INF 1771 Inteligência Artificial

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "INF 1771 Inteligência Artificial"

Transcrição

1 INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma

2 Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM). Redes Neuras Aprendzado Não Supervsonado Aprendzado Por Reforço

3 Introdução Redes Neuras podem ser consderadas um paradgma dferente de computação. Insprado na arqutetura paralela do cérebro humano. Elementos de processamento smples. Grande grau de nterconexões. Interação adaptatva entre os elementos.

4 Introdução No cérebro, o comportamento ntelgente é uma propredade emergente de um grande número de undades smples (ao contráro do que acontece com regras e algortmos smbólcos). Neurônos lgam e deslgam em alguns mlssegundos, enquanto o hardware atual faz o mesmo em nano segundos. Entretanto, o cérebro realza tarefas cogntvas complexas (vsão, reconhecmento de voz) em décmos de segundo. O cérebro deve estar utlzando um paralelsmo massvo.

5 Introdução O cérebro humano tem sdo extensamente estudado, mas anda não somos capazes de entender completamente o seu funconando. O cérebro é muto complexo, até mesmo o comportamento de um smples neurôno é extremamente complexo.

6 Neurono Estrutura de um Neurono: Corpo celular Dendrtos Axôno Termnas snáptcos

7 Funconamento de um Neurôno Através dos dentrtos, o neurôno recebe snas de outros neurônos a ele conectados por meo das snapses. Os snas são acumulados no corpo do neurôno. Quando a soma dos snas passa de um certo lmar (~ 50mV) um snal é propagado no axôno. As snapses tem um peso que pode ser: exctatóro: ncrementam a soma dos snas. nbdor: decrementam.

8 Introdução Característcas do Cérebro Humano: 0 neurônos. Cada neurôno tem em meda 0 4 conexões. Mlhares de operações por segundo. Neurônos morrem frequentemente e nunca são substtuídos. Reconhecmento de faces em aproxmadamente 0. segundos.

9 Introdução O cérebro humano é bom em: Reconhecer padrões, Assocação, Tolerar ruídos... O computador é bom em: Cálculos, Precsão, Lógca.

10 Introdução Formas mas báscas de aprendzado em Redes Neuras: Perceptron: Algortmo para aprendzagem de redes neuras smples (uma camada) desenvolvdo nos anos 50. Backpropagaton: Algortmo mas complexo para aprendzagem de redes neuras de múltplas camadas desenvolvdo nos anos 80.

11 Aprendzagem de Perceptron Usa-se um conjunto de exemplos de trenamento que dão a saída desejada para uma undade, dado um conjunto de entradas. O objetvo é aprender pesos snáptcos de tal forma que a undade de saída produza a saída correta pra cada exemplo. O algortmo faz atualzações teratvamente até chegar aos pesos corretos.

12 Perceptron Undade de Threshold Lnear X W X 2... W 2 W n n 0 w x f n 0 w x 0 X n otherwse

13 Rede de Perceptrons Valores de Saída Camada de Saída Pesos Ajustaves Camada de Entrada Snas de entrada

14 Aprendzado de Perceptrons Para que um perceptron possa aprender uma função deve-se mudar o valor dos pesos ajustáves por um quantdade proporconal a dferença entre a saída desejada e atual saída do sstema. w w w w ( t o) x Saída desejada: t x x 2... x n o x x 2... x n t t = saída desejada. o = atual saída do perceptron. = Learnng rate.

15 Aprendzado de Perceptrons Regra de aprendzado: w w w w ( t o) x Se a saída do perceptron não estver correta (t!= o): Os pesos w são alterados de forma que a saída do perceptron para os novos pesos seja próxma de t. O algortmo va convergr para a correta classfcação se: O conjunto de trenamento é lnearmente separável. é sufcentemente pequeno.

16 Trenando um Neurono Operador And A B Saída A 0.3 Threshold = 0.2 Learnng Rate = T= B -0. A B Somatóro Saída Erro 0 0 (0*0.3)+(0*-0.) = (0*0.3)+(*-0.) = (*0.3)+(0*-0.) = (*0.3)+(*-0.) = 0.2 0

17 Trenando um Neurono Operador And A B Saída A 0.2 Threshold = 0.2 Learnng Rate = T= B 0.0 A B Somatóro Saída Erro 0 0 (0*0.2)+(0*0.0) = (0*0.2)+(*0.0) = (*0.2)+(0*0.0) = (*0.2)+(*0.0) = 0.2 0

18 Trenando um Neurono Operador And A B Saída A 0. Threshold = 0.2 Learnng Rate = T= B 0. A B Somatóro Saída Erro 0 0 (0*0.)+(0*0.) = (0*0.)+(*0.) = (*0.)+(0*0.) = (*0.)+(*0.) = 0.2 0

19 Lmtações Um únco Perceptron consegue resolver somente funções lnearmente separáves. Em funções não lnearmente separáves o perceptron não consegue gerar um hperplano para separar os dados.

20 Redes Multcamadas Perceptrons expressam somente superfíces de decsão lnear. Entretanto, é possível combnar város perceptrons lneares para gerar superfíces de decsão mas complexas. Dessa forma podemos, por exemplo, gerar uma superfíces de classfcação para o operador XOR.

21 Operador XOR Operador XOR A B Saída X -0.5 h OR - o -0.5 X 2 h 2 AND -.5

22 Redes Multcamadas Camada de Saída Camadas Ocultas Camada de Entrada

23 Redes Multcamadas Adconar uma camada oculta a rede permte que a rede possa gerar uma função de convex hull. Duas camadas ocultas permte a rede gerar um função com dferentes convex hulls.

24 Redes Multcamadas Undades lneares são capazes gerar funções lneares, dessa forma função de uma rede multcamada também será lnear. Entretanto, exstem mutas funções que não podem ser modeladas por funções lneares. Por esse motvo é necessáro utlzar uma outra função de atvação.

25 Redes Multcamadas Funções de atvação mas comuns: Sgmodal: Radal (Gausana): p h e p x w w h f y n ; ; ) ( h n e w w x h f y

26 Redes Multcamadas Undade Sgmod X W X 2... W 2 W n n net 0 w x o ( net ) e h p X n

27 Função Sgmodal f ( net ( t)) ( net ( t) )/ e 0 -

28 Função Sgmodal f ( net ( t)) ( net ( t) )/ e

29 Backpropagaton Aprende os pesos para uma rede multcamadas, dada uma rede com um número fxo de undades e nterconexões. O algortmo backpropagaton emprega a descda do gradente para mnmzar o erro quadrátco entre a saída da rede e os valores alvos para estas saídas.

30 Descda do Gradente A descda do gradente busca determnar um vetor de pesos que mnmza o erro. Começando com um vetor ncal de pesos arbtráro e modfcando o repetdamente em pequenos passos. A cada passo, o vetor de pesos é alterado na dreção que produz a maor queda ao longo da superfíce de erro.

31 Backpropagaton Aprende os pesos para uma rede multcamadas, dada uma rede com um número fxo de undades e nterconexões. O algortmo backpropagaton emprega a descda do gradente para mnmzar o erro quadrátco entre a saída da rede e os valores alvos para estas saídas. Valor de sada da rede Valor da sada buscada Erro (E) = (Valor da sada buscada) (Valor de sada da rede)

32 Backpropagaton

33 Backpropagaton Incalza cada peso w com um pequeno valor randômco. Enquanto condção de parada não for atngda faça { Para cada exemplo de trenamento faça { Entre com os dados do exemplo na rede e calcule a saída da rede (o k ) Para cada undade de saída k faça { k ok ( ok )( tk ok ) } Para cada undade oculta h faça { h oh ( oh ) wh, kk k outputs } Para cada peso w j da rede faça { } } } w, j where w, j w w, j, j x j, j

34 Backpropagaton O backpropagaton não é um algortmo ótmo e não garante sempre a melhor resposta. O algortmo de descda do gradente pode fcar preso em um erro mínmo local. É possível refazer o trenamento varando os valores ncas dos pesos. Backpropagaton é o algortmo de aprendzagem mas comum, porém exstem mutos outros.

Redes Neuronais (Introdução, perceptrões, e MLP)

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

Leia mais

5945851-1 Psicologia Conexionista Antonio Roque Aula 6. A Adaline

5945851-1 Psicologia Conexionista Antonio Roque Aula 6. A Adaline 594585- Pscologa Conexonsta Antono Roque Aula 6 A Adalne Poucos meses aós a ublcação do teorema da convergênca do Percetron or Rosenblatt, os engenheros da Unversdade de Stanford Bernard Wdrow (99 ) e

Leia mais

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

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

Leia mais

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

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

Leia mais

O que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.

O que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade. Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,

Leia mais

AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2.

AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. andrey soares Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC 88040-900 andrey@nf.ufsc.br

Leia mais

2 Máquinas de Vetor Suporte 2.1. Introdução

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

Leia mais

IMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA

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

Leia mais

SISTEMA HÍBRIDO NEURO-FUZZY PARA ANÁLISE DE SEGURANÇA EM TEMPO REAL DE SISTEMAS DE POTÊNCIA

SISTEMA HÍBRIDO NEURO-FUZZY PARA ANÁLISE DE SEGURANÇA EM TEMPO REAL DE SISTEMAS DE POTÊNCIA SISTEMA HÍBRIDO NEURO-FUZZY PARA ANÁLISE DE SEGURANÇA EM TEMPO REAL DE SISTEMAS DE POTÊNCIA EDUARDO DE A. SODRÉ, DEPT Dvsão de Estudos do Sstema de Transmssão, CHESF Rua Delmro Gouvea, 333 Bon, Cep: 50761

Leia mais

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos

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

Leia mais

Universidade Federal do Rio Grande do Norte Centro de Tecnologia Programa de Pós-Graduação em Engenharia Elétrica e de Computação

Universidade Federal do Rio Grande do Norte Centro de Tecnologia Programa de Pós-Graduação em Engenharia Elétrica e de Computação Unversdade Federal do Ro Grande do Norte Centro de Tecnologa Programa de Pós-Graduação em Engenhara Elétrca e de Computação IDENTIFICAÇÃO NÃO LINEAR USANDO UMA REDE FUZZY WAVELET NEURAL NETWORK MODIFICADA

Leia mais

PARÂMETRO DE EXATIDÃO PARA APROXIMACÃO DE FUNCÕES UTILIZANDO MULTILAYER PERCEPTRONS NOS DOMÍNIOS REAL, COMPLEXO E DE CLIFFORD

PARÂMETRO DE EXATIDÃO PARA APROXIMACÃO DE FUNCÕES UTILIZANDO MULTILAYER PERCEPTRONS NOS DOMÍNIOS REAL, COMPLEXO E DE CLIFFORD PARÂMETRO DE EXATIDÃO PARA APROXIMACÃO DE FUNCÕES UTILIZANDO MULTILAYER PERCEPTRONS NOS DOMÍNIOS REAL, COMPLEXO E DE CLIFFORD Thalles S. Torch, Mlton R. Romero e Evandro M. Martns 3 Depto. de Eng. Elétrca,

Leia mais

Boletim de Ciências Geodésicas ISSN: 1413-4853 bcg_editor@ufpr.br Universidade Federal do Paraná Brasil

Boletim de Ciências Geodésicas ISSN: 1413-4853 bcg_editor@ufpr.br Universidade Federal do Paraná Brasil Boletm de Cêncas Geodéscas ISSN: 1413-4853 bcg_edtor@ufpr.br Unversdade Federal do Paraná Brasl ANDREOLA, RAFAELA; HAERTEL, VITOR CLASSIFICAÇÃO DE IMAGENS HIPERESPECTRAIS EMPREGANDO SUPPORT VECTOR MACHINES

Leia mais

RECONFIGURAÇÃO DE SISTEMAS DE DISTRIBUIÇÃO USANDO O ALGORITMO IMUNOLÓGICO ARTIFICIAL CLONALG

RECONFIGURAÇÃO DE SISTEMAS DE DISTRIBUIÇÃO USANDO O ALGORITMO IMUNOLÓGICO ARTIFICIAL CLONALG Anas do XX Congresso Braslero de Automátca Belo Horzonte, MG, 0 a 4 de Setembro de 014 RECONFIGURAÇÃO DE SISTEMAS DE DISTRIBUIÇÃO USANDO O ALGORITMO IMUNOLÓGICO ARTIFICIAL CLONALG SIMONE S. F. SOUZA¹,

Leia mais

A esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva.

A esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva. Dstrbução de Frequênca Tabela prmtva ROL Suponhamos termos feto uma coleta de dados relatvos à estaturas de quarenta alunos, que compõem uma amostra dos alunos de um colégo A, resultando a segunte tabela

Leia mais

AVALIAÇÃO DE CLASSIFICADORES BASEADOS EM APRENDIZADO DE MÁQUINA PARA A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO BIOMA CAATINGA

AVALIAÇÃO DE CLASSIFICADORES BASEADOS EM APRENDIZADO DE MÁQUINA PARA A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO BIOMA CAATINGA AVALIAÇÃO DE CLASSIFICADORES BASEADOS EM APREDIZADO DE MÁQUIA PARA A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA O BIOMA CAATIGA Evaluaton of Classfers Based on Machnes Learnng to Land Use and Cover Classfcaton

Leia mais

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

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

Leia mais

UMA ABORDAGEM IMUNOLÓGICA APLICADA AO PROBLEMA DE ALOCAÇÃO ÓTIMA DE BANCO DE CAPACITORES EM SISTEMAS DE DISTRIBUIÇÃO RADIAL

UMA ABORDAGEM IMUNOLÓGICA APLICADA AO PROBLEMA DE ALOCAÇÃO ÓTIMA DE BANCO DE CAPACITORES EM SISTEMAS DE DISTRIBUIÇÃO RADIAL UMA ABORDAGEM IMUNOLÓGICA APLICADA AO PROBLEMA DE ALOCAÇÃO ÓTIMA DE BANCO DE CAPACITORES EM SISTEMAS DE DISTRIBUIÇÃO RADIAL Rosana Sate Taehara DEX/CEUL/UFMS Av. Ranulpho Marques Leal, 3484 CP 21 Três

Leia mais

Conteúdo 4 - Impulsos elétricos e fenômenos biológicos

Conteúdo 4 - Impulsos elétricos e fenômenos biológicos Conteúdo 4 - Impulsos elétrcos e fenômenos bológcos 4.1 Introdução Os seres vvos, em sua grande maora, são compostos majortaramente por água. A água é uma materal que na presença de certos sas se comporta

Leia mais

ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO REDES NEURAIS ARTIFICIAIS COMO APOIO À TOMADA DE DECISÕES

ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO REDES NEURAIS ARTIFICIAIS COMO APOIO À TOMADA DE DECISÕES ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO REDES NEURAIS ARTIFICIAIS COMO APOIO À TOMADA DE DECISÕES GENIVAL PAVANELLI ANÁLISE DO TEMPO DE DURAÇÃO DE PROCESSOS TRABALHISTAS UTILIZANDO

Leia mais

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

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

Leia mais

SUCESU 2005 Tecnologias Inteligência Artificial O estado da arte em métodos para reconhecimento de padrões: Support Vector Machine

SUCESU 2005 Tecnologias Inteligência Artificial O estado da arte em métodos para reconhecimento de padrões: Support Vector Machine SUCESU 005 ecnologas Intelgênca Artfcal O estado da arte em métodos para reconhecmento de padrões: Support Vector Machne Bernardo enna Resende de Carvalho bpenna@gmal.com Resumo A área de reconhecmento

Leia mais

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

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

Leia mais

UMA ABORDAGEM NEURO-IMUNE PARA A SOLUÇÃO DO PROBLEMA DE MÚLTIPLOS CAIXEIROS VIAJANTES

UMA ABORDAGEM NEURO-IMUNE PARA A SOLUÇÃO DO PROBLEMA DE MÚLTIPLOS CAIXEIROS VIAJANTES UMA ABORDAGEM NEURO-IMUNE PARA A SOLUÇÃO DO PROBLEMA DE MÚLTIPLOS CAIXEIROS VIAANTES THIAGO A. S. MASUTTI, LEANDRO N. DE CASTRO Laboratóro de Sstemas Intelgentes, Programa de Mestrado em Informátca Unversdade

Leia mais

ALGORITMO E PROGRAMAÇÃO

ALGORITMO E PROGRAMAÇÃO ALGORITMO E PROGRAMAÇÃO 1 ALGORITMO É a descrção de um conjunto de ações que, obedecdas, resultam numa sucessão fnta de passos, atngndo um objetvo. 1.1 AÇÃO É um acontecmento que a partr de um estado ncal,

Leia mais

1 Princípios da entropia e da energia

1 Princípios da entropia e da energia 1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção

Leia mais

Redes Neurais Artificiais Aplicadas no Monitoramento da Condição de Ferramentas de Corte Utilizando Algoritmo de Extração das Características SFS

Redes Neurais Artificiais Aplicadas no Monitoramento da Condição de Ferramentas de Corte Utilizando Algoritmo de Extração das Características SFS Proceedngs of the IV Brazlan Conference on Neural Networs - IV Congresso Braslero de Redes Neuras pp. 292-297, July 20-22, 999 - ITA, São José dos Campos - SP - Brazl Redes Neuras Artfcas Aplcadas no Montoramento

Leia mais

PARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.

PARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis. EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve

Leia mais

Capítulo 1 Variáveis Elétricas

Capítulo 1 Variáveis Elétricas Capítulo 1 Varáes Elétrcas 1.1 Vsão geral da engenhara elétrca A engenhara elétrca é uma profssão empolgante e desafadora para qualquer um que tenha nteresse genuíno pela cênca e matemátca aplcada. Engenhara

Leia mais

Medidas de tendência central. Média Aritmética. 4ª aula 2012

Medidas de tendência central. Média Aritmética. 4ª aula 2012 Estatístca 4ª aula 2012 Meddas de tendênca central Ajudam a conhecer a analsar melhor as característcas de dados colhdos. Chamamos de meddas de tendênca central em decorrênca dos dados observados apresentarem

Leia mais

PROJETO DE PONTES USANDO ALGORITMOS DE APRENDIZADO DE MÁQUINAS

PROJETO DE PONTES USANDO ALGORITMOS DE APRENDIZADO DE MÁQUINAS VI CONGREO NACIONAL DE ENGENHARIA MECÂNICA VI NATIONAL CONGRE OF MECHANICAL ENGINEERING 18 a 21 de agosto de 2010 Campna Grande Paraíba - Brasl August 18 21, 2010 Campna Grande Paraíba Brazl PROJETO DE

Leia mais

3.1. Conceitos de força e massa

3.1. Conceitos de força e massa CAPÍTULO 3 Les de Newton 3.1. Concetos de força e massa Uma força representa a acção de um corpo sobre outro,.e. a nteracção físca entre dos corpos. Como grandeza vectoral que é, só fca caracterzada pelo

Leia mais

Clusterização ou Agrupamento de Dados

Clusterização ou Agrupamento de Dados Resumo da Aula Clusterzação ou Agrupamento de Dados Stanley R. M. Olvera Clusterzação ou análse de agrupamentos: Concetos báscos e aplcações. Tpos de dados em clusterzação. Avalando a qualdade de clusters

Leia mais

Sistemas de equações lineares

Sistemas de equações lineares Sstemas - ALGA - / Sstemas de equações lneares Uma equação lnear nas ncógntas ou varáves x ; x ; :::; x n é uma expressão da forma: a x + a x + ::: + a n x n = b onde a ; a ; :::; a n ; b são constantes

Leia mais

S.A. 1. 2002; TIPLER, P. A.; MOSCA, G.

S.A. 1. 2002; TIPLER, P. A.; MOSCA, G. Rotação Nota Alguns sldes, fguras e exercícos pertencem às seguntes referêncas: HALLIDAY, D., RESNICK, R., WALKER, J. Fundamentos da Físca. V 1. 4a.Edção. Ed. Lvro Técnco Centífco S.A. 00; TIPLER, P. A.;

Leia mais

Fast Multiresolution Image Querying

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

Leia mais

Introdução e Organização de Dados Estatísticos

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

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Probabilidade e Estatística. Correlação e Regressão Linear

Probabilidade e Estatística. Correlação e Regressão Linear Probabldade e Estatístca Correlação e Regressão Lnear Varáves Varável: característcas ou tens de nteresse de cada elemento de uma população ou amostra Também chamada parâmetro, posconamento, condção...

Leia mais

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

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

Leia mais

Localização. Perspectiva histórica

Localização. Perspectiva histórica Localzação Decsões de localzação envolvem determnar : Quantas facldades (tas como: fábrcas, portos, depóstos, armazéns, centros de servço) deve a companha possur? De que tamanho e onde devem estar elas

Leia mais

b. As medidas de posição mais importantes são as medidas de tendência central. Dentre elas, destacamos: média aritmética, mediana, moda.

b. As medidas de posição mais importantes são as medidas de tendência central. Dentre elas, destacamos: média aritmética, mediana, moda. Meddas de Posção Introdução a. Dentre os elementos típcos, destacamos aqu as meddas de posção _ estatístcas que representam uma sére de dados orentando-nos quanto à posção da dstrbução em relação ao exo

Leia mais

DETECÇÃO AUTOMÁTICA DE OBJETOS ESTRANHOS NA REGIÃO DAS PERNAS EM IMAGENS DE SCANNER HUMANO UTILIZANDO TEXTURAS E CLASSIFICADORES

DETECÇÃO AUTOMÁTICA DE OBJETOS ESTRANHOS NA REGIÃO DAS PERNAS EM IMAGENS DE SCANNER HUMANO UTILIZANDO TEXTURAS E CLASSIFICADORES DETECÇÃO AUTOMÁTICA DE OBJETOS ESTRANHOS NA REGIÃO DAS PERNAS EM IMAGENS DE SCANNER HUMANO UTILIZANDO TEXTURAS E CLASSIFICADORES THOMAZ. M. ALMEIDA 1, DANIEL F. COLAÇO, TARIQUE. S. CAVALCANTE, VICTOR H.

Leia mais

UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTIPLA PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS

UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTIPLA PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS E REGRESSÃO LINEAR MÚLTILA ARA A REVISÃO DO TEMO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS Alessandra Memar avanell Unversdade Federal do araná UFR rograma de ós-graduação

Leia mais

Reconfiguração de Sistemas de Distribuição Utilizando Otimização por Nuvem de Partículas

Reconfiguração de Sistemas de Distribuição Utilizando Otimização por Nuvem de Partículas IV SIMPÔSIO BRASILEIRO DE SISTEMAS ELÉTRICOS - SBSE 2012 1 Reconfguração de Sstemas de Dstrbução Utlzando Otmzação por Nuvem de Partículas W. Guerra, Juan C. Galvs and M. Vncus Resumo-- Neste trabalho

Leia mais

Associação de resistores em série

Associação de resistores em série Assocação de resstores em sére Fg.... Na Fg.. está representada uma assocação de resstores. Chamemos de I, B, C e D. as correntes que, num mesmo nstante, passam, respectvamente pelos pontos A, B, C e D.

Leia mais

ANÁLISE DE CRÉDITO BANCÁRIO UTILIZANDO O ALGORITMO SEQUENTIAL MINIMAL OPTIMISATION.

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

Leia mais

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

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

Leia mais

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP SISTEMA

Leia mais

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,

Leia mais

NOTA II TABELAS E GRÁFICOS

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

Leia mais

CQ110 : Princípios de FQ

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

Leia mais

Fluxo de Carga Não Iterativo para a Análise de Sistemas de Distribuição de Energia Elétrica Radiais e Malhados

Fluxo de Carga Não Iterativo para a Análise de Sistemas de Distribuição de Energia Elétrica Radiais e Malhados UNVERSDADE ESTADUAL PAULSTA JÚLO MESQUTA FLHO Campus de lha Soltera Dssertação de Mestrado Fluxo de Carga Não teratvo para a Análse de Sstemas de Dstrbução de Energa Elétrca Radas e Malhados Elson Batsta

Leia mais

Prova de Fundamentos de Bancos de Dados 1 a Prova

Prova de Fundamentos de Bancos de Dados 1 a Prova Prova de Fundamentos de Bancos de Dados 1 a Prova Prof. Carlos A. Heuser Abril de 2009 Prova sem consulta duas horas de duração 1. (Peso 2 Deseja-se projetar um banco de dados para o sítio de uma prefeitura.

Leia mais

Referências Bibliográficas

Referências Bibliográficas Referêncas Bblográfcas Agrawal, R., Imelnsk, T and Swam, A.. Database mnmng: A performance perspectve, IEEE Trans. Knowledge Data Eng.,v. 5, Dec. 1993. Atchson, J. & Dunsmore, I. R.. Statstcal Predcton

Leia mais

Filtro de Conteúdo para Sistemas SMS Baseado em Classificador Bayesiano e Agrupamento por Palavras

Filtro de Conteúdo para Sistemas SMS Baseado em Classificador Bayesiano e Agrupamento por Palavras XV Workshop de Gerênca e Operação de Redes e Servços 131 Fltro de Conteúdo para Sstemas SMS Baseado em Classfcador Bayesano e Agrupamento por Drceu Belém 1, Fátma Duarte-Fgueredo 1 1 Pontfíca Unversdade

Leia mais

Software para Furação e Rebitagem de Fuselagem de Aeronaves

Software para Furação e Rebitagem de Fuselagem de Aeronaves Anas do 14 O Encontro de Incação Centífca e Pós-Graduação do ITA XIV ENCITA / 2008 Insttuto Tecnológco de Aeronáutca São José dos Campos SP Brasl Outubro 20 a 23 2008. Software para Furação e Rebtagem

Leia mais

Probabilidade e Estatística. Correlação e Regressão Linear

Probabilidade e Estatística. Correlação e Regressão Linear Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o

Leia mais

Redução do Espaço de Busca de Redes de Distribuição Reconfiguráveis Utilizando Grafos

Redução do Espaço de Busca de Redes de Distribuição Reconfiguráveis Utilizando Grafos Redução do Espaço de Busca de Redes de Dstrbução Reconfguráves Utlzando Grafos Leroy U. Ramos *, Nraldo R. Ferrera *, Fernando A. Morera *, Hulman S. Sanca, e Benemar. A. de Souza *Departamento de Engenharía

Leia mais

INTRODUÇÃO SISTEMAS. O que é sistema? O que é um sistema de controle? O aspecto importante de um sistema é a relação entre as entradas e a saída

INTRODUÇÃO SISTEMAS. O que é sistema? O que é um sistema de controle? O aspecto importante de um sistema é a relação entre as entradas e a saída INTRODUÇÃO O que é sstema? O que é um sstema de controle? SISTEMAS O aspecto mportante de um sstema é a relação entre as entradas e a saída Entrada Usna (a) Saída combustível eletrcdade Sstemas: a) uma

Leia mais

Goal Programming como Ferramenta de Gestão

Goal Programming como Ferramenta de Gestão Resumo Goal Programmng como Ferramenta de Gestão Dmtr Pnhero SANTANNA Fláva Zóbol DALMÁCIO Lucene Laurett RANGEL Valcemro NOSSA O objetvo deste artgo é demonstrar como o gestor pode aplcar a técnca do

Leia mais

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

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

Leia mais

Métodos de Decomposição de Domínios para a Solução Paralela de Sistemas de Equações Lineares

Métodos de Decomposição de Domínios para a Solução Paralela de Sistemas de Equações Lineares Unoeste Unversdade Estadual do Oeste do Paraná CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS Colegado de Informátca Curso de Bacharelado em Informátca Métodos de Decomposção de Domínos para a Solução Paralela

Leia mais

APOSTILA PLANEJAMENTO E CONTROLE DA PRODUÇÃO

APOSTILA PLANEJAMENTO E CONTROLE DA PRODUÇÃO Horas de Capacdade APOSTILA DE PLANEJAMENTO E CONTROLE DA PRODUÇÃO 90 80 70 60 50 40 30 0 10 1 3 4 5 6 Semanas Prof.: Wllam Morán UFPI /Planejamento e Controle da Produção Prof. Wllam Morán UFPI /Planejamento

Leia mais

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

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

Leia mais

Evolução de Curvas em Visão Computacional

Evolução de Curvas em Visão Computacional swp0000 2011/1/15 23:19 page 1 #1 Evolução de Curvas em Vsão Computaconal Ralph Costa Texera Feverero de 2011 swp0000 2011/1/15 23:19 page 2 #2 2 Abstract We are gven a plane curve Q parametrzed by Q (s;

Leia mais

Expressão da Incerteza de Medição para a Grandeza Energia Elétrica

Expressão da Incerteza de Medição para a Grandeza Energia Elétrica 1 a 5 de Agosto de 006 Belo Horzonte - MG Expressão da ncerteza de Medção para a Grandeza Energa Elétrca Eng. Carlos Alberto Montero Letão CEMG Dstrbução S.A caletao@cemg.com.br Eng. Sérgo Antôno dos Santos

Leia mais

CORRENTE ELÉTRICA, RESISTÊNCIA, DDP, 1ª E 2ª LEIS DE OHM

CORRENTE ELÉTRICA, RESISTÊNCIA, DDP, 1ª E 2ª LEIS DE OHM FÍSICA COENTE ELÉTICA, ESISTÊNCIA, DDP, ª E ª LEIS DE OHM. CAGA ELÉTICA (Q) Observa-se, expermentalmente, na natureza da matéra, a exstênca de uma força com propredades semelhantes à força gravtaconal,

Leia mais

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ

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

Leia mais

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

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

Leia mais

14. Correntes Alternadas (baseado no Halliday, 4 a edição)

14. Correntes Alternadas (baseado no Halliday, 4 a edição) 14. orrentes Alternadas (baseado no Hallday, 4 a edção) Por que estudar orrentes Alternadas?.: a maora das casas, comérco, etc., são provdas de fação elétrca que conduz corrente alternada (A ou A em nglês):

Leia mais

ESTUDO COMPARATIVO DE ALGORITMOS PARA RECONHECIMENTO FACIAL

ESTUDO COMPARATIVO DE ALGORITMOS PARA RECONHECIMENTO FACIAL EUDO COMPARAIVO DE AGORIMO PARA RECONHECIMENO FACIA Astract Crstane Knuta, crstane_knuta@yahoo.com.r Denns Molna, dennsmolna00@yahoo.com.r Erc Govan Dorneles, ercgovan@g.com.r Fao meão Grecch, faogrecch@g.com.r

Leia mais

PROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC)

PROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC) PROBLEMS SOBRE PONTOS Dav Máxmo (UFC) e Samuel Fetosa (UFC) Nível vançado Dstrbur pontos num plano ou num espaço é uma tarefa que pode ser realzada de forma muto arbtrára Por sso, problemas sobre pontos

Leia mais

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ

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

Leia mais

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

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

Leia mais

CORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK

CORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK CORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK Welsson de Araújo SILVA PRODERNA/ITEC/UFPA waslva89@hotmal.com Fernando

Leia mais

Física Geral I - F -128. Aula 14 Conservação do Momento Angular; Rolamento. 2º semestre, 2012

Física Geral I - F -128. Aula 14 Conservação do Momento Angular; Rolamento. 2º semestre, 2012 Físca Geral - F -18 Aula 14 Conservação do Momento Angular; Rolamento º semestre, 01 Cnemátca de Rotação Varáves Rotaconas Deslocamento angular: Δθ( t) θ( t+δt) θ( t) z Velocdade angular méda Δ ω θ Δt

Leia mais

COMUNICAÇÃO DIGITAL 1. INTRODUÇÃO PROF. MARCIO EISENCRAFT

COMUNICAÇÃO DIGITAL 1. INTRODUÇÃO PROF. MARCIO EISENCRAFT COMUNICAÇÃO DIGITAL 1. INTRODUÇÃO PROF. MARCIO EISENCRAFT Baseado em http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-450- principles-of-digital-communications-i-fall-2006/video-lectures/lecture-1-introduction/

Leia mais

ELETRICIDADE E MAGNETISMO

ELETRICIDADE E MAGNETISMO PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS DEPARTAMENTO DE MATEMÁTICA E FÍSICA Professor: Renato Mederos ELETRICIDADE E MAGNETISMO NOTA DE AULA III Goâna - 2014 CORRENTE ELÉTRICA Estudamos anterormente

Leia mais

Lógica de Programação. Profas. Simone Campos Camargo e Janete Ferreira Biazotto

Lógica de Programação. Profas. Simone Campos Camargo e Janete Ferreira Biazotto Lógica de Programação Profas. Simone Campos Camargo e Janete Ferreira Biazotto O curso Técnico em Informática É o profissional que desenvolve e opera sistemas, aplicações, interfaces gráficas; monta estruturas

Leia mais

Processamento Digital de Sinais. Conversão A/D e D/A. Prof. Dr. Carlos Alberto Ynoguti

Processamento Digital de Sinais. Conversão A/D e D/A. Prof. Dr. Carlos Alberto Ynoguti Processamento Digital de Sinais Conversão A/D e D/A Prof. Dr. Carlos Alberto Ynoguti Introdução A maioria dos sinais encontrados na natureza é contínua Para processá los digitalmente, devemos: Converter

Leia mais

ARQUITETURA DE COMPUTADORES. Professor: Clayton Rodrigues da Siva

ARQUITETURA DE COMPUTADORES. Professor: Clayton Rodrigues da Siva ARQUITETURA DE COMPUTADORES Professor: Clayton Rodrigues da Siva OBJETIVO DA AULA Objetivo: Conhecer a estrutura da arquitetura da Máquina de Von Neumann. Saber quais as funcionalidades de cada componente

Leia mais

Um protótipo de mercado de ações usando Algoritmos Genéticos

Um protótipo de mercado de ações usando Algoritmos Genéticos > REVISA DE INELIGÊNCIA COMPUACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um protótpo de mercado de ações usando Algortmos Genétcos W. Fretas Departamento de Físca, PUC-Ro Resumo O modelo

Leia mais

Em muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.

Em muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo. .4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo

Leia mais

Distribuição de Massa Molar

Distribuição de Massa Molar Químca de Polímeros Prof a. Dr a. Carla Dalmoln carla.dalmoln@udesc.br Dstrbução de Massa Molar Materas Polmércos Polímero = 1 macromolécula com undades químcas repetdas ou Materal composto por númeras

Leia mais

7- GPS 2-D. GPS Global Positioning System

7- GPS 2-D. GPS Global Positioning System 7- GPS GPS Global Positioning System o GPS é um sistema de navegação baseado numa rede de 24 satélites. Começou oficialmente há cerca de 20 anos, como aplicação militar dos E.U.A. Hoje em dia existe uma

Leia mais

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

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

Leia mais

ALGORITMOS GENÉTICOS COMO FERRAMENTA AUXILIAR NA TOMADA DE DECISÃO EM ATIVIDADES DE GESTÃO AGROINDUSTRIAL

ALGORITMOS GENÉTICOS COMO FERRAMENTA AUXILIAR NA TOMADA DE DECISÃO EM ATIVIDADES DE GESTÃO AGROINDUSTRIAL ALGORITMOS GENÉTICOS COMO FERRAMENTA AUXILIAR NA TOMADA DE DECISÃO EM ATIVIDADES DE GESTÃO AGROINDUSTRIAL Danlo Augusto Hereda VIEIRA 1 Celso Correa de SOUZA 2 José Francsco dos REIS NETO 3 Resumo. As

Leia mais

UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS

UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS ALESSANDRA MEMARI PAVANELLI UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO

Leia mais

Redes de Computadores

Redes de Computadores Nível de rede Inst tituto de Info ormátic ca - UF FRGS Redes de Computadores Nível de rede Aula 6 Aplicação Apresentação Sessão Transporte Rede Enlace Físico Protocolo nível de aplicação Protocolo nível

Leia mais

UFSM-CTISM. Comunicação de Dados Aula-02

UFSM-CTISM. Comunicação de Dados Aula-02 UFSM-CTISM Comunicação de Dados Aula-02 Professor: Andrei Piccinini Legg andrei.legg@gmail.com Santa Maria, 2012 Sistema de Comunicação Digital Fonte de informação Modulador Informatica Canal Destino Demodulador

Leia mais

Curso de especialização em Finanças e Economia Disciplina: Incerteza e Risco Prof: Sabino da Silva Porto Júnior Sabino@ppge.ufrgs.

Curso de especialização em Finanças e Economia Disciplina: Incerteza e Risco Prof: Sabino da Silva Porto Júnior Sabino@ppge.ufrgs. Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br Introdução Até agora: conseqüêncas das escolhas dos consumdores

Leia mais

Problemas Associados a Cones de Segunda Ordem

Problemas Associados a Cones de Segunda Ordem Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,

Leia mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

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

Leia mais

Física. Setor A. Índice-controle de Estudo. Prof.: Aula 25 (pág. 86) AD TM TC. Aula 26 (pág. 86) AD TM TC. Aula 27 (pág.

Física. Setor A. Índice-controle de Estudo. Prof.: Aula 25 (pág. 86) AD TM TC. Aula 26 (pág. 86) AD TM TC. Aula 27 (pág. Físca Setor Prof.: Índce-controle de studo ula 25 (pág. 86) D TM TC ula 26 (pág. 86) D TM TC ula 27 (pág. 87) D TM TC ula 28 (pág. 87) D TM TC ula 29 (pág. 90) D TM TC ula 30 (pág. 90) D TM TC ula 31 (pág.

Leia mais

tipo e tamanho e com os "mesmos" elementos do vetor A, ou seja, B[i] = A[i].

tipo e tamanho e com os mesmos elementos do vetor A, ou seja, B[i] = A[i]. INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA SUL-RIO- GRANDENSE CAMPUS SAPUCAIA DO SUL PROFESSOR: RICARDO LUIS DOS SANTOS EXERCÍCIO DE REVISÃO E FIXAÇÃO DE CONTEÚDO - ARRAYS 1. Criar um vetor A

Leia mais

Probabilidade: Diagramas de Árvore

Probabilidade: Diagramas de Árvore Probabldade: Dagramas de Árvore Ana Mara Lma de Faras Departamento de Estatístca (GET/UFF) Introdução Nesse texto apresentaremos, de forma resumda, concetos e propredades báscas sobre probabldade condconal

Leia mais

PPSS. Análise de Comportamentos para Função 27.05.2014. Este relatório é fornecido por:

PPSS. Análise de Comportamentos para Função 27.05.2014. Este relatório é fornecido por: PP Análse de omportamentos para Função Análse de omportamentos para Função Função: ontabldade argo: Gerente de contabldade epartamento: Operações Empresa: orporação TUV Referênca: Paula da lva.0.0 Este

Leia mais

Introdução à Análise de Dados nas medidas de grandezas físicas

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

Leia mais