6.2 Análise da Viabilidade do Lançamento de um Produto 27

Tamanho: px
Começar a partir da página:

Download "6.2 Análise da Viabilidade do Lançamento de um Produto 27"

Transcrição

1 Análise da Viabilidade do Lançamento de um Produto 27 Neste caso, o MAB será aplicado em um problema com o qual, constantemente, se deparam os profissionais de marketing: estudar a viabilidade do lançamento de um novo produto. Numa análise dessa natureza, não se pode esquecer que "devemos procurar outros produtos existentes nos mercado, que tenham linhas de similaridades com o produto em desenvolvimento". (GURGEL, 2001, p.208) Na seqüência, será visto como ficam as etapas do MAB, desde a fixação do nível de exigência até a decisão final, que poderá ser tomada com base na regra decisão ou no algoritmo para-analisador Fixação do nível de exigência Para este exemplo de aplicação, foi fixado o nível de exigência igual a 0,60. É um nível de exigência médio, mas que se justifica levando-se em conta ser um produto em que a decisão de lançá-lo não demandará muito investimento, não representa maiores responsabilidades econômica, social ou humana. Ou seja, a decisão favorável ao lançamento do produto não põe em risco vidas humanas, o meio ambiente, etc. Com a fixação do nível de exigência, ficam automaticamente configurados a regra de decisão e o algoritmo para-analisador (Figura 6.3). 27 Este trabalho foi apresentado na Sixth International Conference on Computing Anticipatory Systems (CASYS'03), realizada em Liège, Bélgica, de 11 a 16 de agosto de 2003, com o título "Paraconsistent Annotated Logic in Viability Analysis: an Approach to Product Launching"; foi laureado com o prêmio "Best Paper Award" for the Symposium Soft Computing, Computational Intelligence, Fuzzy Systems, Neural Networks, Learning (Anexo A) e foi publicado no AIP Conference Proceedings, 718, p , pelo American Institute of Physics. Edited by Daniel M. Dubois. (DE CARVALHO; BRUNSTEIN; ABE, 2003a).

2 160 H cert 0,60 decisão favorável (o lançamento é viável); H cert 0,60 decisão desfavorável (o lançamento é inviável); 0,60 < H cert < 0,60 análise não conclusiva. Algoritmo para-analisador 1,20 1,00 Grau de evidência contrária 0,80 0,60 0,50 0,40 Contorno 0,20 0,00 0,00 0,20 0,40 0,50 0,60 0,80 1,00 1,20 Grau de evidência favorável Figura 6.3 Regra de decisão e algoritmo para-analisador para o nível de exigência 0, Escolha dos fatores de influência e o estabelecimento das seções Foram escolhidos os dez fatores (F 01 a F 10 ) que têm maior influência na viabilidade do lançamento de um produto. Para cada um desses fatores, foram estabelecidas cinco seções (S 1 a S 5 ), tais que S 1 represente uma situação muito favorável; S 2, uma situação favorável; S 3, uma situação indiferente; S 4, uma situação desfavorável; e S 5, uma situação muito desfavorável ao sucesso do empreendimento (lançamento do produto).

3 161 Observe-se que a caracterização das seções depende do produto a ser lançado, de análises de mercado, de estudos econômicos e de outros elementos. Neste trabalho, essa caracterização é feita sem a utilização rigorosa desses elementos, pois trata-se de um exemplo teórico para a apresentação do método. Os fatores escolhidos e as faixas estabelecidas são os apresentados a seguir. F 01 : necessidade e utilidade do produto, traduzida pela percentagem π da população que dele se utiliza. S 1 : π > 90%; S 2 : 70% < π 90%; S 3 : 30% π 70%; S 4 : 10% π < 30%; S 5 : π < 10%. F 02 : quantidade (η) de atributos ou funções do produto, medida por comparação com a média M de atributos ou funções dos produtos similares do mercado. S 1 : η > 1,5M; S 2 : 1,2M < η 1,5M; S 3 : 0,8M η 1,2M; S 4 : 0,5M η < 0,8M; S 5 : η < 0,5M. F 03 : concorrência, traduzida pela qualidade e quantidade de concorrentes na região. S 1 : muito pequena; S 2 : pequena; S 3 : média; S 4 : grande; S 5 : muito grande. F 04 : potencialidade dos clientes, traduzida pelo tamanho e poder aquisitivo da população da região. S 1 : muito grande; S 2 : grande; S 3 : média; S 4 : pequena; S 5 : muito pequena. F 05 : aceitação do produto ou de produto similar já existente no mercado, traduzida pela percentagem π da população que dele se utiliza. S 1 : π > 90%; S 2 : 70% < π 90%; S 3 : 30% π 70%; S 4 : 10% π < 30%; S 5 : π < 10%.

4 162 F 06 : preço (φ) do produto no mercado, traduzido em função do preço médio P de produto igual (ou de produtos similares) já existente no mercado. S 1 : φ < 70%P; S 2 : 70%P φ < 90%P; S 3 : 90%P φ 110%P; S 4 : 110%P < φ 130%P; S 5 : φ > 130%P. F 07 : custo estimado (θ) do produto, traduzido em função do preço médio P de produto igual (ou de produtos similares) já existente no mercado. S 1 : θ < 20%P; S 2 : 20%P θ < 40%P; S 3 : 40%P θ 60%P; S 4 : 60%P < θ 80%P; S 5 : θ > 80%P. F 08 : ciclo de vida (C) do produto, medido numa unidade de tempo T (um ano, por exemplo). S 1 : C > 10T; S 2 : 8T < C 10T; S 3 : 4T C 8T; S 4 : 2T C < 4T; S 5 : C < 2T. F 09 : prazo (λ) para desenvolvimento do projeto e implantação do produto, medido em função do ciclo de vida (C). S 1 : λ < 10%C; S 2 : 10%C λ < 30%C; S 3 : 30%C λ 70%C; S 4 : 70%C < λ 90%C; S 5 : λ > 90%C. F 10 : investimento (I) para desenvolvimento do projeto e implantação do produto, medido em função do resultado líquido (RES) esperado no ciclo de vida do produto. S 1 : I < 20%RES; S 2 : 20%RES I < 40%RES; S 3 : 40%RES I 60%RES; S 4 : 60%RES < I 80%RES; S 5 : I > 80%RES Construção da base de dados Admite-se que foram selecionados quatro especialistas: E 1 profissional de marketing; E 2 economista; E 3 engenheiro de produção; E 4 administrador de empresas. Admite-se

5 também que os pesos atribuídos aos fatores pelos especialistas são iguais, ou seja, todos os fatores têm peso igual a 1 (um). Assim, a base de dados (Tabela 6.5) se resumirá à matriz das anotações, ou seja, aos graus de evidência favorável e de evidência contrária que os especialistas atribuem aos fatores nas condições definidas pelas cinco seções. Tabela 6.5 Base de Dados: graus de evidência favorável e de evidência contrária atribuídos pelos especialistas aos fatores, nas condições definidas pelas seções. E E 3 E E E S 1 E 2 E F i S 1 E 2 j F a i,j,1 b i,j,1 a i,j,2 b i,j,2 a i,j,3 b i,j,3 a i,j,4 b i j i,j,4 a i,j,1 b i,j,1 a i,j,2 b i,j,2 a i,j,3 b i,j,3 a i,j,4 b i,j,4 S 1 0,88 0,04 0,94 0,14 0,84 0,08 0,78 0,03 S 1 0,90 0,10 1,00 0,10 0,90 0,00 1,00 0,00 S 2 0,63 0,19 0,79 0,23 0,73 0,14 0,59 0,24 S 2 0,80 0,30 0,80 0,20 0,70 0,30 0,70 0,20 F 01 S 3 0,48 0,43 0,53 0,44 0,58 0,39 0,48 0,41 F 06 S 3 0,60 0,50 0,60 0,40 0,50 0,40 0,50 0,50 S 4 0,23 0,77 0,41 0,61 0,33 0,73 0,29 0,53 S 4 0,40 0,60 0,40 0,70 0,30 0,60 0,30 0,70 S 5 0,01 0,94 0,13 0,88 0,14 1,00 0,17 0,91 S 5 0,10 0,80 0,20 0,90 0,13 1,00 0,00 1,00 S 1 1,00 0,05 0,95 0,15 1,00 0,10 0,85 0,00 S 1 0,95 0,15 1,00 0,10 0,85 0,00 1,00 0,05 S 2 0,75 0,25 0,85 0,25 0,85 0,30 0,73 0,35 S 2 0,85 0,25 0,85 0,30 0,73 0,35 0,75 0,25 F 02 S 3 0,55 0,45 0,55 0,45 0,65 0,40 0,45 0,55 F 07 S 3 0,55 0,45 0,65 0,40 0,45 0,55 0,55 0,45 S 4 0,35 0,65 0,31 0,79 0,29 0,70 0,24 0,83 S 4 0,40 0,65 0,35 0,75 0,24 0,78 0,35 0,65 S 5 0,00 0,95 0,15 0,75 0,15 0,85 0,25 1,00 S 5 0,05 0,88 0,15 0,85 0,12 1,00 0,00 0,95 S 1 0,92 0,08 0,98 0,18 0,88 0,12 0,82 0,07 S 1 0,98 0,18 0,88 0,12 0,82 0,07 0,92 0,08 S 2 0,67 0,23 0,83 0,27 0,77 0,18 0,63 0,28 S 2 0,83 0,27 0,77 0,18 0,63 0,28 0,67 0,23 F 03 S 3 0,52 0,47 0,57 0,48 0,62 0,43 0,52 0,45 F 08 S 3 0,57 0,48 0,62 0,43 0,52 0,45 0,52 0,47 S 4 0,17 0,73 0,24 0,65 0,37 0,67 0,33 0,64 S 4 0,45 0,65 0,37 0,85 0,33 0,57 0,27 0,86 S 5 0,05 0,98 0,17 0,83 0,18 0,02 0,21 0,95 S 5 0,08 0,83 0,18 0,95 0,21 0,95 0,05 0,98 S 1 0,95 0,11 1,00 0,21 0,91 0,15 0,85 0,10 S 1 1,00 0,21 0,91 0,15 0,85 0,10 0,95 0,11 S 2 0,70 0,26 0,86 0,30 0,80 0,21 0,66 0,31 S 2 0,86 0,30 0,80 0,21 0,66 0,31 0,70 0,26 F 04 S 3 0,55 0,50 0,60 0,51 0,65 0,46 0,55 0,48 F 09 S 3 0,60 0,51 0,65 0,46 0,55 0,48 0,55 0,50 S 4 0,30 0,76 0,48 0,68 0,22 0,70 0,28 0,60 S 4 0,39 0,76 0,30 0,70 0,36 0,60 0,30 0,76 S 5 0,08 1,00 0,20 0,86 0,21 0,05 0,24 0,98 S 5 0,10 0,86 0,15 0,93 0,24 0,98 0,08 1,00 S 1 1,00 0,88 0,06 0,10 0,95 0,85 0,04 0,00 S 1 0,94 0,14 0,84 0,08 0,78 0,03 0,88 0,04 S 2 0,70 0,20 0,80 0,30 0,80 0,20 0,70 0,30 S 2 0,79 0,23 0,73 0,14 0,59 0,24 0,63 0,19 F 05 S 3 0,50 0,50 0,60 0,50 0,60 0,40 0,50 0,40 F 10 S 3 0,53 0,44 0,58 0,39 0,48 0,41 0,48 0,43 S 4 0,30 0,70 0,33 0,69 0,30 0,70 0,26 0,73 S 4 0,41 0,69 0,33 0,63 0,29 0,53 0,23 0,69 S 5 0,00 1,00 0,10 0,80 0,90 0,08 1,00 0,15 S 5 0,13 0,79 0,14 0,90 0,17 0,91 0,01 0, Pesquisa de campo e cálculo dos graus resultantes de evidência favorável e de evidência contrária dos fatores e do baricentro Construída a base de dados, para facilidade de linguagem, será considerado que se está estudando a viabilidade do lançamento de um produto X na região Y. Para isso, deve-se fazer uma pesquisa na região Y em relação ao produto X, para verificar em que seção cada um dos

6 fatores se encontra. Ou seja, os pesquisadores devem verificar na região Y, em que seção S j (1 j 5) cada um dos fatores F i (1 i 10) que influi na viabilidade do produto X se encontra. Com os resultados da pesquisa, S pi, é preenchida a coluna 2 da Tabela 6.6. Feito isso, o MAB extrai da base de dados (Tabela 6.5) as opiniões dos especialistas sobre a viabilidade do lançamento nas condições do produto X na região Y, traduzidas pelas seções pesquisadas. Essas opiniões estão resumidas nas colunas de 3 a 10 da Tabela 6.6. Para a aplicação dos operadores, os grupos devem ser constituídos, observando-se a formação dos especialistas. No quadro dos especialistas selecionados, uma formação possível e adequada é: grupo A o profissional de marketing (E 1 ) com o economista (E 2 ); grupo B o engenheiro de produção (E 3 ) com o administrador de empresas (E 4 ). Assim, para a aplicação das técnicas de maximização (operador OR) e de minimização (operador AND) às opiniões dos especialistas faz-se: [(E 1 ) OR (E 2 )] AND [(E 3 ) OR (E 4 )] ou [G A ] AND [G B ] Tabela 6.6 Tabela de cálculos do MAB: seções pesquisadas, graus de evidência favorável e de evidência contrária, aplicação dos operadores OR e AND, cálculos e análise dos resultados Group A Group B A B Nível de Exigência = 0,60 A AND B E 1 E 2 E 3 E 4 E 1 OR E 2 E 3 OR E 4 Conclusões F i S pi a i,1 b i,1 a i,2 b i,2 a i,3 b i,3 a i,4 b i,4 a i,ga b i,ga a i,gb b i,gb a i,r b i,r H cert G contr Decisão Fator Seção F 01 S 5 0,01 0,94 0,13 0,88 0,14 1,00 0,17 0,91 0,13 0,94 0,17 1,00 0,13 0,94-0,81 0,07 F 02 S 1 1,00 0,05 0,95 0,15 1,00 0,10 0,85 0,00 1,00 0,15 1,00 0,10 1,00 0,10 0,90 0,10 F 03 S 1 0,92 0,08 0,98 0,18 0,88 0,12 0,82 0,07 0,98 0,18 0,88 0,12 0,88 0,12 0,76 0,00 F 04 S 2 0,70 0,26 0,86 0,30 0,80 0,21 0,66 0,31 0,86 0,30 0,80 0,31 0,80 0,30 0,50 0,10 F 05 S 1 1,00 0,88 0,06 0,10 0,95 0,85 0,04 0,00 1,00 0,88 0,95 0,85 0,95 0,85 0,10 0,80 F 06 S 5 0,10 0,80 0,20 0,90 0,13 1,00 0,00 1,00 0,20 0,90 0,13 1,00 0,13 0,90-0,77 0,03 F 07 S 4 0,40 0,65 0,35 0,75 0,24 0,78 0,35 0,65 0,40 0,75 0,35 0,78 0,35 0,75-0,40 0,10 F 08 S 4 0,45 0,65 0,37 0,85 0,33 0,57 0,27 0,86 0,45 0,85 0,33 0,86 0,33 0,85-0,52 0,18 F 09 S 1 1,00 0,21 0,91 0,15 0,85 0,10 0,95 0,11 1,00 0,21 0,95 0,11 0,95 0,11 0,84 0,06 F 10 S 2 0,79 0,23 0,73 0,14 0,59 0,24 0,63 0,19 0,79 0,23 0,63 0,24 0,63 0,23 0,40-0,14 Baricentro W: médias dos graus resultantes 0,62 0,52 0,10 0,13 IN IN 164 Na Tabela 6.6, os resultados da aplicação do operador OR aos grupos A e B (intragrupos) estão nas colunas de 11 a 14. Os resultados da aplicação do operador AND entre os grupos A e B (entre grupos), que são os graus de evidência favorável e de evidência contrária resultantes, aparecem nas colunas 15 e 16. Dessa forma, obtém-se, para cada fator,

7 165 na condição da seção obtida na pesquisa, a conclusão combinada das opiniões dos especialistas. Os graus de certeza e de contradição para cada fator, na condição da seção pesquisada, aparecem nas colunas 17 e Análise dos resultados Primeiramente, será feita a análise dos resultados finais pela aplicação da regra de decisão (ver 6.2.1, p.159). O MAB já fez isto quando comparou os graus de certeza da coluna 17 da Tabela 6.6 com o nível de exigência (0,60) e deu o resultado na coluna 19. Assim, pode-se observar que, nas condições pesquisadas e ao nível de exigência 0,60, três fatores, F 02, F 03 e F 09, indicam que o lançamento do produto é viável; dois, F 01 e F 06, indicam que o lançamento do produto é inviável; e os outros cinco, F 04, F 05, F 07, F 08 e F 10, são não conclusivos, isto é, não dão indicação nem a favor e nem contra o lançamento do produto. Mas, o que realmente tem interesse é a influência conjunta de todos os fatores sobre a viabilidade do lançamento do produto, que é traduzida pelo baricentro W dos pontos que os representam, isoladamente. Na última linha das colunas 15 e 16 da Tabela 6.6, encontram-se os graus de evidência favorável (a W ) e de evidência contrária (b W ) do baricentro, que permitem ao MAB calcular o grau de certeza correspondente (última linha da coluna 17) da seguinte forma: H cert,w = a W b W = 0,62 0,52 = 0,10. Considerando que 0,60 < 0,10 < 0,60, aplicando a regra de decisão, o próprio MAB já conclui que a análise é não conclusiva, isto é, a análise não permite concluir nem pela viabilidade e nem pela inviabilidade do lançamento do produto X na região Y. Essa mesma análise pode ser feita pelo algoritmo para-analisador. Para isso, plotam-se os graus de evidência favorável e de evidência contrária resultantes, junto ao reticulado τ (Figura 6.3), adotando como linhas limites de verdade e de falsidade as retas determinadas por

8 H cert = 0,60 e como linhas limites de inconsistência e de paracompleteza as retas determinadas por G contr = 0,60, uma vez que o nível de exigência adotado foi 0, Algoritmo para-analisador 1,20 1,00 0,94 0,90 0,85 0,85 Grau de evidência contrária 0,80 0,60 0,50 0,40 0,75 0,52 Fatores Baricentro Contorno 0,23 0,30 0,20 0,12 0,10 0,11 0,00 0,00 0,20 0,40 0,50 0,60 0,80 1,00 1,20 Grau de evidência favorável Figura 6.4 Análise do resultado pelo algoritmo para-analisador. No caso em estudo, análise da viabilidade do lançamento do produto X na região Y, a observação dos pontos que representam os fatores de influência no reticulado τ mostra que três fatores (F 02, F 03 e F 09 ) pertencem à região de verdade (de decisão favorável ou de viabilidade), recomendando, pois, o lançamento do produto ao nível de exigência 0,60; dois fatores (F 01 e F 06 ) pertencem à região de falsidade (inviabilidade), recomendando o não lançamento do produto. Os rótulos que aparecem próximos aos pontos são os graus de evidência contrária resultantes para os fatores que representam.

9 167 Os demais fatores pertencem a regiões distintas das anteriores, indicando que o lançamento do produto não é viável, mas que também não é inviável. F 07 e F 08 pertencem à região de quase falsidade tendendo à inconsistência; F 04 pertence à região de quase verdade tendendo à inconsistência; F 10 pertence à região de quase verdade tendendo à paracompleteza; e F 05 pertence à região de inconsistência, mostrando que, para este fator na seção pesquisada (S 1 ), os dados (opiniões dos especialistas) apresentam um alto grau de contradição (0,80). Esses cinco últimos fatores são, pois, não conclusivos. Mas, as influências díspares de todos estes fatores na viabilidade do lançamento do produto X na região Y podem ser resumidas pelo ponto W. Este é o baricentro dos dez pontos que representam os fatores, isoladamente, e traduz a influência conjunta dos dez fatores analisados. Como W está na região de quase inconsistência tendendo à verdade, diz-se que o resultado gloal da análise é não conclusivo. Ou seja, a análise não recomenda o lançamento do produto X na região Y, mas também não exclui esta possibilidade. Apenas sugere que, se for de interesse, novas pesquisas sejam feitas, numa tentativa de se aumentarem as evidências. Mais uma vez, é importante observar que, feita a pesquisa, ou seja, preenchida a coluna 2 da Tabela 6.6, todas as demais operações, traduzidas pelas colunas de 3 a 19 (busca dos valores na base de dados; aplicação das regras de maximização e minimização, para obter os graus de evidências favorável e contrária resultantes para os fatores; cálculo dos graus de evidências favorável e contrária do baricentro; cálculos dos graus de certeza e de contradição; aplicação da regra de decisão; e aplicação do algoritmo para-analisador), são feitas automaticamente pelo MAB. Para se fazer um teste da fidedignidade do método e um exercício de sua aplicação, sugere-se ao leitor que analise a viabilidade do lançamento de um produto X numa região Y, admitindo que na pesquisa de campo todos os fatores se encontram na seção S 1, ou seja, todos os fatores se mostram altamente favoráveis ao lançamento do produto X numa região Y.

10 Neste caso, evidentemente, é de se esperar que a análise leve a concluir-se pela viabilidade do produto X na região Y. De fato, aplicando-se o MAB a este caso, obtém-se a W = 0,93 e b W = 0,16. Estes valores permitem calcular H cert,w = a W b W = 0,93 0,16 = 0,78. Como 0,78 0,60, a regra de decisão permite inferir pela viabilidade do lançamento do produto X na região Y (Tabela 6.7 e Figura 6.5). Tabela 6.7 Aplicação do MAB na situação em que todos os fatores são muito favoráveis (seção S 1 ) Group A Group B A B Nível de Exigência = 0,60 A AND B E 1 E 2 E 3 E 4 E 1 OR E 2 E 3 OR E 4 Conclusões F i S pi a i,1 b i,1 a i,2 b i,2 a i,3 b i,3 a i,4 b i,4 a i,ga b i,ga a i,gb b i,gb a i,r b i,r H cert G contr Decisão Fator Seção F 01 S 1 0,88 0,04 0,94 0,14 0,84 0,08 0,78 0,03 0,94 0,14 0,84 0,08 0,84 0,08 0,76-0,08 F 02 S 1 1,00 0,05 0,95 0,15 1,00 0,10 0,85 0,00 1,00 0,15 1,00 0,10 1,00 0,10 0,90 0,10 F 03 S 1 0,92 0,08 0,98 0,18 0,88 0,12 0,82 0,07 0,98 0,18 0,88 0,12 0,88 0,12 0,76 0,00 F 04 S 1 0,95 0,11 1,00 0,21 0,91 0,15 0,85 0,10 1,00 0,21 0,91 0,15 0,91 0,15 0,76 0,06 F 05 S 1 1,00 0,88 0,06 0,10 0,95 0,85 0,04 0,00 1,00 0,88 0,95 0,85 0,95 0,85 0,10 0,80 F 06 S 1 0,90 0,10 1,00 0,10 0,90 0,00 1,00 0,00 1,00 0,10 1,00 0,00 1,00 0,00 1,00 0,00 F 07 S 1 0,95 0,15 1,00 0,10 0,85 0,00 1,00 0,05 1,00 0,15 1,00 0,05 1,00 0,05 0,95 0,05 F 08 S 1 0,98 0,18 0,88 0,12 0,82 0,07 0,92 0,08 0,98 0,18 0,92 0,08 0,92 0,08 0,84 0,00 F 09 S 1 1,00 0,21 0,91 0,15 0,85 0,10 0,95 0,11 1,00 0,21 0,95 0,11 0,95 0,11 0,84 0,06 F 10 S 1 0,94 0,14 0,84 0,08 0,78 0,03 0,88 0,04 0,94 0,14 0,88 0,04 0,88 0,04 0,84-0,08 Baricentro W: médias dos graus resultantes 0,93 0,16 0,78 0, Algoritmo para-analisador 1,20 1,00 Grau de evidência contrária 0,80 0,60 0,50 0,40 0,85 Fatores Baricentro Contorno 0,20 0,16 0,00 0,00 0,20 0,40 0,500,60 0,80 1,00 1,20 Grau de evidência favorável Figura 6.5 Análise do resultado quando todos os fatores são muito favoráveis (seção S 1 ).

11 Ao contrário, se todos os fatores fossem muito desfavoráveis (seção S 5 ), o MAB obteria a W = 0,15 e b W = 0,85, permitindo calcular H cert,w = a W b W = 0,15 0,85 = 0,71. Como 0,71 0,60, a regra de decisão levaria a inferir pela inviabilidade do lançamento do produto X na região Y. (Tabela 6.8 e Figura 6.6). Tabela 6.8 Aplicação do MAB na situação em que todos os fatores são muito desfavoráveis (seção S 5 ) Group A Group B A B Nível de Exigência = 0,60 A AND B E 1 E 2 E 3 E 4 E 1 OR E 2 E 3 OR E 4 Conclusões F i S pi a i,1 b i,1 a i,2 b i,2 a i,3 b i,3 a i,4 b i,4 a i,ga b i,ga a i,gb b i,gb a i,r b i,r H cert G contr Decisão Fator Seção F 01 S 5 0,01 0,94 0,13 0,88 0,14 1,00 0,17 0,91 0,13 0,94 0,17 1,00 0,13 0,94-0,81 0,07 F 02 S 5 0,00 0,95 0,15 0,75 0,15 0,85 0,25 1,00 0,15 0,95 0,25 1,00 0,15 0,95-0,80 0,10 F 03 S 5 0,05 0,98 0,17 0,83 0,18 0,02 0,21 0,95 0,17 0,98 0,21 0,95 0,17 0,95-0,78 0,12 F 04 S 5 0,08 1,00 0,20 0,86 0,21 0,05 0,24 0,98 0,20 1,00 0,24 0,98 0,20 0,98-0,78 0,18 F 05 S 5 0,00 1,00 0,10 0,80 0,90 0,08 1,00 0,15 0,10 1,00 1,00 0,15 0,10 0,15-0,05-0,75 F 06 S 5 0,10 0,80 0,20 0,90 0,13 1,00 0,00 1,00 0,20 0,90 0,13 1,00 0,13 0,90-0,77 0,03 F 07 S 5 0,05 0,88 0,15 0,85 0,12 1,00 0,00 0,95 0,15 0,88 0,12 1,00 0,12 0,88-0,76 0,00 F 08 S 5 0,08 0,83 0,18 0,95 0,21 0,95 0,05 0,98 0,18 0,95 0,21 0,98 0,18 0,95-0,77 0,13 F 09 S 5 0,10 0,86 0,15 0,93 0,24 0,98 0,08 1,00 0,15 0,93 0,24 1,00 0,15 0,93-0,78 0,08 F 10 S 5 0,13 0,79 0,14 0,90 0,17 0,91 0,01 0,94 0,14 0,90 0,17 0,94 0,14 0,90-0,76 0,04 Baricentro W: médias dos graus resultantes 0,15 0,85-0,71 0,00 IN IN IN IN IN IN IN IN IN IN 169 Algoritmo para-analisador 1,20 1,00 Grau de evidência contrária 0,80 0,60 0,50 0,40 0,85 Fatores Baricentro Contorno 0,20 0,15 0,00 0,00 0,20 0,40 0,50 0,60 0,80 1,00 1,20 Grau de evidência favorável Figura 6.6 Análise do resultado quando todos os fatores são muito desfavoráveis (seção S 5 ).

12 Para verificar a influência do nível de exigência na decisão (o que representa mais uma possibilidade do MAB), foi analisado um caso em que cinco fatores (F 02, F 04, F 06, F 08 e F 09 ) são muito favoráveis (seção S 1 ) e outros cinco (F 01, F 03, F 05, F 07 e F 10 ) são apenas favoráveis (seção S 2 ). Aplicando-se o MAB, obteve-se: H cert,w = a W b W = 0,85 0,18 = 0,67 (Tabela 6.9a). Então, se o nível de exigência é 0,60, a decisão é favorável (o produto é viável), uma vez que 0,67 0,60 (Figura 6.7a.); porém, se o nível de exigência é 0,80, a decisão é que a análise é não conclusiva, uma vez que (-0,80 < 0,67 < 0,80) (Tabela 6.9b e Figura 6.7b). Tabela 6.9a Aplicação do MAB na situação em que cinco fatores são muito favoráveis (seção S 1 ) e cinco são apenas favoráveis (seção S 2 ), com nível de exigência 0,60. Resultado: viável Group A Group B A B Nível de Exigência = 0,60 A AND B E 1 E 2 E 3 E 4 E 1 OR E 2 E 3 OR E 4 Conclusões F i S pi a i,1 b i,1 a i,2 b i,2 a i,3 b i,3 a i,4 b i,4 a i,ga b i,ga a i,gb b i,gb a i,r b i,r H cert G contr Decisão Fator Seção F 01 S 2 0,63 0,19 0,79 0,23 0,73 0,14 0,59 0,24 0,79 0,23 0,73 0,24 0,73 0,23 0,50-0,04 F 02 S 1 1,00 0,05 0,95 0,15 1,00 0,10 0,85 0,00 1,00 0,15 1,00 0,10 1,00 0,10 0,90 0,10 F 03 S 2 0,67 0,23 0,83 0,27 0,77 0,18 0,63 0,28 0,83 0,27 0,77 0,28 0,77 0,27 0,50 0,04 F 04 S 1 0,95 0,11 1,00 0,21 0,91 0,15 0,85 0,10 1,00 0,21 0,91 0,15 0,91 0,15 0,76 0,06 F 05 S 2 0,70 0,20 0,80 0,30 0,80 0,20 0,70 0,30 0,80 0,30 0,80 0,30 0,80 0,30 0,50 0,10 F 06 S 1 0,90 0,10 1,00 0,10 0,90 0,00 1,00 0,00 1,00 0,10 1,00 0,00 1,00 0,00 1,00 0,00 F 07 S 2 0,85 0,25 0,85 0,30 0,73 0,35 0,75 0,25 0,85 0,30 0,75 0,35 0,75 0,30 0,45 0,05 F 08 S 1 0,98 0,18 0,88 0,12 0,82 0,07 0,92 0,08 0,98 0,18 0,92 0,08 0,92 0,08 0,84 0,00 F 09 S 1 1,00 0,21 0,91 0,15 0,85 0,10 0,95 0,11 1,00 0,21 0,95 0,11 0,95 0,11 0,84 0,06 F 10 S 2 0,79 0,23 0,73 0,14 0,59 0,24 0,63 0,19 0,79 0,23 0,63 0,24 0,63 0,23 0,40-0,14 Baricentro W: médias dos graus resultantes 0,85 0,18 0,67 0, Tabela 6.9b Aplicação do MAB na situação em que cinco fatores são muito favoráveis (seção S 1 ) e cinco são apenas favoráveis (seção S 2 ), com nível de exigência 0,80. Resultado: não conclusivo Group A Group B A B Nível de Exigência = 0,80 A AND B E 1 E 2 E 3 E 4 E 1 OR E 2 E 3 OR E 4 Conclusões F i S pi a i,1 b i,1 a i,2 b i,2 a i,3 b i,3 a i,4 b i,4 a i,ga b i,ga a i,gb b i,gb a i,r b i,r H cert G contr Decisão Fator Seção F 01 S 2 0,63 0,19 0,79 0,23 0,73 0,14 0,59 0,24 0,79 0,23 0,73 0,24 0,73 0,23 0,50-0,04 F 02 S 1 1,00 0,05 0,95 0,15 1,00 0,10 0,85 0,00 1,00 0,15 1,00 0,10 1,00 0,10 0,90 0,10 F 03 S 2 0,67 0,23 0,83 0,27 0,77 0,18 0,63 0,28 0,83 0,27 0,77 0,28 0,77 0,27 0,50 0,04 F 04 S 1 0,95 0,11 1,00 0,21 0,91 0,15 0,85 0,10 1,00 0,21 0,91 0,15 0,91 0,15 0,76 0,06 F 05 S 2 0,70 0,20 0,80 0,30 0,80 0,20 0,70 0,30 0,80 0,30 0,80 0,30 0,80 0,30 0,50 0,10 F 06 S 1 0,90 0,10 1,00 0,10 0,90 0,00 1,00 0,00 1,00 0,10 1,00 0,00 1,00 0,00 1,00 0,00 F 07 S 2 0,85 0,25 0,85 0,30 0,73 0,35 0,75 0,25 0,85 0,30 0,75 0,35 0,75 0,30 0,45 0,05 F 08 S 1 0,98 0,18 0,88 0,12 0,82 0,07 0,92 0,08 0,98 0,18 0,92 0,08 0,92 0,08 0,84 0,00 F 09 S 1 1,00 0,21 0,91 0,15 0,85 0,10 0,95 0,11 1,00 0,21 0,95 0,11 0,95 0,11 0,84 0,06 F 10 S 2 0,79 0,23 0,73 0,14 0,59 0,24 0,63 0,19 0,79 0,23 0,63 0,24 0,63 0,23 0,40-0,14 Baricentro W: médias dos graus resultantes 0,85 0,18 0,67 0,02

13 171 Algoritmo para-analisador 1,20 1,00 Grau de evidência contrária 0,80 0,60 0,50 0,40 Fatores Baricentro Contorno 0,20 0,18 0,00 0,00 0,20 0,40 0,50 0,60 0,80 1,00 1,20 Grau de evidência favorável Figura 6.7a Análise do resultado pelo algoritmo para-analisador no caso em que cinco fatores são muito favoráveis (S 1 ), cinco são apenas favoráveis (S 2 ) e o nível de exigência é igual a 0,60 (viável). Algoritmo para-analisador 1,20 1,00 Grau de evidência contrária 0,80 0,60 0,50 0,40 Fatores Baricentro Contorno 0,20 0,18 0,00 0,00 0,20 0,40 0,50 0,60 0,80 1,00 1,20 Grau de evidência favorável Figura 6.7b Análise do resultado pelo algoritmo para-analisador no caso em que cinco fatores são muito favoráveis (S1), cinco são apenas favoráveis (S2) e o nível de exigência é igual a 0,80 (não conclusivo).

6.3 Avaliação do Projeto de uma Fábrica 28

6.3 Avaliação do Projeto de uma Fábrica 28 172 6.3 Avaliação do Projeto de uma Fábrica 28 Neste exemplo, o MAB será aplicado na avaliação do projeto P de uma fábrica, problema com o qual, constantemente, se deparam engenheiros, consultores ou os

Leia mais

Capítulo 6 EXEMPLOS DE APLICAÇÃO

Capítulo 6 EXEMPLOS DE APLICAÇÃO Capítulo 6 EXEMPLOS DE APLICAÇÃO 6.1 Decisão Sobre a Abertura de um Novo Curso Superior por uma Instituição de Ensino 26 Como primeiro exemplo, será estudada a aplicação do processo de auxílio às tomadas

Leia mais

Capítulo 5 O PROCESSO DE TOMADA DE DECISÃO MÉTODO DE ANÁLISE PELO BARICENTRO (MAB)

Capítulo 5 O PROCESSO DE TOMADA DE DECISÃO MÉTODO DE ANÁLISE PELO BARICENTRO (MAB) Capítulo 5 O PROCESSO DE TOMADA DE DECISÃO MÉTODO DE ANÁLISE PELO BARICENTRO (MAB) 5.1 Considerações iniciais Muitos são os fatores que podem influenciar em uma tomada de decisão. Destes, cada um vai influenciar

Leia mais

6.4 Análise de Viabilidade da Implantação de um Sistema de Manufatura

6.4 Análise de Viabilidade da Implantação de um Sistema de Manufatura 6.4 Análise de Viabilidade da Implantação de um Sistema de Manufatura que Utiliza Tecnologias Avançadas 29 182 Um problema com o qual se deparam os empresários ou os administradores, no momento em que

Leia mais

Nos parágrafos seguintes serão definidos os operadores NOT, OR e AND sobre o

Nos parágrafos seguintes serão definidos os operadores NOT, OR e AND sobre o 112 3.5.5 Os operadores NOT, OR e AND Nos parágrafos seguintes serão definidos os operadores NOT, OR e AND sobre o reticulado τ = < [0, 1] [0, 1], >, associado à lógica paraconsistente anotada evidencial

Leia mais

Capítulo 1 INTRODUÇÃO

Capítulo 1 INTRODUÇÃO Capítulo 1 INTRODUÇÃO Trabalhando como professor universitário, foi possível verificar que muitas decisões são tomadas diariamente na administração de uma universidade; que seus dirigentes, muitas vezes,

Leia mais

Proposta de uso da Lógica Paraconsistente Anotada na análise do poder de competição O estudo do fator Dificuldades à entrada de concorrentes.

Proposta de uso da Lógica Paraconsistente Anotada na análise do poder de competição O estudo do fator Dificuldades à entrada de concorrentes. Proposta de uso da Lógica Paraconsistente Anotada na análise do poder de competição O estudo do fator Dificuldades à entrada de concorrentes. Prof. MSc. Marco Antonio Domingues (UNIP) prof.domingues@uol.com.br

Leia mais

Um Estudo de Tomada de Decisão Baseado em Lógica Paraconsistente Anotada: Avaliação do Projeto de uma Fábrica

Um Estudo de Tomada de Decisão Baseado em Lógica Paraconsistente Anotada: Avaliação do Projeto de uma Fábrica Um Estudo de Tomada de Decisão Baseado em Lógica Paraconsistente Anotada: Avaliação do Projeto de uma Fábrica Fábio Romeu de Carvalho, Mestre e Doutorando em Engenharia de Produção fabioromeu@unip.br,

Leia mais

Aplicação do Método Paraconsistente de Decisão na Seleção de Tecnologias de Transporte Público Urbano

Aplicação do Método Paraconsistente de Decisão na Seleção de Tecnologias de Transporte Público Urbano Journal of Transport Literature, 9(3), 20-24, Jul. 2015. Aplicação do Método Paraconsistente de Decisão na Seleção de Tecnologias de Transporte Público Urbano Sandro Gomes Rodrigues + ; José Matsuo Shimoishi

Leia mais

A CONSTRUÇÃO DE CENÁRIOS ATRAVÉS DA LÓGICA PARACONSISTENTE ANOTADO EVIDENCIAL Eτ

A CONSTRUÇÃO DE CENÁRIOS ATRAVÉS DA LÓGICA PARACONSISTENTE ANOTADO EVIDENCIAL Eτ A CONSTRUÇÃO DE CENÁRIOS ATRAVÉS DA LÓGICA PARACONSISTENTE ANOTADO EVIDENCIAL Eτ ANUÁRIO DA PRODUÇÃO DE INICIAÇÃO CIENTÍFICA DISCENTE Vol. XII, Nº. 15, Ano 2009 Maycon Luíz Andrade RESUMO Professor Orientador:

Leia mais

Capítulo 8 CONCLUSÕES E PERSPECTIVAS

Capítulo 8 CONCLUSÕES E PERSPECTIVAS Capítulo 8 CONCLUSÕES E PERSPECTIVAS Como fecho desta tese, destacam-se algumas observações e conclusões a respeito do método apresentado, ou seja, do Método de Análise pelo Baricentro (MAB). Comparando-o

Leia mais

Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel

Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel Rodney Gomes da Silva 1,2, João Inácio da Silva Filho 1, Dorotéa Vilanova Garcia 1 1 UNISANTA-

Leia mais

Métodos de Aplicações da Lógica Paraconsistente Anotada de anotação com dois

Métodos de Aplicações da Lógica Paraconsistente Anotada de anotação com dois Métodos de Aplicações da Lógica Paraconsistente Anotada de anotação com dois valores-lpa2v João Inácio da Silva Filho Email: Da Silva Filho, J.I. inacio@unisanta.br ou jinacsf@yahoo.com.br IEA- Instituto

Leia mais

Proposta de Controle de Válvula Automática de três vias através de algoritmos da Lógica Paraconsistente Anotada

Proposta de Controle de Válvula Automática de três vias através de algoritmos da Lógica Paraconsistente Anotada Unisanta Science and Technology, 2013, 6, December Published Online 2013 Vol.2 N o 2 http://periodicos.unisanta.br/index.php/sat) UNISANTA Science and Technology ISSN 2317-1316 Proposta de Controle de

Leia mais

UM ESTUDO DE TOMADA DE DECISÃO BASEADO NO MÉTODO PARACONSISTENTE DE DECISÃO: APLICAÇÃO NO PLANEJAMENTO DE TRANSPORTE URBANO

UM ESTUDO DE TOMADA DE DECISÃO BASEADO NO MÉTODO PARACONSISTENTE DE DECISÃO: APLICAÇÃO NO PLANEJAMENTO DE TRANSPORTE URBANO UM ESTUDO DE TOMADA DE DECISÃO BASEADO NO MÉTODO PARACONSISTENTE DE DECISÃO: APLICAÇÃO NO PLANEJAMENTO DE TRANSPORTE URBANO Sandro Gomes Rodrigues Jose Matsuo Shimoishi Universidade de Brasília Programa

Leia mais

USANDO A LÓGICA PARACONSISTENTE COMO FERRAMENTA AUXILIAR AO PROCESSO DE AVALIAÇÃO DE CURSOS EM EAD. Londrina PR Maio 2009

USANDO A LÓGICA PARACONSISTENTE COMO FERRAMENTA AUXILIAR AO PROCESSO DE AVALIAÇÃO DE CURSOS EM EAD. Londrina PR Maio 2009 1 USANDO A LÓGICA PARACONSISTENTE COMO FERRAMENTA AUXILIAR AO PROCESSO DE AVALIAÇÃO DE CURSOS EM EAD Londrina PR Maio 2009 Pedro Paulo da Silva Ayrosa NEAD Universidade Estadual de Londrina - ayrosa@uel.br

Leia mais

ROLDEN BAPTISTA 1, JOÃO INÁCIO DA SILVA FILHO 1, CLOVIS MISSENO DA CRUZ 2.

ROLDEN BAPTISTA 1, JOÃO INÁCIO DA SILVA FILHO 1, CLOVIS MISSENO DA CRUZ 2. 6º Congresso Científico da Semana Nacional de Ciência e Tecnologia no IFSP 20-23 de outubro de 2015 Instituto Federal de São Paulo Bragança Paulista, SP, Brasil OBTENÇÃO DO GRAU DE CERTEZA ASSOCIADO À

Leia mais

Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy

Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy

Leia mais

5 Estudo de Caso e Resultados

5 Estudo de Caso e Resultados 5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos

Leia mais

UM PROCESSO DE TOMADA DE DECISÃO PARACONSISTENTE PARA APERFEIÇOAR CURSOS DE ADMINISTRAÇÃO DE EMPRESAS

UM PROCESSO DE TOMADA DE DECISÃO PARACONSISTENTE PARA APERFEIÇOAR CURSOS DE ADMINISTRAÇÃO DE EMPRESAS XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro

Leia mais

CONSTRUÇÃO LÓGICA DE AVALIAÇÃO DE DESEMPENHO

CONSTRUÇÃO LÓGICA DE AVALIAÇÃO DE DESEMPENHO REVISTA DE CIÊNCIAS GERENCIAIS CONSTRUÇÃO LÓGICA DE AVALIAÇÃO DE DESEMPENHO Nelio Fernando Reis Faculdade Anhanguera de Osasco Cristina Correa de Oliveira - Universidade Paulista - UNIP Jair Minoro Abe

Leia mais

5 Experimentos Conjunto de Dados

5 Experimentos Conjunto de Dados Experimentos 48 5 Experimentos Este capítulo apresenta o ambiente experimental utilizado para validar o método de predição do CTR proposto neste trabalho. Na seção 5.1, descrevemos a geração do conjunto

Leia mais

DISTRIBUIÇÃO DINÂMICA DE ELEVADORES PARA UM CONJUNTO DE ANDARES UTILIZANDO LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL Eτ

DISTRIBUIÇÃO DINÂMICA DE ELEVADORES PARA UM CONJUNTO DE ANDARES UTILIZANDO LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL Eτ DISTRIBUIÇÃO DINÂMICA DE ELEVADORES PARA UM CONJUNTO DE ANDARES UTILIZANDO LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL Eτ Fábio Luís Pereira 1, Amanda Luiza dos Santos Pereira 2, Fábio Vieira do Amaral 3,

Leia mais

6.6 Aplicação em um caso real

6.6 Aplicação em um caso real 210 6.6 Aplicação em um caso real Para construir um caso real (case) da aplicação do MAB apresentada no parágrafo 6.1, "Decisão Sobre a Abertura de um Novo Curso Superior por uma Instituição de Ensino",

Leia mais

Simulação do Reticulado da Lógica Paraconsistente Anotada com Anotação de dois Valores LPA2v aplicado em VB.net

Simulação do Reticulado da Lógica Paraconsistente Anotada com Anotação de dois Valores LPA2v aplicado em VB.net Simulação do Reticulado da Lógica Paraconsistente Anotada com Anotação de dois Valores LPA2v aplicado em VB.net Rodrigo Silvério da Silveira 1,2, Leonardo do Espirito Santo 1,2, João Inácio da Silva Filho

Leia mais

Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local

Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,

Leia mais

Gibbs Sampler para ANOVA e Misturas

Gibbs Sampler para ANOVA e Misturas Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados

Leia mais

FÁBIO ROMEU DE CARVALHO APLICAÇÃO DE LÓGICA PARACONSISTENTE ANOTADA EM TOMADAS DE DECISÃO NA ENGENHARIA DE PRODUÇÃO

FÁBIO ROMEU DE CARVALHO APLICAÇÃO DE LÓGICA PARACONSISTENTE ANOTADA EM TOMADAS DE DECISÃO NA ENGENHARIA DE PRODUÇÃO FÁBIO ROMEU DE CARVALHO APLICAÇÃO DE LÓGICA PARACONSISTENTE ANOTADA EM TOMADAS DE DECISÃO NA ENGENHARIA DE PRODUÇÃO São Paulo 2006 FÁBIO ROMEU DE CARVALHO Aplicação de Lógica Paraconsistente Anotada em

Leia mais

Proposta de controle de nível utilizando Redes Neurais Artificiais Paraconsistente

Proposta de controle de nível utilizando Redes Neurais Artificiais Paraconsistente Proposta de controle de nível utilizando Redes Neurais Artificiais Paraconsistente Rolden Baptista, rolden.baptista@unimonte.edu.br UNIMONTE-Centro Universitário Monte Serrat. Rua comendador Martins, vila

Leia mais

XIX Seminário Nacional de Distribuição de Energia Elétrica. SENDI a 26 de novembro. São Paulo - SP - Brasil

XIX Seminário Nacional de Distribuição de Energia Elétrica. SENDI a 26 de novembro. São Paulo - SP - Brasil XIX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasil Um Previsor De Perfil De Cargas Em Sistemas Elétricos De Potência Construído Com Lógica

Leia mais

4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados

4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados 4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados 4.2 Quadrados Latinos (QL) Suponha que um experimentador esteja estudando o efeito de 5 formulações diferentes de

Leia mais

Previsão da inflação do indicador IGP-M através de um modelo ARIMA

Previsão da inflação do indicador IGP-M através de um modelo ARIMA Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores

Leia mais

1 Matrizes Ortogonais

1 Matrizes Ortogonais Álgebra Linear I - Aula 19-2005.1 Roteiro 1 Matrizes Ortogonais 1.1 Bases ortogonais Lembre que uma base β é ortogonal se está formada por vetores ortogonais entre si: para todo par de vetores distintos

Leia mais

Thiago Christiano Silva

Thiago Christiano Silva Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização

Leia mais

Tipos de gráficos disponíveis

Tipos de gráficos disponíveis Página 1 de 18 Excel > Gráficos > Criando gráficos Tipos de gráficos disponíveis Mostrar tudo O Microsoft Excel dá suporte a vários tipos de gráficos para ajudar a exibir dados de maneiras que sejam significativas

Leia mais

Gabarito P2. Álgebra Linear I ) Decida se cada afirmação a seguir é verdadeira ou falsa.

Gabarito P2. Álgebra Linear I ) Decida se cada afirmação a seguir é verdadeira ou falsa. Gabarito P2 Álgebra Linear I 2008.2 1) Decida se cada afirmação a seguir é verdadeira ou falsa. Se { v 1, v 2 } é um conjunto de vetores linearmente dependente então se verifica v 1 = σ v 2 para algum

Leia mais

Processos Estocásticos

Processos Estocásticos Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade

Leia mais

OPRM a Fase Nível 3 01/09/18 Duração: 4 horas

OPRM a Fase Nível 3 01/09/18 Duração: 4 horas 1. Considere os números de Fibonacci: 1, 1, 2, 3, 5, 8, 13, 21,..., onde cada termo na sequência é a soma dos dois termos anteriores. O ano mais próximo de 2018 que é número de Fibonacci foi o ano de 1597.

Leia mais

Investigação Operacional E-FÓLIO A. Ano lectivo 2015/2016. Proposta de Resolução

Investigação Operacional E-FÓLIO A. Ano lectivo 2015/2016. Proposta de Resolução Investigação Operacional - 07 E-FÓLIO A Ano lectivo 0/0 Proposta de Resolução. Variáveis: Sejam percentagem de M / Kg de mistura percentagem de M / Kg de mistura percentagem de M / Kg de mistura Tomando

Leia mais

5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO

5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO 102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais

Leia mais

JOGOS DE GESTÃO E ESTRATÉGIA VOLTADOS PARA EDUCAÇÃO E APOIADOS EM LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL E

JOGOS DE GESTÃO E ESTRATÉGIA VOLTADOS PARA EDUCAÇÃO E APOIADOS EM LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL E JOGOS DE GESTÃO E ESTRATÉGIA VOLTADOS PARA EDUCAÇÃO E APOIADOS EM LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL Eτ Diego Dias Lopes 1, Alessandro dos Santos 2, Fábio Luís Pereira 3, Marcelo Nogueira 4 Abstract

Leia mais

4 Método Proposto CR AD PA NDVI Descrição geral do modelo

4 Método Proposto CR AD PA NDVI Descrição geral do modelo 34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a

Leia mais

-0LUDQGD/HPRV,67 3UREOHPDV0,&' 1. 0RGHODomR,GHQWLILFDomRH&RQWUROR'LJLWDO 3UREOHPDV -0LUDQGD/HPRV

-0LUDQGD/HPRV,67 3UREOHPDV0,&' 1. 0RGHODomR,GHQWLILFDomRH&RQWUROR'LJLWDO 3UREOHPDV -0LUDQGD/HPRV -0LUDQGD/HPRV,67 3UREOHPDV0,&' 0RGHODomR,GHQWLILFDomRH&RQWUROR'LJLWDO 3UREOHPDV -0LUDQGD/HPRV Sugerem-se também os problemas dos capítulos correspondentes de Astrom e Wittenmark, &RPSXWHU&RQWUROOHG6\VWHPV.

Leia mais

Algoritmos de Aprendizado

Algoritmos de Aprendizado Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron

Leia mais

Fundamentos de Inteligência Artificial [5COP099]

Fundamentos de Inteligência Artificial [5COP099] Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 19 ACO - Ant Colony Optimization 2 de 15 Sumário Problema do Caixeiro

Leia mais

Agrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral

Agrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos

Leia mais

TÓPICOS DE RESOLUÇÃO - Exame de Época de Recurso (Diurno) 2009/2010. Primeira Parte. F (b) F (a) =P (a <X<b) P (a <X<b)=

TÓPICOS DE RESOLUÇÃO - Exame de Época de Recurso (Diurno) 2009/2010. Primeira Parte. F (b) F (a) =P (a <X<b) P (a <X<b)= TÓPICOS DE RESOLUÇÃO - Exame de Época de Recurso (Diurno) 009/010 [,0] 1. Considere as seguintes afirmações: Primeira Parte I. Sendo F a função de distribuição da variável aleatória (v.a.) discreta X,

Leia mais

TESTES DO COEFICIENTE DE FIDEDIGNIDADE ESCOLHIDO PARA SER UTILIZADO NA AVALIAÇÃO QUALITATIVA PARACONSISTENTE

TESTES DO COEFICIENTE DE FIDEDIGNIDADE ESCOLHIDO PARA SER UTILIZADO NA AVALIAÇÃO QUALITATIVA PARACONSISTENTE ! "#$ " %'&)(*&)+,.- /.*&4365879&4/:.+58;.*=?5.@A*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& TESTES DO COEFICIENTE DE FIDEDIGNIDADE ESCOLHIDO PARA SER

Leia mais

Manual de Funcionamento do Programa de Interface

Manual de Funcionamento do Programa de Interface ANEXOS Manual de Funcionamento do Programa de Interface Para a interacção do utilizador com a ferramenta construída foi desenvolvida uma aplicação que tem como função de auxiliar a tomada de decisão. Este

Leia mais

Célula Neural Artificial Paraconsistente utilizada como um Módulo Redutor de Ruídos em Sinais com Amplitudes oscilantes

Célula Neural Artificial Paraconsistente utilizada como um Módulo Redutor de Ruídos em Sinais com Amplitudes oscilantes Unisanta Science and Technology, 017, 6, July Published Online 017 Vol.6 N o 1 http://periodicos.unisanta.br/index.php/sat) UNISANTA Science and Technology ISSN 317-1316 Célula Neural Artificial Paraconsistente

Leia mais

Introdução Paradigmas

Introdução Paradigmas Introdução Paradigmas Recursividade Algoritmos tentativa e erro Divisão e conquista Programação dinâmica Algoritmos gulosos Algoritmos aproximados 1 Introdução O projeto de algoritmos requer abordagens

Leia mais

Métodos Iterativos para a Solução da Equação de Poisson

Métodos Iterativos para a Solução da Equação de Poisson Métodos Iterativos para a Solução da Equação de Poisson Valdirene da Rosa Rocho, Dagoberto Adriano Rizzotto Justo, Programa de Pós-Graduação em Matemática Aplicada, PPGMap, UFRGS, 91509-900, Porto Alegre,

Leia mais

ESTIMADOR DE ESTADO ADAPTATIVO PARACONSISTENTE PARACONSISTENT ADAPTIVE STATE ESTIMATOR. Resumo. Abstract. Introdução

ESTIMADOR DE ESTADO ADAPTATIVO PARACONSISTENTE PARACONSISTENT ADAPTIVE STATE ESTIMATOR. Resumo. Abstract. Introdução ESTIMADOR DE ESTADO ADAPTATIVO PARACONSISTENTE PARACONSISTENT ADAPTIVE STATE ESTIMATOR Arnaldo de Carvalho Jr 1, João Inácio da Silva Filho 2, Mauricio Conceição Mario 2 1 Instituto Federal de Educação,

Leia mais

Método dos gradientes (ou método de máxima descida)

Método dos gradientes (ou método de máxima descida) Método dos gradientes (ou método de máxima descida) Marina Andretta ICMC-USP 14 de setembro de 2010 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 14 de setembro de 2010 1 / 16 Método dos gradientes

Leia mais

Reconhecimento Ótico de Caracteres em Placas Veiculares

Reconhecimento Ótico de Caracteres em Placas Veiculares Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro

Leia mais

Álgebra Linear I - Aula Bases Ortonormais e Matrizes Ortogonais

Álgebra Linear I - Aula Bases Ortonormais e Matrizes Ortogonais Álgebra Linear I - Aula 19 1. Bases Ortonormais e Matrizes Ortogonais. 2. Matrizes ortogonais 2 2. 3. Rotações em R 3. Roteiro 1 Bases Ortonormais e Matrizes Ortogonais 1.1 Bases ortogonais Lembre que

Leia mais

3 Influência da Distribuição do Fluido na Variação da Velocidade Compressional (Vp)

3 Influência da Distribuição do Fluido na Variação da Velocidade Compressional (Vp) 3 Influência da Distribuição do Fluido na Variação da Velocidade Compressional (Vp) 3.1. Introdução Com base nos modelos de saturação homogêneo e heterogêneo (patchy), é realizada uma análise do efeito

Leia mais

4 Visualização por pontos

4 Visualização por pontos 4 Visualização por pontos Uma vez gerados os pontos, estes são renderizados e recebem efeitos de profundidade e iluminação, através da definição da cor, opacidade e tamanho. Além disso, os pontos pertencentes

Leia mais

O efeito interacção em modelos de equações estruturais

O efeito interacção em modelos de equações estruturais O efeito interacção em modelos de equações estruturais Maria de Fátima Salgueiro - ISCTE Business School, Lisboa fatima.salgueiro@iscte.pt XIV Congresso Anual da SPE - Covilhã 2006 XIV CONGRESSO DA SPE

Leia mais

Profª Ana Lúcia Lima Marreiros Maia Profª Fabiana Cristina Bertoni

Profª Ana Lúcia Lima Marreiros Maia Profª Fabiana Cristina Bertoni Profª Ana Lúcia Lima Marreiros Maia Profª Fabiana Cristina Bertoni Motivação e Objetivos Etapas do Desenvolvimento de um Sistema de Recuperação de Informações (SRI): Pré-processamento; Representação; Extração

Leia mais

Pesquisa Operacional

Pesquisa Operacional Faculdade de Engenharia - Campus de Guaratinguetá Pesquisa Operacional Livro: Introdução à Pesquisa Operacional Capítulo 5 Modelo da Designação Fernando Marins fmarins@feg.unesp.br Departamento de Produção

Leia mais

7 Resultados e Discussão

7 Resultados e Discussão 114 7 Resultados e Discussão A fim de avaliar a importância da utilização de imagens polarizadas em medidas de textura, cujo processamento necessita de imagens nos dois modos de captura (campo claro e

Leia mais

Teoria da Decisão. Slide 1. c 2002, 1998 Maria Antónia Carravilla FEUP

Teoria da Decisão. Slide 1. c 2002, 1998 Maria Antónia Carravilla FEUP Teoria da Decisão Slide 1 Transparências de apoio à leccionação de aulas teóricas Versão 2 c 2002, 1998 Teoria da Decisão 1 Decisões A incerteza é muito mais a regra que a excepção, a única coisa que pode

Leia mais

Soluções da Colectânea de Exercícios

Soluções da Colectânea de Exercícios Soluções da Colectânea de Exercícios (Edição de Fevereiro de 2003) Capítulo 1 1.1 d) x = 3.167; s = 0.886 (dados não agrupados) e) mediana = x = 3.25; q 1 = 2.4 ; q 3 = 3.9 1.2 a) x = 2.866 ; x = 3; moda

Leia mais

25/09/2018. Financiamento e viabilidade do projeto. Viabilidade. A análise econômico-financeira

25/09/2018. Financiamento e viabilidade do projeto. Viabilidade. A análise econômico-financeira Financiamento e viabilidade do projeto Viabilidade econômico-financeira do projeto Cálculo de payback VPL Valor presente líquido TIR Taxa interna de retorno Principais indicadores financeiros de um projeto

Leia mais

Roteiro. PCC142 / BCC444 - Mineração de Dados. Cenário

Roteiro. PCC142 / BCC444 - Mineração de Dados. Cenário Roteiro PCC142 / BCC444 - Mineração de Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br www.decom.ufop.br/luiz Introdução Tarefas

Leia mais

Reconhecimento de Faces com PCA e Redes Neurais

Reconhecimento de Faces com PCA e Redes Neurais Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução

Leia mais

Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem

Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem Mauricio Conceição Mário, Luís Fernando P. Ferrara e João Inácio da Silva Filho Mário, M.C. Ferrara, L.F.P.. Da Silva Filho,

Leia mais

RACIOCÍNIO BASEADO EM CASOS APLICADO PARA AUXÍLIO NA SELEÇÃO DE CURSOS DO INSTITUTO FEDERAL CATARINENSE

RACIOCÍNIO BASEADO EM CASOS APLICADO PARA AUXÍLIO NA SELEÇÃO DE CURSOS DO INSTITUTO FEDERAL CATARINENSE RACIOCÍNIO BASEADO EM CASOS APLICADO PARA AUXÍLIO NA SELEÇÃO DE CURSOS DO INSTITUTO FEDERAL CATARINENSE. Autores: Munyque MITTELMANN, Daniel Gomes SOARES. Identificação autores: Acadêmica do IFC-Rio do

Leia mais

3URFHGLPHQWRUHFRPHQGDGRSDUDDYDOLGDomRGRPpWRGRGH5LHWYHOG

3URFHGLPHQWRUHFRPHQGDGRSDUDDYDOLGDomRGRPpWRGRGH5LHWYHOG 129 &21&/86 2(5(&20(1'$d 23$5$1292675$%$/+26 Conclui-se a tese apresentando o resultado da pesquisa realizada no Laboratório de Difração de Raio X e elaborando algumas recomendações para outros trabalhos

Leia mais

LÓGICA FUZZY (difusa ou nebulosa) Adão de Melo Neto

LÓGICA FUZZY (difusa ou nebulosa) Adão de Melo Neto LÓGICA FUZZY (difusa ou nebulosa) Adão de Melo Neto SUMÁRIO INTRODUÇÃO CONCEITO OBJETIVO PRINCÍPIO LÓGICAS: CLÁSSICA x DIFUSA CONJUNTO FUZZY GRAU DE PERTINÊNCIA FUNÇÃO DE PERTINÊNCIA MODIFICADORES TERMINOLOGIA

Leia mais

NHI Lógica Básica (Lógica Clássica de Primeira Ordem)

NHI Lógica Básica (Lógica Clássica de Primeira Ordem) NHI2049-13 (Lógica Clássica de Primeira Ordem) página da disciplina na web: http://professor.ufabc.edu.br/~jair.donadelli/logica O assunto O que é lógica? Disciplina que se ocupa do estudo sistemático

Leia mais

Tópicos em Mineração de Dados

Tópicos em Mineração de Dados Tópicos em Mineração de Dados Descoberta de agrupamentos Método k-médias 1. Introdução A descoberta de agrupamentos é uma tarefa descritiva que procura agrupar dados utilizando a similaridade dos valores

Leia mais

MATEMÁTICA COMENTÁRIO DA PROVA DE MATEMÁTICA

MATEMÁTICA COMENTÁRIO DA PROVA DE MATEMÁTICA COMENTÁRIO DA PROVA DE MATEMÁTICA A prova atingiu vários aspectos positivos, como instrumento de aferição de conhecimento. A abrangência, a criatividade e a originalidade foram mantidas por meio de questões

Leia mais

Geração Automática de Sistemas Nebulosos por Co-Evolução

Geração Automática de Sistemas Nebulosos por Co-Evolução Geração Automática de Sistemas Nebulosos por Co-Evolução Geração Automática de Sistemas Nebulosos por Co-Evolução Anderson Francisco Talon Heloisa de Arruda Camargo Geração Automática de Sistemas Nebulosos

Leia mais

Polinômios Ortogonais no Círculo Unitário com Relação a Certas Medidas Associadas a Coeficientes de Verblunsky Periódicos

Polinômios Ortogonais no Círculo Unitário com Relação a Certas Medidas Associadas a Coeficientes de Verblunsky Periódicos Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Polinômios Ortogonais no Círculo Unitário com Relação a Certas Medidas

Leia mais

IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2

IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2 IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli 1 ; Manassés Ribeiro 2 INTRODUÇÃO As tecnologias assistivas têm a finalidade de auxiliar pessoas com deficiência a alcançar

Leia mais

Universidade Federal do Rio de Janeiro - IM/DCC & NCE

Universidade Federal do Rio de Janeiro - IM/DCC & NCE Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise

Leia mais

PRECISÃO NO CÁLCULO DE ÁREAS PLANAS POR PERFILAMENTO A LASER 2: AVALIAÇÃO DA PRECISÃO PLANIMÉTRICA E ALTIMÉTRICA DE CADA PONTO

PRECISÃO NO CÁLCULO DE ÁREAS PLANAS POR PERFILAMENTO A LASER 2: AVALIAÇÃO DA PRECISÃO PLANIMÉTRICA E ALTIMÉTRICA DE CADA PONTO PRECISÃO NO CÁLCULO DE ÁREAS PLANAS POR PERFILAMENTO A LASER 2: AVALIAÇÃO DA PRECISÃO PLANIMÉTRICA E ALTIMÉTRICA DE CADA PONTO Fabricio Muller 1, Anderson Roberto da Silva 2, Roberto Eugenio Bertol 3,

Leia mais

20 Sidia M. Callegari-Jacques

20 Sidia M. Callegari-Jacques 1 Organização de dados quantitativos Uma contribuição importante da estatística no manejo das informações foi a criação de procedimentos para a organização e o resumo de grandes quantidades de dados. A

Leia mais

METÓDOS DE REGRESSÃO KERNEL

METÓDOS DE REGRESSÃO KERNEL METÓDOS DE REGRESSÃO KERNEL George Cavalcanti de Albuquerque Júnior 1; Getúlio José Amorim do Amaral 2 1 Estudante do Curso de Estatística - CCEN UFPE; E-mail: gcdaj1@de.ufpe.br, 2 Docente/pesquisador

Leia mais

Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais

Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução

Leia mais

Palavras chave: Contêiner. Código Numérico. Lógica Paraconsistente. Lógica Paraconsistente Anotada.

Palavras chave: Contêiner. Código Numérico. Lógica Paraconsistente. Lógica Paraconsistente Anotada. Unisanta Science and Technology, 2016, 16, December Published Online 2016 Vol.5 N o 3 http://periodicos.unisanta.br/index.php/sat) UNISANTA Science and Technology ISSN 2317-1316 Modelo para auxiliar a

Leia mais

4 Determinação da Sub-Rede, Avaliação do Caminho e do Ramo de Transmissão mais Carregado: Novas Ideias

4 Determinação da Sub-Rede, Avaliação do Caminho e do Ramo de Transmissão mais Carregado: Novas Ideias 4 Determinação da Sub-Rede, Avaliação do Caminho e do Ramo de Transmissão mais Carregado: Novas Ideias Uma vez avaliado o carregamento do sistema e detectada uma barra crítica, seja de carga ou geração,

Leia mais

Equação Geral do Segundo Grau em R 2

Equação Geral do Segundo Grau em R 2 8 Equação Geral do Segundo Grau em R Sumário 8.1 Introdução....................... 8. Autovalores e autovetores de uma matriz real 8.3 Rotação dos Eixos Coordenados........... 5 8.4 Formas Quadráticas..................

Leia mais

Título: Como deduzir o IR e CSLL pago em meses anteriores, apurados antes das deduções?

Título: Como deduzir o IR e CSLL pago em meses anteriores, apurados antes das deduções? Título: Como deduzir o IR e CSLL pago em meses anteriores, apurados antes das deduções? Através desta opção, o sistema irá considerar como Pago em meses anteriores, os valores de IR e CSLL calculados antes

Leia mais

Figura 1 Compras do supermercado Fonte: Microsoft Office

Figura 1 Compras do supermercado Fonte: Microsoft Office CONJUNTOS NUMÉRICOS CONTEÚDOS Número naturais Números inteiros Números racionais Números irracionais Números reais AMPLIANDO SEUS CONHECIMENTOS Os números estão presentes nas mais diversas situações do

Leia mais

Aula 10 Produto interno, vetorial e misto -

Aula 10 Produto interno, vetorial e misto - MÓDULO 2 - AULA 10 Aula 10 Produto interno, vetorial e misto - Aplicações II Objetivos Estudar as posições relativas entre retas no espaço. Obter as expressões para calcular distância entre retas. Continuando

Leia mais

Leonardo do Espirito Santo, João Inácio da Silva Filho, Cláudio Luís M. Fernandes

Leonardo do Espirito Santo, João Inácio da Silva Filho, Cláudio Luís M. Fernandes Controle adaptativo utilizando algoritmo da Lógica Paraconsistente aplicado à uma unidade experimental no controle de vazão Leonardo do Espirito Santo, João Inácio da Silva Filho, Cláudio Luís M. Fernandes

Leia mais

MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA

MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA Marlon Luiz Dal Pasquale Junior, UNESPAR/FECILCAM, jr.marlon@hotmail.com Solange Regina dos Santos (OR), UNESPAR/FECILCAM, solaregina@fecilcam.br

Leia mais

Recados. Listas 1 e 2 - disponíveis no site. Procurar Monitoria GAAL 2013/1 UFMG no Facebook. Primeira Prova: sábado, 06 de abril

Recados. Listas 1 e 2 - disponíveis no site. Procurar Monitoria GAAL 2013/1 UFMG no Facebook. Primeira Prova: sábado, 06 de abril Recados Listas 1 e 2 - disponíveis no site Procurar Monitoria GAAL 2013/1 UFMG no Facebook Primeira Prova: sábado, 06 de abril Horário: 10:00-12:00 no ICEx Da aula anterior: Da aula anterior: Teorema:

Leia mais

Resolução de Sistemas de

Resolução de Sistemas de Capítulo 5 Resolução de Sistemas de Equações Não-Lineares 51 Introdução Neste capítulo, apresentaremos o método de Newton para sistemas de equações não-lineares, ie, procuramos um vetor x que satisfaça

Leia mais

Tipos de gráficos disponíveis

Tipos de gráficos disponíveis Tipos de gráficos disponíveis Mostrar tudo O Microsoft Office Excel 2007 oferece suporte para vários tipos de gráficos com a finalidade de ajudar a exibir dados de maneiras que sejam significativas para

Leia mais

MODELOS PROBABILÍSTICOS

MODELOS PROBABILÍSTICOS Disciplina de BIOLOGIA COMPUTACIONAL Mestrado em ENGENHARIA BIOMÉDICA 4º Ano, 1º Semestre 2007/08 MODELOS PROBABILÍSTICOS Relatório 4 Ana Calhau Ângela Pisco Nuno Santos 54605 55748 55746 Palavras-Chave:

Leia mais

5 Análise de Sensibilidade

5 Análise de Sensibilidade MAC-35 - Programação Linear Primeiro semestre de 00 Prof. Marcelo Queiroz http://www.ime.usp.br/~mqz Notas de Aula 5 Análise de Sensibilidade Neste capítulo consideramos o problema de programação linear

Leia mais

Lista de exercícios 7 Independência Linear.

Lista de exercícios 7 Independência Linear. Universidade Federal do Paraná semestre 6. Algebra Linear Olivier Brahic Lista de exercícios 7 Independência Linear. Exercício : Determine se os seguintes vetores são linearmente independentes em R : (

Leia mais

UFRJ - Instituto de Matemática

UFRJ - Instituto de Matemática UFRJ - Instituto de Matemática Programa de Pós-Graduação em Ensino de Matemática www.pg.im.ufrj.br/pemat Mestrado em Ensino de Matemática Seleção 9 Etapa Questão. Determine se as afirmações abaio são verdadeiras

Leia mais

Sistemas de Equações Lineares e Matrizes

Sistemas de Equações Lineares e Matrizes Sistemas de Equações Lineares e Matrizes. Quais das seguintes equações são lineares em x, y, z: (a) 2x + 2y 5z = x + xy z = 2 (c) x + y 2 + z = 2 2. A parábola y = ax 2 + bx + c passa pelos pontos (x,

Leia mais

MAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 2015

MAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 2015 MAT27 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 201 Nesta prova considera-se fixada uma orientação do espaço e um sistema de coordenadas Σ (O, E) em E 3, em que E é uma base

Leia mais

Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo

Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo Sintonia de um sistema PID via Algoritmos Genéticos aplicado ao controle de um manipulador robótico em forma de paralelogramo Filipe Sacchi ICA: Applied Computational Intelligence Department of Electrical

Leia mais