Aprendizagem de Máquina

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Aprendizagem de Máquina"

Transcrição

1 Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos mas próxmos) Exemplos Resumo Racocíno Baseado em Casos (CBR) Mestrado em Informátca Aplcada Pontfíca Unversdade Católca do Paraná (PUCPR) Mestrado em Informátca Aplcada Aprendzagem de Máquna 2 Introdução Introdução O problema central de aprendzagem é nduzr funções geras a partr de exemplos de trenamento específcos. Mutos métodos de aprendzagem constroem uma descrção geral e explcta da função alvo a partr de exemplos de trenamento. Exemplo: Aprendendo a jogar damas. Os métodos de aprendzagem baseados em nstâncas smplesmente armazenam os exemplos de trenamento. A generalzação é feta somente quando uma nova nstânca deve ser classfcada. Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 4

2 Introdução: Aprendzagem Introdução: Classfcação D (exemplos de trenamento) H (conjunto de hpóteses) trenamento Árvore de Decsão Árvore h h 2 h 4 Hpóteses P(h ), P(D h ) P(h 2 ), P(D h 2 ) P(h 3 ), P(D h 3 ) Bayes x (exemplo de teste) h h 2 h 4 Hpóteses P(h ), P(D h ) P(h 2 ), P(D h 2 ) P(h 3 ), P(D h 3 ) Bayes Valor do Conceto Alvo Mestrado em Informátca Aplcada Aprendzagem de Máquna 5 Mestrado em Informátca Aplcada Aprendzagem de Máquna 6 Introdução Introdução Comparação (dstânca) D (exemplos de trenamento) Métodos de aprendzagem baseados em nstâncas assumem que as nstâncas podem ser representadas como pontos em um espaço Eucldano. x (exemplo de teste) Valor do Conceto Alvo (exemplo de trenamento mas próxmo Mestrado em Informátca Aplcada Aprendzagem de Máquna 7 Mestrado em Informátca Aplcada Aprendzagem de Máquna 8

3 Espaço Eucldano Espaço Eucldano x 2 Vetores de Característcas ou Atrbutos x x 2 2-dmensonal? Vetores de Característcas ou Atrbutos x x 2 x 3 x 4 4-dmensonal x 2 x... x x x 2 x 3 3-dmensonal? x x 2 x 3 x 4... x n n-dmensonal x 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 9 Mestrado em Informátca Aplcada Aprendzagem de Máquna 0 Espaço de Hpóteses Introdução Vetores de Característcas ou Atrbutos sunny hgh sunny hgh strong sunny hgh strong cool 2-dmensonal 3-dmensonal 4-dmensonal Os métodos de aprendzagem baseados em nstâncas são métodos não paramétrcos. Métodos não paramétrcos: podem ser usados com dstrbuções arbtráras e sem a suposção de que a forma das densdades são conhecdas. Mestrado em Informátca Aplcada Aprendzagem de Máquna Mestrado em Informátca Aplcada Aprendzagem de Máquna 2

4 Aprendzagem Baseada em Instâncas Aprendzagem Baseada em Instâncas A aprendzagem consste somente em armazenar os exemplos de trenamento <x,c >, <x 2,c 2 >... <x n,c n >. vetor de atrbutos ou característcas valor do conceto alvo ou classe Após a aprendzagem, para encontrar o valor do conceto alvo assocado a uma nstânca de testes <x t,? >, um conjunto de nstâncas smlares são buscadas na memóra e utlzadas para classfcar a nova nstânca. Exemplos de Trenamento <atrbutos,conceto alvo> <x,c > <x 2,c 2 > <x 3,c 3 >... <x n,c n > Quão smlar são x e x t? d t = dstânca Eucldana Quão smlar são x 2 e x t? d 2t = dstânca Eucldana Quão smlar são x 3 e x t? d 3t = dstânca Eucldana Quão smlar são x n e x t? d nt = dstânca Eucldana Exemplo a Classfcar <atrbutos,????? > <x t,?> d t d 2t d 3t... d nt Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 4 Aprendzagem Baseada em Instâncas Aprendzagem Baseada em Instâncas No fnal teremos um conjunto de dstâncas (medda de smlardade) entre a nstânca de teste x t e todos os exemplos de trenamento x, x 2,..., x n Qual valor de conceto alvo (classe) atrbuímos ao exemplo x t? O conceto alvo assocado ao exemplo de trenamento mas smlar!! Isto é, pegamos o exemplo de trenamento cuja dstânca seja a menor e verfcamos o valor do conceto alvo assocado a este exemplo. Suponha que a dstânca d 9t seja a menor entre as n dstâncas avaladas, logo, o exemplo mas próxmo do exemplo de teste x t é < x 9, c 9 >. Assm, atrbuímos a x t o conceto alvo c 9!!! Mestrado em Informátca Aplcada Aprendzagem de Máquna 5 Mestrado em Informátca Aplcada Aprendzagem de Máquna 6

5 Aprendzagem Baseada em Instâncas Aprendzagem k NN Observações mportantes: Constroem uma aproxmações para a função alvo para cada nstânca de teste dferente. Constroe uma aproxmação local da função alvo. Podem utlzar representações mas complexas e smbólcas para as nstâncas Uma desvantagem é o alto custo para classfcação. Toda a computação ocorre no momento da classfcação!!! Aumenta com a quantdade de exemplo de trenamento. k-nn = k Nearest Neghbor = k Vznhos mas Próxmos O algortmo k NN é o método de aprendzagem baseado em nstâncas mas elementar. O algortmo k NN assume que todas as nstâncas correspondem a pontos em um espaço n dmensonal. R n Os vznhos mas próxmos de uma nstânca são defndos em termos da dstânca Eucldana. Mestrado em Informátca Aplcada Aprendzagem de Máquna 7 Mestrado em Informátca Aplcada Aprendzagem de Máquna 8 Regra k NN Aprendzagem k NN A regra dos vznhos mas próxmos: Meta: Classfcar x t atrbundo a ele o rótulo representado mas freqüentemente dentre as k amostras mas próxmas e utlzando um esquema de votação. Vamos consderar uma nstânca arbtrára x que é descrta pelo vetor de característcas (vetor de atrbutos ou feature vector): <a (x), a 2 (x),..., a n (x)> onde a r (x) representa o valor do r ésmo atrbuto da nstânca x. Mestrado em Informátca Aplcada Aprendzagem de Máquna 9 Mestrado em Informátca Aplcada Aprendzagem de Máquna 20

6 Aprendzagem k NN Dstânca Eucldana Então a dstânca entre duas nstâncas x e x j é defnda como d(x, x j ), onde: Exemplo: Calcule a dstânca entre o vetor de teste x t = [0.68, 0.60] e os exemplos de trenamento: d( x, x ) j n ( ar ( x ) ar ( x j )) r= 2 Exemplos de Trenamento x = [0.50, 0.30] Conceto Alvo ω Dstânca Eucldana d(x, x t ) = x 2 =[0.70, 0.65] ω 2 d(x 2, x t ) = Decsão: o rótulo (classe, valor do conceto alvo) atrbuído a x t é Mestrado em Informátca Aplcada Aprendzagem de Máquna 2 Mestrado em Informátca Aplcada Aprendzagem de Máquna 22 Algortmo k NN Aprendzagem k NN Algortmo de trenamento Para cada exemplo de trenamento <x, f(x)>, adcone o exemplo à lsta tranng_examples Algortmo de classfcação Dada uma nstânca x t a ser classfcada, Faça x,...,x k representar as k nstâncas de tranng_examples que estão mas próxmas de x t Retorne v V f ( x ) arg max δ t = ( v, f ( x )) onde δ(a,b)= se a=b e δ(a,b)=0 caso contráro. k Mestrado em Informátca Aplcada Aprendzagem de Máquna 23 Mestrado em Informátca Aplcada Aprendzagem de Máquna 24

7 Regra k NN Algortmo k NN Mestrado em Informátca Aplcada Aprendzagem de Máquna 25 Mestrado em Informátca Aplcada Aprendzagem de Máquna 26 Algortmo k NN Algortmo k NN Mestrado em Informátca Aplcada Aprendzagem de Máquna 27 Mestrado em Informátca Aplcada Aprendzagem de Máquna 28

8 Algortmo k NN Algortmo k NN Mestrado em Informátca Aplcada Aprendzagem de Máquna 29 Mestrado em Informátca Aplcada Aprendzagem de Máquna 30 Exemplo k NN Aprendzagem k NN k=3 (valor ímpar) e x t =(0.0, 0.25) Protótpos (0.5, 0.35) (0.0, 0.28) (0.09, 0.30) (0.2, 0.20) Rótulos Os vetores mas próxmos a x t, com suas etquetas, são: {(0.0, 0.28, ω 2 ); (0.2, 0.20, ω 2 ); (0.5, 0.35, ω )} ω ω 2 ω 5 ω 2 Uma votação atrbu o rótulo ω 2 a x t pos ω 2 é a classe representada com mas freqüênca. Supondo: n exemplos de trenamento rotulados; d dmensões; buscamos o exemplo mas próxmo de um ponto de teste x t (k=). A efcênca do algortmo k NN = O (dn 2 ): nspecona cada exemplo armazenado, um após o outro; calcula a dstânca Eucldana até x t [O (d)]; Retém a dentdade somente do mas próxmo; Mestrado em Informátca Aplcada Aprendzagem de Máquna 3 Mestrado em Informátca Aplcada Aprendzagem de Máquna 32

9 Aprendzagem k NN k NN com Dstânca Ponderada Exstem técncas para reduzr a computação do algortmo k NN: dstânca parcal; pré estruturação; edção dos protótpos armazenados; Consultar pgs 85 e 86, R. O. Duda, P. E. Hart e D. G. Stork, Pattern Classfcaton, Wley Interscence, 200. Refnamento do k NN: Ponderar a contrbução de cada um dos k vznhos de acordo com suas dstâncas até o ponto x t que queremos classfcar, dando maor peso aos vznhos mas próxmos. Exemplo: No algortmo anteror, podemos ponderar o voto de cada vznho, de acordo com o quadrado do nverso de sua dstânca de x t. Mestrado em Informátca Aplcada Aprendzagem de Máquna 33 Mestrado em Informátca Aplcada Aprendzagem de Máquna 34 k NN com Dstânca Ponderada k NN com Dstânca Ponderada Isso pode ser feto pela substtução da lnha fnal do algortmo por: onde f ˆ ( x ) arg max t v V v V t f ( x ) arg max δ t = k = w δ w d( x, x ) k ( v, f ( x )) 2 ( v, f ( x )) Porém, se x t = x, o denomnador d(x t,x ) 2 torna se zero. Neste caso fazemos f(x t ) = f(x ). f ˆ ( x ) arg max t v V k = w d( x, x t w δ ) 2 ( v, f ( x )) Mestrado em Informátca Aplcada Aprendzagem de Máquna 35 Mestrado em Informátca Aplcada Aprendzagem de Máquna 36

10 k NN com Dstânca Ponderada Regra k NN Todas as varações do algortmo k NN consderam somente os k vznhos mas próxmos para classfcar o ponto desconhecdo. Uma vez ncluída a ponderação pela dstânca, não há problemas em consderar todos os exemplos de trenamento: Exemplos muto dstantes terão pouco efeto em f(x ^ t ). Desvantagem: mas lento A regra dos vznhos mas próxmos leva a uma taxa de erro maor do que a mínma taxa de erro possível: a taxa de Bayes Se o número de protótpos for grande (lmtado), a taxa de erro do classfcador k NN não será nunca por do que o dobro da taxa de Bayes (pode ser demonstrado!) Mestrado em Informátca Aplcada Aprendzagem de Máquna 37 Mestrado em Informátca Aplcada Aprendzagem de Máquna 38 Resumo Resumo Métodos de aprendzagem baseados em nstâncas não necesstam formar uma hpótese explícta da função alvo sobre o espaço das nstâncas. Eles formam uma aproxmação local da função alvo para cada nova nstânca a classfcar. O k NN é um algortmo baseado em nstâncas para aproxmar funções alvo de valor real ou de valor dscreto, assumndo que as nstâncas correspondem a pontos em um espaço d dmensonal. O valor da função alvo para um novo ponto é estmada a partr dos valores conhecdos dos k exemplos de trenamento mas próxmos. Mestrado em Informátca Aplcada Aprendzagem de Máquna 39 Mestrado em Informátca Aplcada Aprendzagem de Máquna 40

11 Resumo Racocíno Baseado em Casos Vantagens: habldade para modelar funções alvo complexas por uma coleção de aproxmações locas menos complexas. A nformação presente nos exemplos de trenamento nunca é perdda. Dfculdades: Tempo? Determnação de uma métrca. Propredades chaves dos métodos baseados em nstâncas: Métodos de aprendzagem preguçosos, pos, somente generalzam quando uma nova nstânca tver que ser classfcada. Classfcam nova nstâncas analsando nstâncas smlares e gnorando nstâncas bem dferentes Representam nstâncas como pontos de valor real em um espaço Eucldano n dmensonal. Mestrado em Informátca Aplcada Aprendzagem de Máquna 4 Mestrado em Informátca Aplcada Aprendzagem de Máquna 42 Racocíno Baseado em Casos Racocíno Baseado em Casos Racocíno baseado em casos é um método de aprendzagem baseado nos dos prmeros prncípos. As nstâncas são representadas por descrtores smbólcos mas rcos. Os métodos utlzados para recuperar as nstâncas mas smlares são mas elaborados que o k NN. RBC ou CBR (Case-Based Reasonng). Exemplo: Sstema CADET Utlza RBC para auxlar no desgn concetual de dspostvos mecâncos smples como torneras. Utlza uma bbloteca com 75 desgnes prévos e fragmentos de desgnes para sugerr desgnes concetuas que cumpram as especfcações dos novos problemas de desgn. Cada nstânca armazenada na memóra é representada pela sua estrutura e função qualtatva. Mestrado em Informátca Aplcada Aprendzagem de Máquna 43 Mestrado em Informátca Aplcada Aprendzagem de Máquna 44

12 Racocíno Baseado em Casos Racocíno Baseado em Casos Exemplo: Sstema CADET Exemplo: Sstema CADET Novos problemas de desgn correspondem a: Apresentar a especfcação da função desejada Obter a estrutura correspondente Mestrado em Informátca Aplcada Aprendzagem de Máquna 45 Mestrado em Informátca Aplcada Aprendzagem de Máquna 46 Racocíno Baseado em Casos Racocíno Baseado em Casos A parte nferor da fgura mostra um novo problema de desgn descrto pela função desejada. Q c : fluxo de água fra Q h : fluxo de água quente Q m : fluxo de água msturado T c : temperatura da água fra T h : temperatura da água quente T m : temperatura da água msturada C t : controle de temperatura C f : controle de fluxo Dado a especfcação funconal para o novo problema de desgn, o sstema busca em sua bbloteca por casos arquvados cuja descrção funconal concda com o problema de desgn. Se for encontrado um caso exato este é retornado Se NÃO for encontrado um caso exato o sstema retorna casos que concdam parcalmente com partes do problema de desgn. Mestrado em Informátca Aplcada Aprendzagem de Máquna 47 Mestrado em Informátca Aplcada Aprendzagem de Máquna 48

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

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

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados

Leia mais

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

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

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

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

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

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

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

MAPEAMENTO DA VARIABILIDADE ESPACIAL

MAPEAMENTO DA VARIABILIDADE ESPACIAL IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal

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

IV - Descrição e Apresentação dos Dados. Prof. Herondino

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

Leia mais

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

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

Regressão e Correlação Linear

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

Leia mais

INTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS

INTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3

Leia mais

PROJECTO DO LAYOUT DE INSTALAÇÕES INDUSTRIAIS

PROJECTO DO LAYOUT DE INSTALAÇÕES INDUSTRIAIS 2 PROJECTO DO LAYOUT DE INSTALAÇÕES INDUSTRIAIS Determnar a sequênca de operações de fabrco, quas e quantos recursos estão dsponíves para cada tpo de operação, como fluem os materas e as pessoas, qual

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

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

Universidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S

Universidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Unversdade Federal da Baha Insttuto de Físca Departamento de Físca da Terra e do Meo Ambente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Físca I SALVADOR, BAHIA 013 1 Prefáco Esta apostla é destnada

Leia mais

7. Resolução Numérica de Equações Diferenciais Ordinárias

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

Leia mais

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

Estatística stica Descritiva

Estatística stica Descritiva AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas

Leia mais

LQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05

LQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05 LQA - LEFQ - EQ -Químca Analítca Complemantos Teórcos 04-05 CONCEITO DE ERRO ALGARISMOS SIGNIFICATIVOS Embora uma análse detalhada do erro em Químca Analítca esteja fora do âmbto desta cadera, sendo abordada

Leia mais

Determinantes. De nição de determinante de uma matriz quadrada. Determinantes - ALGA - 2004/05 15

Determinantes. De nição de determinante de uma matriz quadrada. Determinantes - ALGA - 2004/05 15 Determnantes - ALGA - 004/05 15 Permutações Determnantes Seja n N Uma permutação p = (p 1 ; p ; : : : ; p n ) do conjunto f1; ; ; ng é um arranjo dos n números em alguma ordem, sem repetções ou omssões

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

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

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

Aplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade

Aplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade Aplcações de Estmadores Bayesanos Empírcos para Análse Espacal de Taxas de Mortaldade Alexandre E. dos Santos, Alexandre L. Rodrgues, Danlo L. Lopes Departamento de Estatístca Unversdade Federal de Mnas

Leia mais

Análise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas

Análise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas Análse de Projectos ESAPL / IPVC Taxas Equvalentes Rendas Taxas Equvalentes Duas taxas e, referentes a períodos dferentes, dzem-se equvalentes se, aplcadas a um mesmo captal, produzrem durante o mesmo

Leia mais

SOM Hierárquico Aplicado à Compressão de Imagens

SOM Hierárquico Aplicado à Compressão de Imagens Proceedngs of the V Brazlan Conference on Neural Networks - V Congresso Braslero de Redes Neuras pp. 511 516, Aprl 2 5, 2001 - Ro de Janero - RJ - Brazl SOM Herárquco Aplcado à Compressão de Imagens José

Leia mais

Informação. Nota: Tradução feita por Cláudio Afonso Kock e Sérgio Pinheiro de Oliveira.

Informação. Nota: Tradução feita por Cláudio Afonso Kock e Sérgio Pinheiro de Oliveira. Informação Esta publcação é uma tradução do Gua de Calbração EURAMET Gua para a Estmatva da Incerteza em Medções de Dureza (EURAMET/cg-16/v.01, July 007). Os dretos autoras do documento orgnal pertencem

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

ANÁLISE EXPLORATÓRIA DE DADOS

ANÁLISE EXPLORATÓRIA DE DADOS CENTRO DE CIÊNCIAS EXATAS CCE DEPARTAMENTO DE ESTATÍSTICA Curso de Especalzação Lato Sensu em Estatístca ANÁLISE EXPLORATÓRIA DE DADOS Professor: Dr. Waldr Medr medr@uel.br Londrna/Pr Março de 011 ÍNDICE

Leia mais

Redes Neuronais (Introdução, perceptrões, e MLP)

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

Leia mais

Covariância e Correlação Linear

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

Leia mais

Cálculo do Conceito ENADE

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

Leia mais

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

2 ANÁLISE ESPACIAL DE EVENTOS

2 ANÁLISE ESPACIAL DE EVENTOS ANÁLISE ESPACIAL DE EVENTOS Glberto Câmara Marla Sá Carvalho.1 INTRODUÇÃO Neste capítulo serão estudados os fenômenos expressos através de ocorrêncas dentfcadas como pontos localzados no espaço, denomnados

Leia mais

Aline Fernanda Bianco

Aline Fernanda Bianco Alne Fernanda Banco Fltros de Kalman Robustos para Sstemas Dnâmcos Sngulares em Tempo Dscreto Tese apresentada à Escola de Engenhara de São Carlos da Unversdade de São Paulo, como parte dos requstos para

Leia mais

Faculdade de Ciências e Tecnologia. Programa de Pós-Graduação em Ciências Cartográficas JAQUELINE VICENTE

Faculdade de Ciências e Tecnologia. Programa de Pós-Graduação em Ciências Cartográficas JAQUELINE VICENTE unesp UNIVERSIDADE ESTADUAL PAULISTA Faculdade de Cêncas e Tecnologa Programa de Pós-Graduação em Cêncas Cartográfcas JAQUELINE VICENTE ESTUDO COMPARATIVO DE MÉTODOS GEOESTATÍSTICOS APLICADOS EM AGRICULTURA

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

Modelo de distribuição de recursos para o transporte escolar rural a partir dos princípios da igualdade e da equidade

Modelo de distribuição de recursos para o transporte escolar rural a partir dos princípios da igualdade e da equidade Modelo de dstrbução de recursos para o transporte escolar rural a partr dos prncípos da gualdade e da equdade Alan Rcardo da Slva 1 ; Yaeko Yamashta 2 Resumo: O transporte escolar rural consttu um mportante

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

CAPÍTULO 7 - ESTIMAÇÃO DE PARÂMETROS

CAPÍTULO 7 - ESTIMAÇÃO DE PARÂMETROS CAPÍTULO 7 - ESTIMAÇÃO DE PARÂMETROS Nos capítulos anterores analsaram-se város modelos usados na avalação de manancas, tendo-se defndo os respectvos parâmetros. Nas correspondentes fchas de exercícos

Leia mais

2. BACIA HIDROGRÁFICA

2. BACIA HIDROGRÁFICA . BACIA HIDROGRÁFICA.1. GENERALIDADES Embora a quantdade de água exstente no planeta seja constante e o cclo em nível global possa ser consderado fechado, os balanços hídrcos quase sempre se aplcam a undades

Leia mais

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 22 a 25 Novembro de 2009 Recfe - PE GRUPO XIII GRUPO DE ESTUDO DE TRANSFORMADORES, REATORES, MATERIAIS E TECNOLOGIAS

Leia mais

1. Introdução 2. Misturas Gaussianas

1. Introdução 2. Misturas Gaussianas Ajuste de Msturas Gaussanas utlzando Algortmo de Maxmzação da Esperança e Crtéro de Comprmento de Descrção Mínmo para Modelagem de Tráfego VoIP Chela Mendes de Olvera Escola de Engenhara Elétrca e de Computação

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

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR Assuntos: Produtos Notáveis; Equações; Inequações; Função; Função Afim; Paridade;

Leia mais

SOLUÇÕES DA EQUAÇÃO DA CONDUÇÃO DO CALOR BIDIMENSIONAL COM CONDUTIVIDADE TÉRMICA DEPENDENTE DA TEMPERATURA E GERAÇÃO DE CALOR

SOLUÇÕES DA EQUAÇÃO DA CONDUÇÃO DO CALOR BIDIMENSIONAL COM CONDUTIVIDADE TÉRMICA DEPENDENTE DA TEMPERATURA E GERAÇÃO DE CALOR SOLUÇÕES DA EQUAÇÃO DA CONDUÇÃO DO CALOR BIDIMENSIONAL COM CONDUTIVIDADE TÉRMICA DEENDENTE DA TEMERATURA E GERAÇÃO DE CALOR E. T. CABRAL,. A. ONTES, H. K. MIYAGAWA, E. N. MACÊDO 3 e J. N. N. QUARESMA 3

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

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

MODELO DE FILA HIPERCUBO COM MÚLTIPLO DESPACHO E BACKUP PARCIAL PARA ANÁLISE DE SISTEMAS DE ATENDIMENTO MÉDICO EMERGENCIAIS EM RODOVIAS versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-5142 MODELO DE FILA HIPERCUBO COM MÚLTIPLO DESPACHO E BACKUP PARCIAL PARA ANÁLISE DE SISTEMAS DE ATENDIMENTO MÉDICO EMERGENCIAIS EM RODOVIAS Ana Paula

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

CLUSTERING SEARCH APLICADO AO PROBLEMA DE ALOCAÇÃO DE BERÇOS

CLUSTERING SEARCH APLICADO AO PROBLEMA DE ALOCAÇÃO DE BERÇOS CLUSTERING SEARCH APLICADO AO PROBLEMA DE ALOCAÇÃO DE BERÇOS Rudne Martns de Olvera Insttuto Naconal de Pesqusas Espacas - INPE rudmart@gmal.com Geraldo Regs Maur Unversdade Federal do Espírto Santo -

Leia mais

Elaboração: Novembro/2005

Elaboração: Novembro/2005 Elaboração: Novembro/2005 Últma atualzação: 18/07/2011 Apresentação E ste Caderno de Fórmulas tem por objetvo nformar aos usuáros a metodologa e os crtéros de precsão dos cálculos referentes às Cédulas

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

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

Termodinâmica e Termoquímica

Termodinâmica e Termoquímica Termodnâmca e Termoquímca Introdução A cênca que trata da energa e suas transformações é conhecda como termodnâmca. A termodnâmca fo a mola mestra para a revolução ndustral, portanto o estudo e compreensão

Leia mais

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

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

Leia mais

Visualização Científica no Contexto de Métodos Meshfree: Aprimoramento de Algoritmos Clássicos

Visualização Científica no Contexto de Métodos Meshfree: Aprimoramento de Algoritmos Clássicos Vsualzação Centífca no Contexto de Métodos Meshfree: Aprmoramento de Algortmos Clásscos Gleber N. Marques 1, André F. Perera 1,, Dárley D. de Almeda 1, e Gsele F. Franco 1 1 Laboratóro de Modelagem, Smulação

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

MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE

MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE R. L. S. CANEVESI 1, C. L. DIEL 2, K. A. SANTOS 1, C. E. BORBA 1, F. PALÚ 1, E. A. DA SILVA 1 1 Unversdade Estadual

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

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

REGRESSÃO LOGÍSTICA APLICADA NA ANÁLISE ESPACIAL DE DADOS ARQUEOLÓGICOS

REGRESSÃO LOGÍSTICA APLICADA NA ANÁLISE ESPACIAL DE DADOS ARQUEOLÓGICOS ÍTALO TSUCHIYA REGRESSÃO LOGÍSTICA APLICADA NA ANÁLISE ESPACIAL DE DADOS ARQUEOLÓGICOS Dssertação apresentada ao Curso de Pós Graduação em Cêncas Cartográfcas para a obtenção do Título de Mestre em Cêncas

Leia mais

Laboratório sobre o Modelo de Computador de Programa Armazenado e Programação em Linguagem de Montagem

Laboratório sobre o Modelo de Computador de Programa Armazenado e Programação em Linguagem de Montagem Laboratóro sobre o Modelo de Computador de Programa Armazenado e Programação em Lnguagem de Montagem 1 Laboratóro sobre o Modelo de Computador de Programa Armazenado e Programação em Lnguagem de Montagem

Leia mais

Organização da Aula. Gestão de Obras Públicas. Aula 2. Projeto de Gestão de Obras Públicas Municipais. Contextualização

Organização da Aula. Gestão de Obras Públicas. Aula 2. Projeto de Gestão de Obras Públicas Municipais. Contextualização Gestão de Obras Públcas Aula 2 Profa. Elsamara Godoy Montalvão Organzação da Aula Tópcos que serão abordados na aula Admnstração e Gestão Muncpal Problemas Admnstração e Gestão Muncpal Gestão do Conhecmento

Leia mais

ESTATÍSTICAS E INDICADORES DE COMÉRCIO EXTERNO

ESTATÍSTICAS E INDICADORES DE COMÉRCIO EXTERNO ESTATÍSTICAS E INDICADORES DE COÉRCIO ETERNO Nota préva: O texto que se segue tem por únco obectvo servr de apoo às aulas das dscplnas de Economa Internaconal na Faculdade de Economa da Unversdade do Porto.

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

Camila Spinassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS

Camila Spinassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS Camla Spnassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS Vtóra Agosto de 2013 Camla Spnassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS

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

são os coeficientes desconhecidos e o termo ε (erro)

são os coeficientes desconhecidos e o termo ε (erro) Regressão Lnear Neste capítulo apresentamos um conjunto de técncas estatístcas, denomnadas análse de regressão lnear, onde se procura estabelecer a relação entre uma varável resposta e um conjunto de varáves

Leia mais

MoViSys Um Sistema de Visualização para Dispositivos Móveis

MoViSys Um Sistema de Visualização para Dispositivos Móveis MoVSys Um Sstema de Vsualzação para Dspostvos Móves Ana F. Vaz, Paulo P. de Matos, Ana Paula Afonso, Mara Beatrz Carmo Departamento de Informátca, Faculdade de Cêncas, Unversdade de Lsboa Campo Grande,

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

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução Controle de qualdade de produto cartográfco aplcado a magem de alta resolução Nathála de Alcântara Rodrgues Alves¹ Mara Emanuella Frmno Barbosa¹ Sydney de Olvera Das¹ ¹ Insttuto Federal de Educação Cênca

Leia mais

01. Em porcentagem das emissões totais de gases do efeito estufa, o Brasil é o quarto maior poluidor, conforme a tabela abaixo:

01. Em porcentagem das emissões totais de gases do efeito estufa, o Brasil é o quarto maior poluidor, conforme a tabela abaixo: PROCESSO SELETIVO 7 RESOLUÇÃO MATEMÁTICA Rosane Soares Morera Vana, Luz Cláudo Perera, Lucy Tem Takahash, Olímpo Hrosh Myagak QUESTÕES OBJETIVAS Em porcentagem das emssões totas de gases do efeto estufa,

Leia mais

Manual dos Indicadores de Qualidade 2011

Manual dos Indicadores de Qualidade 2011 Manual dos Indcadores de Qualdade 2011 1 Dretora de Avalação da Educação Superor Clauda Maffn Grbosk Coordenação Geral de Controle de Qualdade da Educação Superor Stela Mara Meneghel Equpe Técnca: José

Leia mais

UMA ABORDAGEM DE CLASSIFICAÇÃO COM APRENDIZADO ATIVO PARA AVALI-

UMA ABORDAGEM DE CLASSIFICAÇÃO COM APRENDIZADO ATIVO PARA AVALI- Anas do IX Congresso Braslero de Redes Neuras /Intelgênca Computaconal (IX CBRN) Ouro Preto 25-28 de Outubro Socedade Braslera de Redes Neuras UMA ABORDAGEM DE CLASSIFICAÇÃO COM APRENDIZADO ATIVO PARA

Leia mais

2 CONSIDERAÇÕES TEÓRICAS

2 CONSIDERAÇÕES TEÓRICAS 20 2 CONSIDERAÇÕES TEÓRICAS 2.1. Defnção de gás Um gás é defndo como um fludo cujas condções de temperatura e pressão são superores às do ponto crítco, não podendo haver duas fases presentes em um processo,

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

Princípios do Cálculo de Incertezas O Método GUM

Princípios do Cálculo de Incertezas O Método GUM Prncípos do Cálculo de Incertezas O Método GUM João Alves e Sousa Laboratóro Regonal de Engenhara Cvl - LREC Rua Agostnho Perera de Olvera, 9000-64 Funchal, Portugal. E-mal: jasousa@lrec.pt Resumo Em anos

Leia mais

Projeto Multicritério de Sistemas de Distribuição de Energia Elétrica sob Contextos Incertos Utilizando Algoritmos de Busca Local

Projeto Multicritério de Sistemas de Distribuição de Energia Elétrica sob Contextos Incertos Utilizando Algoritmos de Busca Local 1 Unversdade Federal de Mnas Geras Programa de Pós-Graduação em Engenhara Elétrca Centro de Pesqusa e Desenvolvmento em Engenhara Elétrca Projeto Multcrtéro de Sstemas de Dstrbução de Energa Elétrca sob

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

UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA. Francisco das Chagas de Souza

UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA. Francisco das Chagas de Souza UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Francsco das Chagas de Souza ALGORITMOS ADAPTATIVOS LMS NORMALIZADOS PROPORCIONAIS: PROPOSTA DE UM NOVO ALGORITMO

Leia mais

FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES

FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES Edmlson Rodrgues Pnto Leandro Alves Perera Faculdade de Matemátca Faculdade de Matemátca Unversdade Federal de Uberlânda

Leia mais

Eletromagnetismo Indutores e Indutância

Eletromagnetismo Indutores e Indutância Eletromagnetsmo Indutores e Indutânca Eletromagnetsmo» Indutores e Indutânca Introdução Indutores são elementos muto útes, pos com eles podemos armazenar energa de natureza magnétca em um crcuto elétrco.

Leia mais

Universidade Federal de Juiz de Fora Programa de Pós Graduação em Engenharia Elétrica Mestrado em Engenharia Elétrica. Flávia Rodrigues do Nascimento

Universidade Federal de Juiz de Fora Programa de Pós Graduação em Engenharia Elétrica Mestrado em Engenharia Elétrica. Flávia Rodrigues do Nascimento Unversdade Federal de Juz de Fora Programa de Pós Graduação em Engenhara Elétrca Mestrado em Engenhara Elétrca Fláva Rodrgues do Nascmento PROGRAMAÇÃO DIÁRIA DA OPERAÇÃO DE SISTEMAS TERMOELÉTRICOS DE GERAÇÃO

Leia mais

F-328 Física Geral III

F-328 Física Geral III F-328 Físca Geral III Aula exploratóra- 06 UNICAMP IFGW username@f.uncamp.br F328 2 o Semestre de 2013 1 Corrente elétrca e resstênca Defnção de corrente: Δq = dq = t+δt Undade de corrente: 1 Ampère =

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

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

Otimização da localização das bases de ambulâncias e do dimensionamento das suas regiões de cobertura em rodovias.

Otimização da localização das bases de ambulâncias e do dimensionamento das suas regiões de cobertura em rodovias. Otmzação da localzação das bases de ambulâncas e do dmensonamento das suas regões de cobertura em rodovas. Ana Paula Iannon Renaldo Morabto Departamento de Engenhara de Produção Unversdade Federal de São

Leia mais

Avaliação da Recuperação em Sistemas de RBC Estrutural e Textual: Uma Aplicação no Domínio de Help Desk

Avaliação da Recuperação em Sistemas de RBC Estrutural e Textual: Uma Aplicação no Domínio de Help Desk Avalação da Recuperação em Sstemas de RBC Estrutural e Textual: Uma Aplcação no Domíno de Help Desk Fábo Pessôa de Sá, Marta Costa Rosatell, Eduardo Raul Hruschka Programa de Mestrado em Informátca Unversdade

Leia mais

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

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

Leia mais

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

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

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

Leia mais

! Superlntenrlencia Reg.onaJ do Ma:toGro$So. Qualificação e Reinserção Profissional dos Resgatados do Trabalho Escravo elou em AÇÃO INTEGRADA

! Superlntenrlencia Reg.onaJ do Ma:toGro$So. Qualificação e Reinserção Profissional dos Resgatados do Trabalho Escravo elou em AÇÃO INTEGRADA ",, 1," ;,,," 1, C?5lMnstérO Públco do "':'1"') Trabalho PRT 23,! Superlntenrlenca RegonaJ do Ma:toGro$So!! (', ' \_ \ '1 j t t' 1 PROJETO: Qualfcação e Renserção Profssonal dos Resgatados do Trabalho

Leia mais

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas

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