6.2 Análise da Viabilidade do Lançamento de um Produto 27
|
|
- Jessica Minho de Caminha
- 7 Há anos
- Visualizações:
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
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 maisCapítulo 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 maisCapítulo 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 mais6.4 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 maisNos 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 maisCapítulo 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 maisProposta 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 maisUm 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 maisAplicação 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 maisA 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 maisCapítulo 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 maisTreinamento 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 maisMétodos 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 maisProposta 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 maisUM 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 maisUSANDO 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 maisROLDEN 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 maisModelagem 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 mais5 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 maisUM 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 maisCONSTRUÇÃO 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 mais5 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 maisDISTRIBUIÇÃO 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 mais6.6 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 maisSimulação 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 maisOrientação 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 maisGibbs 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 maisFÁBIO 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 maisProposta 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 maisXIX 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 mais4. 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 maisPrevisão 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 mais1 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 maisThiago 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 maisTipos 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 maisGabarito 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 maisProcessos 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 maisOPRM 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 maisInvestigação 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 mais5 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 maisJOGOS 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 mais4 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,&' 0RGHODomR,GHQWLILFDomRH&RQWUROR'LJLWDO 3UREOHPDV -0LUDQGD/HPRV Sugerem-se também os problemas dos capítulos correspondentes de Astrom e Wittenmark, &RPSXWHU&RQWUROOHG6\VWHPV.
Leia maisAlgoritmos 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 maisFundamentos 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 maisAgrupamento 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 maisTÓPICOS 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 maisTESTES 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 maisManual 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 maisCélula 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 maisIntrodução 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 maisMétodos 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 maisESTIMADOR 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 maisMétodo 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 maisReconhecimento 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 maisÁlgebra 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 mais3 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 mais4 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 maisO 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 maisProfª 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 maisPesquisa 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 mais7 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 maisTeoria 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 maisSoluções 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 mais25/09/2018. 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 maisRoteiro. 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 maisReconhecimento 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 maisTreinamento 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 maisRACIOCÍNIO 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 mais3URFHGLPHQWRUHFRPHQGDGRSDUDDYDOLGDomRGRPpWRGRGH5LHWYHOG
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 maisLÓGICA 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 maisNHI 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 maisTópicos 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 maisMATEMÁTICA 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 maisGeração 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 maisPolinômios 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 maisIDENTIFICAÇÃO 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 maisUniversidade 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 maisPRECISÃO 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 mais20 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 maisMETÓDOS 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 maisClassificação 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 maisPalavras 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 mais4 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 maisEquação 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 maisTítulo: 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 maisFigura 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 maisAula 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 maisLeonardo 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 maisMÉTODOS 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 maisRecados. 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 maisResolução 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 maisTipos 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 maisMODELOS 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 mais5 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 maisLista 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 maisUFRJ - 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 maisSistemas 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 maisMAT2457 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 maisSintonia 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