da Média dos Máximos consiste em escolher o ponto do universo de discurso com o mais alto grau de pertinência. Vários pontos de máximo podem existir, portanto é comum utilizar a média de vários máximos.

26 Média dos Máximos s de MOM O método da Média dos Máximos consiste em escolher o ponto do universo de discurso com o mais alto grau de pertinência. Vários pontos de máximo podem existir, portanto é comum utilizar a média de vários máximos. O cálculo é feito através de u MOM = i X x i,x = {i tal que ϕ A (x i ) = ϕ max }, (3) X em que A é o conjunto fuzzy que modela o conceito.

27 Menor dos Máximos s de SOM O método do Menor dos Máximos consiste em escolher o menor dos pontos do universo de discurso com mais alto grau de pertinência.

28 Menor dos Máximos s de SOM O método do Menor dos Máximos consiste em escolher o menor dos pontos do universo de discurso com mais alto grau de pertinência. Calculamos através de u SOM = min(x i ), tal que ϕ A (x i ) = ϕ max, (4) onde o conceito é modelado pelo conjunto fuzzy A.

29 Maior dos Máximos s de LOM O método do Maior dos Máximos consiste em escolher o maior dos pontos do universo de discurso com mais alto grau de pertinência.

30 Maior dos Máximos s de LOM O método do Maior dos Máximos consiste em escolher o maior dos pontos do universo de discurso com mais alto grau de pertinência. Calculamos através de u SOM = max(x i ), tal que ϕ A (x i ) = ϕ max, (5) em que ϕ A é a função de pertinência do conjunto A que modela o conceito tratado.

31 Modificadores Linguísticos s de Modificadores linguísticos são frequentemente utilizados para alterar atributos. Um modificador fuzzy m sobre U é uma aplicação definida em (U) com valores em (U): m : (U) (U) (6) onde (U) é a classe dos subconjuntos fuzzy de U. Um modificador é do tipo potência se para cada A (U) tem-se u m(a) (x) := (u A (x)) s, para algum s [0, ).

32 Restritivos ou Expansivos s de Tipos de Modificadores Os principais modificadores fuzzy são: 1 Expansivo se, para todo A (U), A m(a), ou seja, ϕ A (x) ϕ m(a) (x);

33 Restritivos ou Expansivos s de Tipos de Modificadores Os principais modificadores fuzzy são: 1 Expansivo se, para todo A (U), A m(a), ou seja, ϕ A (x) ϕ m(a) (x); 2 Restritivo se, para todo A (U), A m(a), ou seja, ϕ A (x) ϕ m(a) (x).

34 Exemplo s de Indivíduos Jovens Consideremos o conjunto fuzzy dos indivíduos jovens definido pela função de pertinência

35 Exemplo s de Indivíduos Jovens Consideremos o conjunto fuzzy dos indivíduos jovens definido pela função de pertinência 1 se x 25 ( ϕ J (x) = 1+ x 25 ) 2 (7) se x > 25 5

36 Observação s de Podemos observar que 0 < s < 1 então m S é expansivo e se s > 1 então m S é restritivo, já que ϕ A (x) [0,1].

37 Função de Pertinência Jovens s de A função de pertinência dada para os indivíduos jovens pode ser vista na Figura 1.

38 Função de Pertinência Jovens s de A função de pertinência dada para os indivíduos jovens pode ser vista na Figura 1. 1 Grau de Pertinência Idade (anos)

39 Modificando s de Quando aplicamos modificadores fuzzy em termos primários como o adjetivo jovem, definimos novos termos fuzzy como muito jovem, por exemplo.

40 Modificando s de Quando aplicamos modificadores fuzzy em termos primários como o adjetivo jovem, definimos novos termos fuzzy como muito jovem, por exemplo. Assim, se tomarmos para muito jovem o subconjunto fuzzy MJ, cuja função de pertinência é dada por

41 Modificando s de Quando aplicamos modificadores fuzzy em termos primários como o adjetivo jovem, definimos novos termos fuzzy como muito jovem, por exemplo. Assim, se tomarmos para muito jovem o subconjunto fuzzy MJ, cuja função de pertinência é dada por ϕ MJ (x) = ϕ m(j) (x) = (ϕ J (x)) 2, (8)

42 Modificando s de Quando aplicamos modificadores fuzzy em termos primários como o adjetivo jovem, definimos novos termos fuzzy como muito jovem, por exemplo. Assim, se tomarmos para muito jovem o subconjunto fuzzy MJ, cuja função de pertinência é dada por ϕ MJ (x) = ϕ m(j) (x) = (ϕ J (x)) 2, (8) teremos o modificador m(a) = (A) 2 e, para um indivíduo cuja idade é x = 30, seu grau de pertinência ao conjunto dos jovens é ϕ J (30) = 0,25 enquanto que, para o conjunto modificado dos muito jovens temos ϕ MJ (30) = 0,25 2 = 0,0625 < ϕ J (30).

43 Função de Pertinência Modificada - Muito Jovens s de Na Figura 2 podemos observar o comportamento de um modificador do tipo restritivo, em comparação a função de pertinência não-modificada.

44 Função de Pertinência Modificada - Muito Jovens s de Na Figura 2 podemos observar o comportamento de um modificador do tipo restritivo, em comparação a função de pertinência não-modificada. Grau de Pertinência Jovens Muito Jovens Idade (anos)

45 Outra Modificação s de Também poderíamos modelar o conjunto dos pouco jovens, utilizando a potência 1, ao invés da potência 2. 2

46 Outra Modificação s de Também poderíamos modelar o conjunto dos pouco jovens, utilizando a potência 1 2, ao invés da potência 2. Neste caso, teríamos um modificador expansivo e, para um indivíduo cuja idade é x = 30 o grau de pertinência ao conjunto dos pouco jovens é ϕ PJ (30) = 0, = 0,5 > ϕ J (30).

47 Função de Pertinência Modificada - Pouco Jovens s de A representação deste conjunto pode ser vista na Figura 3. Nesta figura, podemos ver a diferença entre os modificadores do tipo restritivo e expansivo.

48 Função de Pertinência Modificada - Pouco Jovens s de A representação deste conjunto pode ser vista na Figura 3. Nesta figura, podemos ver a diferença entre os modificadores do tipo restritivo e expansivo. Grau de Pertinência Jovens Muito Jovens Pouco Jovens Idade (anos)

49 Obtendo a potência s de Intervalo inicial Consideramos a princípio, o intervalo de busca como sendo (0,2).

50 Obtendo a potência s de Intervalo inicial Consideramos a princípio, o intervalo de busca como sendo (0,2). Partição inicial Dividimos o intervalo (0,2), com passo 0,1, ou seja, as potências que serão verificadas são 0,1;0,2;0,3;...;1,9.

51 Obtendo a Potência s de Segunda partição Suponhamos que a melhor potência foi s = 0,3, conforme critério de escolha utilizado. Tomamos então o subintervalo [0,25;0,35], com espaçamento de 0,01. Dessa forma, as potências que serão verificadas serão 0,25;0,26;0;27;...;0,34;0,35.

52 Critérios para Escolha da Potência s de Seja x o vetor com os pontos da solução determinística e x s i o vetor com os pontos gerado pelo sistema p-fuzzy modificado através das funções de pertinência dos modelos estudados elevadas a potência s i, onde s i F.

53 Critérios para Escolha da Potência s de Seja x o vetor com os pontos da solução determinística e x s i o vetor com os pontos gerado pelo sistema p-fuzzy modificado através das funções de pertinência dos modelos estudados elevadas a potência s i, onde s i F. Determinamos os erros E 1 (s i ) e E 2 (s i ), que são considerados os erros para cada potência s i, calculados entre o modelo determinístico e o modelo p-fuzzy modificado.

54 Fórmula dos Critérios s de Aplicando a cada uma das potências testadas, temos que esses erros são:

55 Fórmula dos Critérios s de Aplicando a cada uma das potências testadas, temos que esses erros são: E 1 (s i ) = max x x s i, (9)

56 Fórmula dos Critérios s de Aplicando a cada uma das potências testadas, temos que esses erros são: E 1 (s i ) = max x x s i, (9) E 2 (s i ) = max x xs i max x s i. (10)

57 Escolha da Melhor Potência s de Em seguida, calculamos o E 1 = max{e 1 (s i )} e E 2 = max{e 2 (s i )}, pois para este modelo queremos saber qual a função que produz um erro maior, ou seja, qual função altera as potências de modo a se obter um maior controle da praga, e determinamos s 1 e s 2 que são as potências que geram E 1 e E 2, respectivamente.

58 Encontrando a Melhor Potência s de Repetimos o procedimento para a potência s i no intervalo [s 1 0.5,s ] e s i no intervalo [s 2 0.5,s ], com espaçamento 0.01, isto é, elevamos as funções de pertinência dos modelos estudados as potências s i e s i.

59 Encontrando a Melhor Potência s de Repetimos o procedimento para a potência s i no intervalo [s 1 0.5,s ] e s i no intervalo [s 2 0.5,s ], com espaçamento 0.01, isto é, elevamos as funções de pertinência dos modelos estudados as potências s i e s i. Em seguida, determinamos a melhor potência dentre as testadas no programa.

60 Índice s de

61 s de O modelo de controle será construído com base nos modelos de densidade populacional p-fuzzy, descrito na equação: { xk+1 = (x k + x (x k )) (1 C(x k, x (x k ))) (11) x 0 R, onde x k é a população no instante k, x (x k ) é a variação populacional e C(x k, x (x k )) é a porcentagem da população de pragas que morre após aplicação do biocida.

62 Porcentagem da população de pragas que sobrevive s de O valor (1 C(x k, x (x k ))) [0,1] representa a porcentagem da população que sobreviverá à aplicação do biocida.

63 Arquitetura de Discreto s de Este modelo apresenta um sistema discreto. Para tal sistema, temos que, a Figura 4 representa esquematicamente o seu funcionamento.

64 Arquitetura de Discreto s de Este modelo apresenta um sistema discreto. Para tal sistema, temos que, a Figura 4 representa esquematicamente o seu funcionamento. Figura: Arquitetura de um modelo p-fuzzy discreto.

65 Arquitetura do modelo do s de A seguir temos a arquitetura do modelo do.

66 Figura: Arquitetura para o controle de pragas. Arquitetura do modelo do s de

67 Funções de Pertinência s de Veremos a seguir as funções de pertinência de entrada e saída para o modelo do controle de pragas.

68 Funções de pertinência para as entradas do modelo do pragas s de 1 BN BP MP AP Grau de Pertinência Variação da População x

69 Funções de pertinência para a saída do modelo do controle de pragas s de Grau de Pertinência nulo baixo médio alto Controle (C)

70 Dinâmica do s de A Figura a seguir representa a evolução da praga com e sem controle.

71 Dinâmica do s de A Figura a seguir representa a evolução da praga com e sem controle. Pode-se verificar que aplicando o biocida, a população de pragas não ultrapassa o valor de 40, considerando a população no intervalo [0, 300].

72 Dinâmica do s de A Figura a seguir representa a evolução da praga com e sem controle. Pode-se verificar que aplicando o biocida, a população de pragas não ultrapassa o valor de 40, considerando a população no intervalo [0, 300]. Dessa forma, pode-se dizer que o modelo de controle atinge o resultado esperado, visto que há um controle visível das pragas com controle fuzzy.

73 Dinâmica do s de Figura: Dinâmica populacional do SBRF que produz o controle de pragas, com condição inicial x 0 = 20 e número de iterações n = 400.

74 s de O sistema p-fuzzy para o modelo do controle de pragas mantém o nível de população das pragas abaixo de 40, devido ao controle.

75 s de O sistema p-fuzzy para o modelo do controle de pragas mantém o nível de população das pragas abaixo de 40, devido ao controle. Ilustraremos na Tabela 1 algumas das simulações efetuadas, utilizando a teoria dos modificadores fuzzy, e utilizando a metodologia descrita anteriormente.

76 Simulações s de Potência E 1 E 2 s= s= s= s= Tabela: Resultado das simulações para busca da potência s para o Modelo Presa-Predador Modificado [3].

77 Teoria dos Modificadores linguísticos para o controle de pragas s de A seguir temos as funções de pertinência da variável de saída C(x k, x (x k )) do SBRF para o controle de pragas com potência 1 e com potência s = 0.9.

78 Funções de pertinência para as saídas do modelo do controle de pragas s de Grau de Pertinência nulo baixo médio alto Controle (C) Grau de Pertinência nulo baixo médio alto Controle (C) Figura: Funções de pertinência de saída para o modelo controle de pragas com potência s = 1. Figura: Funções de pertinência de saída para o modelo controle de pragas com potência s = 0.9 [2].

79 Vantagens s de Com as funções de pertinência modificadas pela potência s = 0.9, temos que o sistema p-fuzzy modificado produz, em relação ao sistema p-fuzzy, os erros E 1 = e E 2 = , ou seja, temos um controle maior da praga com a utilização do sistema modificado em relação ao sistema sem modificações.

80 Vantagens s de Com as funções de pertinência modificadas pela potência s = 0.9, temos que o sistema p-fuzzy modificado produz, em relação ao sistema p-fuzzy, os erros E 1 = e E 2 = , ou seja, temos um controle maior da praga com a utilização do sistema modificado em relação ao sistema sem modificações. Assim, quando elevamos as funções de pertinência a potências diferentes de um, temos um controle maior da praga.

81 Teoria dos Modificadores linguísticos no tempo, a cada iteração s de Aplicamos a teoria dos modificadores linguísticos a cada iteração, isto é, as funções de pertinência são modificadas no tempo. Para isto, as potências são alteradas conforme uma função do tempo.

82 Teoria dos Modificadores linguísticos no tempo, a cada iteração s de Aplicamos a teoria dos modificadores linguísticos a cada iteração, isto é, as funções de pertinência são modificadas no tempo. Para isto, as potências são alteradas conforme uma função do tempo. Na Tabela 2 estão descritos os erros, segundo os critérios apresentados nas expressões (9) e (10), para as simulações que foram feitas, aplicando a teoria dos modificadores fuzzy.

83 Simulações s de Função E 1 E 2 f(i) = 1/i f(i) = 0.5+1/i f(i) = 0.9+1/i Tabela: Resultado das simulações para busca da função f(i) para o não Autônomo.

84 Simulações s de Função E 1 E 2 f(i) = 1/i f(i) = 0.5+1/i f(i) = 0.9+1/i Tabela: Resultado das simulações para busca da função f(i) para o não Autônomo. Então, encontramos para este modelo a função m(i) = i, que determina a sequência de potências que alteram as funções de pertinência com i = 1,...,n, sendo n = 400 o número de iterações.

85 Vantagem do sistema modificado não autônomo s de As vantagens do sistema não autônomo em relação ao sistema sem modificações e em relação ao sistema modificado autônomo, em relação ao erro E 1 são, respectivamente, V 1 = e V 1 = , e em relação ao erro E 2 são, respectivamente, V 2 = e V 2 =

86 Funções de pertinência para as saídas do modelo do controle de pragas s de Densidade Populacional População de com Controle População de sem Controle Controle (C) SBRF SBRF Modificado Autônomo SBRF Modificado Não Autônomo Iteração (n) Iteração de Aplicação Figura: Dens. pop. do sist. p-fuzzy modif. não autônomo. Figura: Comparação de eficiência entre cada um dos sistemas.

87 Resultado s de Para o intervalo de aplicação de biocida de 15 iterações (que pode representar o intervalo da aplicação em dias), a quantidade de biocida de cada aplicação pode ser alterada, podendo obter um controle maior da praga e proporcionar melhor qualidade e maior produção da lavoura.

88 Índice s de

89 s de Vantagens Obtivemos um maior controle da praga utilizando sistemas p-fuzzy modificados, em relação ao sistema p-fuzzy.

90 s de Vantagens Obtivemos um maior controle da praga utilizando sistemas p-fuzzy modificados, em relação ao sistema p-fuzzy. Se encontrada a função de alteração de potências adequada, o sistema p-fuzzy com controle não autônomo tem maior eficácia para o modelo do controle de pragas em relação ao controle autônomo com ou sem modificações.

91 s de Vantagens Obtivemos um maior controle da praga utilizando sistemas p-fuzzy modificados, em relação ao sistema p-fuzzy. Se encontrada a função de alteração de potências adequada, o sistema p-fuzzy com controle não autônomo tem maior eficácia para o modelo do controle de pragas em relação ao controle autônomo com ou sem modificações. Os resultados obtidos foram os mesmos independente do método de defuzzificação utilizado (Centro de gravidade, MOM, SOM, LOM e Bissector).

92 Índice s de

93 s de L.C. de Barros e R.C. Bassanezi. Tópicos de Lógica Fuzzy e Biomatemática. Coleção IMECC - Textos Didáticos,5, T.F. e R.S.M. Jafelice. : Modificado e Modificado no Tempo. Congresso Nacional de Matemática Aplicada e Computacional - CNMAC, (aceito) T.F. e R.S.M. Jafelice. s para o. Revista Biomatemática - IMECC-UNICAMP, (submetido) R.S.M Jafelice, L.C. de Barros e R.C. Bassanezi. Teoria dos Conjuntos Fuzzy com Aplicações. Uma Publicação da SBMAC - Editora Plêiade,17, L.R. Santos. Estratégias para o : s com Controle Híbrido. Dissertação de Mestrado, IMECC-Unicamp, Agradecimento a agência financiadora CAPES, pelo apoio financeiro indispensável para desenvolvimento deste trabalho.

Sistemas p-fuzzy modificados para o modelo do controle de pragas

Sistemas p-fuzzy modificados para o modelo do controle de pragas Biomatemática 22 (2012), 61 76 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Sistemas p-fuzzy modificados para o modelo do controle de pragas Thiago F. Ferreira 1, Rosana S. M.

Leia mais

Modelagem Fuzzy de Diagnóstico Médico e Monitoramento do Tratamento da Pneumonia

Modelagem Fuzzy de Diagnóstico Médico e Monitoramento do Tratamento da Pneumonia BIOMATEMÁTICA 15 (2005), 77-96 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Modelagem Fuzzy de Diagnóstico Médico e Monitoramento do Tratamento da Pneumonia Wanda Aparecida Lopes

Leia mais

Universidade Federal de Uberlândia

Universidade Federal de Uberlândia Universidade Federal de Uberlândia Sumário 1 2 3 4 5 6 7 Sumário 1 2 3 4 5 6 7 Os autômatos celulares constituem de simulações discretas no tempo, espaço e no estado do sistema. Objetivo Pioneiros em pesquisa

Leia mais

Complemento III Noções Introdutórias em Lógica Nebulosa

Complemento III Noções Introdutórias em Lógica Nebulosa Complemento III Noções Introdutórias em Lógica Nebulosa Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

5 A Utilização da Técnica do Espaço Nulo e dos Atributos Baseados na Escolha de Coeficientes de Autocorrelações

5 A Utilização da Técnica do Espaço Nulo e dos Atributos Baseados na Escolha de Coeficientes de Autocorrelações 5 A Utilização da Técnica do Espaço Nulo e dos Atributos Baseados na Escolha de Coeficientes de Autocorrelações Este capítulo apresenta uma nova proposta que consiste em empregar os atributos baseados

Leia mais

Números fuzzy interativos

Números fuzzy interativos Números fuzzy interativos Francielle Santo Pedro Orientador: Laécio Carvalho de Barros Instituto de Matemática, Estatística e Computação Científica- IMECC Unicamp - Campinas 29 de Agosto, 2013 Francielle

Leia mais

Palavras-chave: Modelo de Lotka-Volterra, Lagarta do Cartucho do milho, Controle Biológico.

Palavras-chave: Modelo de Lotka-Volterra, Lagarta do Cartucho do milho, Controle Biológico. ISSN 177-9139 MODELAGEM MATEMÁTICA APLICADA AO CONTROLE BIOLÓGICO DE PRAGAS EM LAVOURAS DE MILHOS. Jéssica C. S. Bueno E-mail: jessica_bsaldivia@hotmail.com Universidade Federal de Pelotas, Departamento

Leia mais

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,

Leia mais

Modelo fuzzy para a chance de sucesso na quitação de um empréstimo

Modelo fuzzy para a chance de sucesso na quitação de um empréstimo Biomatemática 20 (2010), 103 116 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Modelo fuzzy para a chance de sucesso na quitação de um empréstimo Geraldo L. Diniz 1, Ronaldo Baumgartner

Leia mais

Matemática Financeira RECORDANDO CONCEITOS

Matemática Financeira RECORDANDO CONCEITOS 1 Matemática Financeira RECORDANDO CONCEITOS Propriedades da matemática Prioridades: É importante relembrar e entender alguns conceitos da matemática, que serão muito úteis quando trabalharmos com taxas.

Leia mais

5 Análise dos Resultados Seguro de Vida

5 Análise dos Resultados Seguro de Vida Capítulo 5 Análise dos Resultados - Seguro de Vida 5 Análise dos Resultados Seguro de Vida Este capítulo tem como objetivo a análise dos resultados obtidos através da modelagem dos dados de uma seguradora.

Leia mais

Análise matemática para avaliação de desempenho em ambientes Peer-to-Peer

Análise matemática para avaliação de desempenho em ambientes Peer-to-Peer Análise matemática para avaliação de desempenho em ambientes Peer-to-Peer Érico Santos Rocha 1, Janaina Lemos 1, Daniel Bertoglio 1, Rafael Ávila 1, Luis Paulo Luna de Oliveira 1 1 PIPCA - Programa de

Leia mais

O que é a estatística?

O que é a estatística? Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os

Leia mais

CI202 - Métodos Numéricos

CI202 - Métodos Numéricos CI202 - Métodos Numéricos Lista de Exercícios 2 Zeros de Funções Obs.: as funções sen(x) e cos(x) devem ser calculadas em radianos. 1. Em geral, os métodos numéricos para encontrar zeros de funções possuem

Leia mais

6 Construção de Cenários

6 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 mais

Ótimo de Pragas: Modelos Linearizados, Funcional Quadrático 1. Controle

Ótimo de Pragas: Modelos Linearizados, Funcional Quadrático 1. Controle TEMA Tend. Mat. Apl. Comput., 5, No. 1 2004, 145-154. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Controle Ótimo de Pragas: Modelos Linearizados, Funcional Quadrático

Leia mais

Um modelo evolutivo para a dengue considerando incertezas de fatores ambientais

Um modelo evolutivo para a dengue considerando incertezas de fatores ambientais Um modelo evolutivo para a dengue considerando incertezas de fatores ambientais Luciana T. Gomes, Laécio C. de Barros, Depto de Matemática Aplicada, IMECC, UNICAMP 133-59, Campinas, SP E-mail: ra@ime.unicamp.br,

Leia mais

2 Modelo para o Sistema de Controle de Estoque (Q, R)

2 Modelo para o Sistema de Controle de Estoque (Q, R) Modelo para o Sistema de Controle de Estoque (, ) Neste capítulo é apresentado um modelo para o sistema de controle de estoque (,). Considera-se que a revisão dos estoques é continua e uma encomenda de

Leia mais

Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções

Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções 1. INTRODUÇÃO Ao se obter uma sucessão de pontos experimentais que representados em um gráfico apresentam comportamento

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

Um modelo para controle biológico de pragas associado ao uso de pesticidas

Um modelo para controle biológico de pragas associado ao uso de pesticidas Biomatemática 24 (214), 19 123 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Um modelo para controle biológico de pragas associado ao uso de pesticidas Adriane Frank 1, Diomar C.

Leia mais

Modelagem e Simulação Material 02 Projeto de Simulação

Modelagem e Simulação Material 02 Projeto de Simulação Modelagem e Simulação Material 02 Projeto de Simulação Prof. Simão Sirineo Toscani Projeto de Simulação Revisão de conceitos básicos Processo de simulação Etapas de projeto Cuidados nos projetos de simulação

Leia mais

SUMÁRIO LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19. 1.1 - Introdução...21 1.2 - Revisão Bibliográfica...

SUMÁRIO LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19. 1.1 - Introdução...21 1.2 - Revisão Bibliográfica... SUMÁRIO Pág. LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19 CAPÍTULO 1 - INTRODUÇÃO... 21 1.1 - Introdução...21 1.2 - Revisão Bibliográfica...25 CAPÍTULO 2 - MODELAGEM ESTOCÁSTICA

Leia mais

Curvas Padrões de Tratamento do HIV

Curvas Padrões de Tratamento do HIV Biomatemática 17 (2007), 55 64 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Curvas Padrões de Tratamento do HIV Rosana Motta Jafelice 1, Faculdade de Matemática, UFU, 38.408-100

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

Modelagem Fuzzy para Predizer os Riscos de Recidiva e Progressão de Tumores Superficiais de Bexiga

Modelagem Fuzzy para Predizer os Riscos de Recidiva e Progressão de Tumores Superficiais de Bexiga Biomatemática 2 (2), ISSN 679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Modelagem Fuzzy para Predizer os Riscos de Recidiva e Progressão de Tumores Superficiais de Bexiga Kenia D. Savergnini,

Leia mais

Inteligência Artificial. Fuzzy

Inteligência Artificial. Fuzzy Inteligência Artificial Fuzzy Graude Crença -Grau deverdade Lógica Fuzzy Grau de crença: População composta de brancos e negros Probabilidade de alguém ser branco. Grau de verdade: A partir do momento

Leia mais

Pipeline. Todos os estágios devem estar prontos ao mesmo tempo para prosseguir.

Pipeline. Todos os estágios devem estar prontos ao mesmo tempo para prosseguir. O throughput de um pipeline é determinado pela freqüência com que uma instrução sai do pipeline Todos os estágios devem estar prontos ao mesmo tempo para prosseguir O tempo requerido para mover uma instrução

Leia mais

Este trabalho tem como objetivo propor um modelo multicritério para a priorização dos modos de falha indicados a partir de uma aplicação do processo

Este trabalho tem como objetivo propor um modelo multicritério para a priorização dos modos de falha indicados a partir de uma aplicação do processo 1 Introdução A atual regulamentação do setor elétrico brasileiro, decorrente de sua reestruturação na última década, exige das empresas o cumprimento de requisitos de disponibilidade e confiabilidade operativa

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

Capítulo 5: Transformações Lineares

Capítulo 5: Transformações Lineares 5 Livro: Introdução à Álgebra Linear Autores: Abramo Hefez Cecília de Souza Fernandez Capítulo 5: Transformações Lineares Sumário 1 O que são as Transformações Lineares?...... 124 2 Núcleo e Imagem....................

Leia mais

Análise estrutural do problema de programação da produção F3 r j, s ijk C max

Análise estrutural do problema de programação da produção F3 r j, s ijk C max Análise estrutural do problema de programação da produção F3 r j, s ijk C max Sânia da Costa Fernandes (UFG) saninha_fernandes@hotmail.com Tatiane Albuquerque Pires (UFG) tati_albuquerque_3@hotmail.com

Leia mais

10/7/2011 PLANEJAMENTO DE MARKETING

10/7/2011 PLANEJAMENTO DE MARKETING 1 PLANEJAMENTO DE MARKETING 2 CONTEÚDO PROGRAMÁTICO 1.Importância do Planejamento de Marketing 2. Considerações Organizacionais no Planejamento de Marketing 3.Planejamento de Database Marketing 4.Análise

Leia mais

Modelagem e Simulação

Modelagem e Simulação AULA 11 EPR-201 Modelagem e Simulação Modelagem Processo de construção de um modelo; Capacitar o pesquisador para prever o efeito de mudanças no sistema; Deve ser próximo da realidade; Não deve ser complexo.

Leia mais

3. REDES DE CAMADA ÚNICA

3. REDES DE CAMADA ÚNICA 3. REDES DE CAMADA ÚNICA Perceptron Forma mais simples de RN Utilizado para classificação de padrões (linearmente separáveis) Consiste em um único neurônio, com pesos sinápticos ajustáveis e bias 3.1 Funções

Leia mais

Lógica Fuzzy e Diagnóstico de Processo Inflamatório a Partir de Medidas de Proteínas: uma Aplicação à Parvovirose Canina

Lógica Fuzzy e Diagnóstico de Processo Inflamatório a Partir de Medidas de Proteínas: uma Aplicação à Parvovirose Canina Biomatemática 18 (2008), 49 68 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Lógica Fuzzy e Diagnóstico de Processo Inflamatório a Partir de Medidas de Proteínas: uma Aplicação

Leia mais

EXPLORANDO O ÍNDICE DE MASSA CORPORAL POR MEIO DA MODELAGEM MATEMÁTICA

EXPLORANDO O ÍNDICE DE MASSA CORPORAL POR MEIO DA MODELAGEM MATEMÁTICA ISSN 2177-9139 EXPLORANDO O ÍNDICE DE MASSA CORPORAL POR MEIO DA MODELAGEM MATEMÁTICA. Caroline Conrado Pereira 1 caroline_conrado@ymail.com Centro Universitário Franciscano, Rua Silva Jardim, 1175 Santa

Leia mais

Inteligência Computacional Aplicada a Engenharia de Software

Inteligência Computacional Aplicada a Engenharia de Software Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar

Leia mais

Pesquisa Operacional

Pesquisa Operacional Pesquisa Operacional Tópicos em Programação Linear e Inteira Prof. Dr.Ricardo Ribeiro dos Santos ricr.santos@gmail.com Universidade Católica Dom Bosco - UCDB Engenharia de Computação Roteiro Introdução

Leia mais

Do neurônio biológico ao neurônio das redes neurais artificiais

Do neurônio biológico ao neurônio das redes neurais artificiais Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais

Leia mais

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico

Leia mais

Métodos de mapeamento para fenômenos qualitativos e quantitativos

Métodos de mapeamento para fenômenos qualitativos e quantitativos IT 508 - Cartografia Temática Representação cartográfica: Métodos de mapeamento para fenômenos qualitativos e quantitativos Profa.. Juliana Moulin Segundo os métodos padronizados, conforme o uso das variáveis

Leia mais

Guia do professor. Ministério da Ciência e Tecnologia. Ministério da Educação. Secretaria de Educação a Distância.

Guia do professor. Ministério da Ciência e Tecnologia. Ministério da Educação. Secretaria de Educação a Distância. números e funções Guia do professor Objetivos da unidade 1. Analisar representação gráfica de dados estatísticos; 2. Familiarizar o aluno com gráfico de Box Plot e análise estatística bivariada; 3. Utilizar

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 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 mais

Prof. Marcelo Henrique dos Santos

Prof. Marcelo Henrique dos Santos ORIENTAÇÃO A OBJETOS COM PROTOTIPAÇÃO CAPÍTULO 02 CONCEITOS FUNDAMENTAIS OBJETIVOS Definiremos alguns conceitos fundamentais de forma a não deixar dúvidas básicas ou interpretações que nos coloquem em

Leia mais

*Circuito proposto para a aula prática. Foram utilizados ao todo, no circuito, seis resistores com as seguintes propriedades:

*Circuito proposto para a aula prática. Foram utilizados ao todo, no circuito, seis resistores com as seguintes propriedades: Técnicas Digitais para Computação Laboratório: AP02 Turma: A Nomes: Miller Biazus 187984 Raphael de Leon Ferreira Lupchinski 191942 INTRODUÇÃO No laboratório 2 foram propostas algumas atividades, como:

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

Organização de Computadores 1

Organização de Computadores 1 Organização de Computadores 1 4 SUPORTE AO SISTEMA OPERACIONAL Prof. Luiz Gustavo A. Martins Sistema Operacional (S.O.) Programa responsável por: Gerenciar os recursos do computador. Controlar a execução

Leia mais

Nathalie Portugal Vargas

Nathalie Portugal Vargas Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield

Leia mais

Exemplo Considere novamente os dados sobre a dureza do alumínio. Fonte: Hoaglin, Mosteller e Tukey, 1983, apud Morettin & Bussab,

Exemplo Considere novamente os dados sobre a dureza do alumínio. Fonte: Hoaglin, Mosteller e Tukey, 1983, apud Morettin & Bussab, Gráficos Exemplo Considere novamente os dados sobre a dureza do alumínio. 53,0 70,2 84,3 69,5 77,8 87,5 53,4 82,5 67,3 54,1 70,5 71,4 95,4 51,1 74,4 55,7 63,5 85,8 53,5 64,3 82,7 78,5 55,7 69,1 72,3 59,5

Leia mais

TIPOS ABSTRATOS DE DADOS DEFINIÇÃO E EXEMPLOS. Bruno Maffeo Departamento de Informática PUC-Rio

TIPOS ABSTRATOS DE DADOS DEFINIÇÃO E EXEMPLOS. Bruno Maffeo Departamento de Informática PUC-Rio TIPOS ABSTRATOS DE DADOS DEFINIÇÃO E EXEMPLOS Bruno Maffeo Departamento de Informática PUC-Rio TERMINOLOGIA BÁSICA ALGORITMO Um algoritmo pode ser visto como uma seqüência de ações expressas em termos

Leia mais

Estudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:

Estudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser: 1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia

Leia mais

Ensaio de tração: cálculo da tensão

Ensaio de tração: cálculo da tensão Ensaio de tração: cálculo da tensão A UU L AL A Você com certeza já andou de elevador, já observou uma carga sendo elevada por um guindaste ou viu, na sua empresa, uma ponte rolante transportando grandes

Leia mais

BC-0005 Bases Computacionais da Ciência. Modelagem e simulação

BC-0005 Bases Computacionais da Ciência. Modelagem e simulação BC-0005 Bases Computacionais da Ciência Aula 8 Modelagem e simulação Santo André, julho de 2010 Roteiro da Aula Modelagem O que é um modelo? Tipos de modelos Simulação O que é? Como pode ser feita? Exercício:

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,

Leia mais

A Curva de Lorenz e o Índice de Gini

A Curva de Lorenz e o Índice de Gini A Curva de Lorenz e o Índice de Gini Curva de Lorenz Considere n valores para uma variável x i e admita-os ordenados de forma que x x 2... x n. A proporção acumulada da população até a i-ésima pessoa é

Leia mais

MS777 : Projeto Supervionado I

MS777 : Projeto Supervionado I MS777 : Projeto Supervionado I Aluno: Orientador: Bruno Luís Hönigmann Cereser RA:072864 Prof. Dr. Laércio Luis Vendite 1 Objetivos do Trabalho O objetivo desse trabalho é um estudo da lógica fuzzy para

Leia mais

Introdução, motivação e conjuntos fuzzy

Introdução, motivação e conjuntos fuzzy Lógica Fuzzy Introdução, motivação e conjuntos fuzzy Professor: Mário Benevides Monitores: Bianca Munaro Diogo Borges Jonas Arêas Renan Iglesias Vanius Farias Introdução "A lógica difusa tem por objetivo

Leia mais

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Análise Multi-Critério Classificação continua (Lógica Fuzzy) Técnica AHP (Processo Analítico Hierárquico)

Leia mais

4. Metodologia. Capítulo 4 - Metodologia

4. Metodologia. Capítulo 4 - Metodologia Capítulo 4 - Metodologia 4. Metodologia Neste capítulo é apresentada a metodologia utilizada na modelagem, estando dividida em duas seções: uma referente às tábuas de múltiplos decrementos, e outra referente

Leia mais

ESTUDO DA DINÂMICA POPULACIONAL DE UM VÍRUS COMPUTACIONAL

ESTUDO DA DINÂMICA POPULACIONAL DE UM VÍRUS COMPUTACIONAL ESTUDO DA DINÂMICA POPULACIONAL DE UM VÍRUS COMPUTACIONAL Aluno: João Henrique Carneiro Orientador: Carlos Frederico Palmeira Introdução Foi feito um estudo sobre dinâmica populacional a fim de buscar

Leia mais

CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES

CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:

Leia mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos

Leia mais

FUNÇÃO REAL DE UMA VARIÁVEL REAL

FUNÇÃO REAL DE UMA VARIÁVEL REAL Hewlett-Packard FUNÇÃO REAL DE UMA VARIÁVEL REAL Aulas 01 a 04 Elson Rodrigues, Gabriel Carvalho e Paulo Luís Ano: 2015 Sumário INTRODUÇÃO AO PLANO CARTESIANO... 2 PRODUTO CARTESIANO... 2 Número de elementos

Leia mais

IBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 8

IBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 8 Exemplos de Cálculo do Potencial Elétrico Vimos na aula passada que há duas maneiras de se calcular o potencial elétrico. Quando se conhece a distribuição de cargas (discreta ou contínua), usa-se as equações

Leia mais

2 A Derivada. 2.1 Velocidade Média e Velocidade Instantânea

2 A Derivada. 2.1 Velocidade Média e Velocidade Instantânea 2 O objetivo geral desse curso de Cálculo será o de estudar dois conceitos básicos: a Derivada e a Integral. No decorrer do curso esses dois conceitos, embora motivados de formas distintas, serão por mais

Leia mais

Software desenvolvido a partir de um Modelo Matemático Fuzzy para predizer o estágio patológico do

Software desenvolvido a partir de um Modelo Matemático Fuzzy para predizer o estágio patológico do Biomatemática 18 (2008), 27 36 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Software desenvolvido a partir de um Modelo Matemático Fuzzy para predizer o estágio patológico do Câncer

Leia mais

computador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

computador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia

Leia mais

INE5403 - Fundamentos de Matemática Discreta para a Computação

INE5403 - Fundamentos de Matemática Discreta para a Computação INE5403 - Fundamentos de Matemática Discreta para a Computação 2) Fundamentos 2.1) Conjuntos e Sub-conjuntos 2.2) Números Inteiros 2.3) Funções 2.4) Seqüências e Somas 2.5) Crescimento de Funções Divisão

Leia mais

CRESCIMENTO POPULACIONAL POR FAIXA ETÁRIA

CRESCIMENTO POPULACIONAL POR FAIXA ETÁRIA UNIVERSIDADE FEDERAL DE MINAS GERAIS CURSO DE MATEMÁTICA PEDRO FRANKLIN CARDOSO SILVA CRESCIMENTO POPULACIONAL POR FAIXA ETÁRIA BELO HORIZONTE 2011 PEDRO FRANKLIN CARDOSO SILVA CRESCIMENTO POPULACIONAL

Leia mais

Controlador de pontes rolantes. Sistemas de Inferência Fuzzy - Exemplos. Soluções anteriores (clássicas): Manual. Automáticas:

Controlador de pontes rolantes. Sistemas de Inferência Fuzzy - Exemplos. Soluções anteriores (clássicas): Manual. Automáticas: Controlador de pontes rolantes Pontes rolantes: usadas para carregar e descarregar navios em portos Sistemas de Inferência Fuzzy - Exemplos pegam containers com cabos flexíveis montados na cabeça da ponte

Leia mais

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas CMP1132 Processo e qualidade de software II Prof. Me. Elias Ferreira Sala: 402 E Quarta-Feira:

Leia mais

-Transformadores Corrente de energização - inrush

-Transformadores Corrente de energização - inrush -Transformadores Corrente de energização - inrush Definição Corrente de magnetização (corrente de inrush) durante a energização do transformador Estas correntes aparecem durante a energização do transformador,

Leia mais

Cadeias de Markov. Geovany A. Borges gaborges@ene.unb.br

Cadeias de Markov. Geovany A. Borges gaborges@ene.unb.br 36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Cadeias de Markov Geovany A. Borges gaborges@ene.unb.br

Leia mais

CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves

CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia

Leia mais

TTT-PLOT E TESTE DE HIPÓTESES BOOTSTRAP PARA O MODELO BI-WEIBULL. Cleber Giugioli Carrasco 1 ; Francisco Louzada-Neto 2 RESUMO

TTT-PLOT E TESTE DE HIPÓTESES BOOTSTRAP PARA O MODELO BI-WEIBULL. Cleber Giugioli Carrasco 1 ; Francisco Louzada-Neto 2 RESUMO TTT-PLOT E TESTE DE HIPÓTESES BOOTSTRAP PARA O MODELO BI-WEIBULL Cleber Giugioli Carrasco ; Francisco Louzada-Neto Curso de Matemática, Unidade Universitária de Ciências Exatas e Tecnológicas, UEG. Departamento

Leia mais

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. 1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3

Leia mais

Aula 03 - Modelagem em PPLIM

Aula 03 - Modelagem em PPLIM Thiago A. O. 1 1 Universidade Federal de Ouro Preto 1 Componentos do modelo 2 3 4 5 6 Componentes de uma modelagem matemática Elementos; Conjuntos; Parâmetros; Variáveis; Objetivo; Restições; Elementos

Leia mais

Organizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU

Organizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o

Leia mais

O USO DE VÍDEO E DO SOFTWARE MODELLUS PARA ANALISAR UM FENÔMENO BIOLÓGICO

O USO DE VÍDEO E DO SOFTWARE MODELLUS PARA ANALISAR UM FENÔMENO BIOLÓGICO O USO DE VÍDEO E DO SOFTWARE MODELLUS PARA ANALISAR UM FENÔMENO BIOLÓGICO Débora da Silva Soares 1 Universidade Estadual Paulista Julio de Mesquita Filho debbie_mat@yahoo.com.br Nilton Silveira Domingues

Leia mais

Técnicas de Medidas e Tratamento de Dados Experimentais

Técnicas de Medidas e Tratamento de Dados Experimentais IQ-UFG Curso Experimental de Química Geral e Inorgânica Técnicas de Medidas e Tratamento de Dados Experimentais Prof. Dr. Anselmo Introdução A interpretação e análise dos resultados são feitas a partir

Leia mais

Módulo 06 - VISCOSÍMETRO DE STOKES

Módulo 06 - VISCOSÍMETRO DE STOKES Módulo 06 - VISCOSÍMETRO DE STOKES Viscosímetros são instrumentos utilizados para medir a viscosidade de líquidos. Eles podem ser classificados em dois grupos: primário e secundário. No grupo primário

Leia mais

3 Parsing Expression Grammars

3 Parsing Expression Grammars 3 Parsing Expression Grammars Parsing Expression Grammars (PEG) são um formalismo que descreve reconhecedores de linguagens (For04). PEGs são uma alternativa para gramáticas livres de contexto (CFGs) e

Leia mais

UTILIZAÇÃO DO SOFTWARE MAPLE NO ENSINO-APRENDIZAGEM DE CÁLCULO

UTILIZAÇÃO DO SOFTWARE MAPLE NO ENSINO-APRENDIZAGEM DE CÁLCULO UTILIZAÇÃO DO SOFTWARE MAPLE NO ENSINO-APRENDIZAGEM DE CÁLCULO RESUMO Vanessa Mariani Neste trabalho foi investigado como a utilização do software Maple pode facilitar no ensino-aprendizagem de Matemática

Leia mais

Pesquisador em Informações Geográficas e Estatísticas A I GESTÃO DA QUALIDADE LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO.

Pesquisador em Informações Geográficas e Estatísticas A I GESTÃO DA QUALIDADE LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO. 7 EDITAL N o 04/2013 LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO. 01 - O candidato recebeu do fiscal o seguinte material: a) este CADERNO DE QUESTÕES, com os enunciados das 8 (oito) questões discursivas, sem

Leia mais

Distribuição de Freqüência

Distribuição de Freqüência Distribuição de Freqüência Representação do conjunto de dados Distribuições de freqüência Freqüência relativa Freqüência acumulada Representação Gráfica Histogramas Organização dos dados Os métodos utilizados

Leia mais

Campus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini E-mail: prof.andre.luis.belini@gmail.com /

Campus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini E-mail: prof.andre.luis.belini@gmail.com / Campus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini E-mail: prof.andre.luis.belini@gmail.com / andre.belini@ifsp.edu.br MATÉRIA: ICO Aula N : 09 Tema: Unidade Central de

Leia mais

Aplicação de técnicas de sintonia fuzzy em uma coluna de destilação piloto

Aplicação de técnicas de sintonia fuzzy em uma coluna de destilação piloto Aplicação de técnicas de sintonia fuzzy em uma coluna de destilação piloto Adelson Siqueira Carvalho Ronald Coutinho da Silva Dênis Barbosa do Nascimento NPO - CEFET-Campos NPO - CEFET-Campos NPO - CEFET-Campos

Leia mais

CAPÍTULO 3 - ANÁLISE DE ALTERNATIVAS DE INVESTIMENTOS

CAPÍTULO 3 - ANÁLISE DE ALTERNATIVAS DE INVESTIMENTOS CAPÍTULO 3 - ANÁLISE DE ALTERNATIVAS DE INVESTIMENTOS III.1 - GENERALIDADES Após a classificação dos projetos tecnicamente corretos é imprescindível que a escolha considere aspectos econômicos. E é a engenharia

Leia mais

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Unidade 2 Distribuições de Frequências e Representação Gráfica UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Ao finalizar esta Unidade, você deverá ser capaz de: Calcular

Leia mais

3 Metodologia para Segmentação do Mercado Bancário

3 Metodologia para Segmentação do Mercado Bancário 3 Metodologia para Segmentação do Mercado Bancário Este capítulo descreve a metodologia proposta nesta dissertação para a segmentação do mercado bancário a partir da abordagem post-hoc, servindo-se de

Leia mais

Eduardo C. Xavier. 24 de fevereiro de 2011

Eduardo C. Xavier. 24 de fevereiro de 2011 Reduções Eduardo C. Xavier Instituto de Computação/Unicamp 24 de fevereiro de 2011 Eduardo C. Xavier (IC/Unicamp) Reduções 24 de fevereiro de 2011 1 / 23 Programação Linear (PL) Vimos que na tentativa

Leia mais

5 Um simulador estocástico para o fluxo de caixa

5 Um simulador estocástico para o fluxo de caixa 5 Um simulador estocástico para o fluxo de caixa O objetivo desse capítulo é o de apresentar um simulador estocástico para o fluxo de caixa de um plano de previdência do tipo PGBL de um único indivíduo.

Leia mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio Tadeu Cristino 1. Julho, 2014 Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino

Leia mais

Proposta de ensino da Segunda lei de Newton para o ensino médio com uso de sensores da PASCO. Carolina de Sousa Leandro Cirilo Thiago Cordeiro

Proposta de ensino da Segunda lei de Newton para o ensino médio com uso de sensores da PASCO. Carolina de Sousa Leandro Cirilo Thiago Cordeiro Proposta de ensino da Segunda lei de Newton para o ensino médio com uso de sensores da PASCO Carolina de Sousa Leandro Cirilo Thiago Cordeiro Estudante do curso de Licenciatura em Física Bolsista do Programa

Leia mais

1 Tipos de dados em Análise de Clusters

1 Tipos de dados em Análise de Clusters Curso de Data Mining Sandra de Amo Aula 13 - Análise de Clusters - Introdução Análise de Clusters é o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares Um

Leia mais

MODULAÇÃO AM E DEMODULADOR DE ENVELOPE

MODULAÇÃO AM E DEMODULADOR DE ENVELOPE 204/ MODULAÇÃO AM E DEMODULADOR DE ENVELOPE 204/ Objetivos de Estudo: Desenvolvimento de um modulador AM e um demodulador, utilizando MatLab. Visualização dos efeitos de modulação e demodulação no domínio

Leia mais

A Extermínio - Higiene Controle, Lda., é líder de mercado na prestação de serviços de controlo de pragas e higiene na Região Autónoma da Madeira, e

A Extermínio - Higiene Controle, Lda., é líder de mercado na prestação de serviços de controlo de pragas e higiene na Região Autónoma da Madeira, e A Extermínio - Higiene Controle, Lda., é líder de mercado na prestação de serviços de controlo de pragas e higiene na Região Autónoma da Madeira, e dispõe de uma motivada equipa profissional, pró-ativa

Leia mais