DETERMINAÇÃO DA FRONTEIRA DE EFICIÊNCIA ATRAVÉS DA ESTRATÉGIA DE PARETO: APLICAÇÃO EM CARTEIRAS DE PROJETOS DE PETRÓLEO E GÁS
|
|
- Igor Farinha Bastos
- 6 Há anos
- Visualizações:
Transcrição
1 DETERMINAÇÃO DA FRONTEIRA DE EFICIÊNCIA ATRAVÉS DA ESTRATÉGIA DE PARETO: APLICAÇÃO EM CARTEIRAS DE PROJETOS DE PETRÓLEO E GÁS Fabrício Broseghini Barcelos Departamento de Engenharia Industrial, PUC-RIO, Rua Marques de São Vicente 225, Rio de Janeiro fbb@rdc.puc-rio.br Marco Aurélio Pacheco Departamento de Engenharia Elétrica, PUC-RIO, Rua Marques de São Vicente 225, Rio de Janeiro. marco@ele.puc-rio.br Silvio Hamacher Departamento de Engenharia Industrial, PUC-RIO, Rua Marques de São Vicente 225, Rio de Janeiro. hamacher@rdc.puc-rio.br Resumo O desenvolvimento de campos de petróleo demandam vultosos investimentos. Assim sendo, métodos para administração de carteiras de campos (portfólios) e técnicas de otimização são cada vez mais importantes na industria de petróleo e gás. O objetivo deste artigo é investigar o desempenho de Algoritmos Genéticos na determinação da Fronteira de Eficiência, a fim de selecionar um conjunto de portfólios de produção de petróleo e gás. O algoritmo proposto foi testado em carteiras com 25 projetos e os resultados obtidos mostram que o Algoritmo Genético proposto é capaz de alcançar os objetivos do problema de seleção de portfólios. Palavras-chave: Algoritmos Genéticos, Markowitz, Fronteira de Eficiência, Estratégia de Pareto, Seleção de Carteiras de Projetos; Petróleo e Gás. Abstract Due to large investments to explore oil and gas fields, methods to manage and to optimize the portfolios of these fields are becoming more important in the oil industry. This article investigates the performance of Genetic Algorithms in the determination of the Efficient Frontier in order to select a set of oil and gas exploitation portfolios. The proposed algorithm has been tested in portfolios with 25 projects and the results showed the usefulness of the genetic algorithms in this problem. Keywords: Genetic Algorithm, Markowitz, Efficient Frontier, Pareto Strategy, Portfolio Selection, Oil and Gas. 1. INTRODUÇÃO Companhias de petróleo ou agência reguladoras estão constantemente enfrentando situações em que devem decidir onde o capital deve ser aplicado. Grandes projetos de desenvolvimento de campos de petróleo demandam vultosos investimentos. Assim sendo, a otimização dos projetos tem um grande impacto econômico na Petrobras e no setor petróleo/upstream de uma maneira geral. Esse impacto deve-se a possíveis reduções nos investimentos, aumentos na receita, diminuição do custo operacional, etc. Uma melhoria de 1% em qualquer um desses itens já significaria um ganho financeiro muito elevado. Devido ao grande número de novas oportunidades e novos projetos, o tomador de decisão muitas vezes se vê frente a uma difícil tarefa. Algoritmos de otimização podem simplificar este processo de planejamento. Uma classe destes algoritmos que tem alcançado bons resultados é a de Algoritmos Genéticos. Este algoritmo é basicamente uma máquina de busca guiada aleatoriamente. É indicado
2 para problemas robustos e complexos capazes de gerar boas soluções explorando características alternativas dos portfólios, incluindo medidas de risco e desempenho. Tradicionalmente, para avaliar cada alternativa de investimento num campo de petróleo, procura-se a alternativa com maior Valor Presente Líquido (VPL), sendo a melhor alternativa, aquela de maior VPL. A equação do VPL nesse caso pode ser descrita como: VPL = qpb D (1) onde q é qualidade econômica da reserva, P é o preço do petróleo, B é o tamanho estimado da reserva e D é o investimento para desenvolvimento. Esta fórmula é aplicável quando todos seus termos são conhecidos (valores determinísticos). Todavia, todos estes parâmetros apresentam incertezas associadas, o que torna o problema de difícil solução. Métodos históricos de alocação de capital avaliam os projetos isoladamente. Dessa forma, estes investimentos irão maximizar somente o valor individual de projetos. A fim de balancear o risco e a sinergia entre estes projetos, as decisões de investimentos devem ser feitas de forma coletiva. Rank and Cut é um destes métodos tradicionais para resolver tal tipo de problema. Ordena-se os projetos em ordem decrescente de valor (VPL) e inicia-se o método do topo para baixo até que encontre uma restrição financeira (geralmente um limite de gastos de capital). Infelizmente este método é raramente adequado, pois uma empresa geralmente irá medir seu desempenho sobre mais de um aspecto e vai ter tantas restrições quanto necessitar. Em outras palavras, uma vez adicionado um segundo objetivo, o método se torna inviável. O método é ilustrado abaixo com um exemplo extremamente simples. Projeto VPL (M$) Capital (M$) BOE (Mbbl) A B C Suponha que estamos interessados em maximizar o VPL, que não podemos gastar mais do que M$ 20 e que tenhamos que produzir pelo menos 60 Mbbl. Seguindo a metodologia Rank and Cut, adiciona-se o projeto A e depois o B até completar os 20 M$ disponíveis em capital. Porém, fica evidente que esta solução não atende a restrição de produção BOE. A solução obvia seria a selecionar os projetos A e C. O presente artigo aborda a questão da obtenção de carteiras com maior Valor Presente Liquido (VPL) sob incerteza. Seu objetivo principal é analisar e desenvolver algoritmos genéticos para determinar um conjunto de carteiras (portfólios) eficientes, compostos por uma seleção de projetos de produção de petróleo. O artigo organiza-se da seguinte forma: No item 2, apresenta-se a teoria sobre seleção de portfolios. No item 3, faz-se um breve esclarecimento da importância de se formar portfólios. No item 4, é descrito o problema a ser tratado. No item 5, propõe-se uma possível solução para o problema. Esta solução associa algoritmos genéticos a um método de otimização multi-critério, denominado Estratégia de Pareto. No item 6, apresenta-se a síntese dos resultados do testes realizados e conclusões. 2. SELEÇÃO DE PORTFÓLIOS
3 Nem sempre está claro o que significa ser um portfólio ótimo para uma empresa. Uma grande quantidade de elementos que compõe o portfólio deve ser considerada: Qual portfólio proporciona o maior retorno (VPL)? Ele é viável? Atende as metas de produção? Satisfaz as restrições de desenvolvimento? Estas considerações, dentre outras, tornam não-trivial a determinação do que é um portfólio ótimo. Levam a uma série de outras indagações relacionadas ao tratamento que se dispensará ao risco: Qual a definição de valor? O custo do projeto é realmente conhecido? Pode-se determinar quanto o projeto irá produzir? Valor é independente ao risco? O que é risco? (McVean, 2000). A última pergunta é a mais difícil de ser respondida, pois requer julgamento pessoal. Algumas pessoas vêem risco e incerteza como sinônimos. Outras vêem somente o limite inferior da incerteza como risco. Outras ainda medem risco em termos de probabilidade, como por exemplo, a probabilidade de perder dinheiro. Reconhecer esta ambigüidade é importante para entender como a definição de risco pode afetar na seleção de portfólios. A moderna teoria de carteiras surgiu quando Harry Markowitz publicou seu primeiro trabalho na década de 50, o artigo Portfolio Selection (Markowitz, 1952). Esta teoria apresenta 3 importantes idéias: Um investidor racional irá preferir maior retorno e menor risco possível; Um portfólio poderá ter um valor maior ou menor do que a soma das partes, dependendo de como os projetos interagem entre si; Existe mais do que um portfólio ótimo, pois é possível ter um retorno maior aceitando maior risco. Sua grande inovação consistiu em relacionar o retorno, dado pelo retorno esperado, e o risco, medido pelo desvio padrão de cada carteira de títulos, considerando o infinito número de combinações possíveis de títulos que poderiam compor uma carteira e, a partir daí, traçar a curva do conjunto das combinações eficientes de carteiras (Fronteira de Eficiência). Um portfólio é dito na Fronteira de Eficiência ou dominante se: Para um dado retorno (VPL), não existe nenhum outro portfólio com menor risco; ou Para um dado risco, não existe outro portfólio com maior retorno. A análise de portfólios através da fronteira de eficiência considera o equilíbrio entre risco e retorno, ou seja, carteiras de alto risco devem apresentar também elevado retorno para serem viáveis. A Figura 1 ilustra a Fronteira de Eficiência e relaciona uma medida de retorno com uma medida de risco. Figura 1: Portfólios Eficientes e Dominantes.
4 Na Figura 1, podemos observar 6 portfólios, A,B,C,D,E e F. Comparando os portfólios D e F, pode se observar que o portfólio D é dominante sobre F, pois para o mesmo valor de retorno, o portfólio D tem menor risco do que F. Similarmente, o portfólio B é dominante sobre o E, pois para um mesmo risco B possui maior retorno. Não há dominância entre as carteiras A, B, C e D. Estas carteiras formam a Fronteira Eficiente, ou seja, não existe nenhum portfólio que tenha ao mesmo tempo maior retorno e menor risco do que aqueles portfólios presentes na Fronteira Eficiente. 3. POR QUE FORMAR PORTFÓLIOS? Neste item procura-se fazer um breve esclarecimento da importância de se formar portfólios, não tratando os projetos de desenvolvimento de campos de petróleo de maneira individual. Fazendo uma analogia como o mercado financeiro, temos: Mercado Financeiro Ações Carteira composta por ações individuais Indústria de Petróleo e Gás Projetos Portfólio composto por projetos de desenvolvimento de campos de petróleo Por que tanto no mercado financeiro quanto na indústria de petróleo e gás devemos agrupar os componentes? A resposta é porque a variabilidade do conjunto não reflete a variabilidade média de seus componentes. Em outras palavras, mesmo uma pequena diversificação pode permitir uma redução substancial da variabilidade. A diversificação funciona porque diferentes componentes não variam exatamente da mesma forma. Num dado instante de tempo, o declínio do retorno de um projeto é compensado pelo aumento do outro. Isso significa que os investidores sensatos não põem todos os seus ovos no mesmo cesto: reduzem o risco através da diversificação. Dessa forma, o valor de um pacote diversificado deverá ser maior do que a soma das partes. O risco do portfólio deverá ser menor do que o somatório do risco dos projetos pertencentes a esta carteira. Para ilustrar a importância da diversificação, considere o exemplo abaixo apresentado por (Merritt, 2000). Projeto Investimento U$ 1,000 VPL - U$ 1,000 POS Retorno - U$ 1,000 A % B % Onde: POS = Probabilidade de sucesso; Retorno = VPL * POS Investimento * (1 POS); Definindo o risco dos projetos como sendo a probabilidade falha (1 - POS), vemos que o projeto A é melhor do que o projeto B, pois para o mesmo retorno apresenta menor risco. Porém, se consideramos um investimento de 50% em A e 50% em B, temos: Possibilidades A B POS Retorno - U$ 1,000 Retorno Total U$ 1,000 1 Sucesso Sucesso 0, Sucesso Falha 0, Falha Sucesso 0, Falha Falha 0, Total
5 Onde: POS = POS A * POS B; Retorno = [50% * (0 ou 1) * VPL A] + [50% * (0 ou 1) * VPL B] (0 = Falha; 1 = Sucesso) [50% INVESTIMENTO A + 50% INVESTIMENTO B] (no caso de falha) Retorno Total = POS AB * Retorno AB Observando o quadro acima, vemos que o Retorno Total deste investimento diversificado é ainda Entretanto, o risco é agora menor. No quarto caso, a probabilidade dos dois projetos falhar é 52%, e mesmo assim, é menor que a probabilidade de A falhar = 60%. Conseqüentemente, a diversificação manteve o retorno, enquanto reduziu o risco. Por outro lado, diferentemente das carteiras de ações, os projetos de petróleo e gás não podem ser efetuados mais de uma vez, ou seja, a decisão a ser tomada é investir somente uma vez num projeto ou não investir nele. Isto significa que o espaço de soluções dos portfólios factíveis para uma companhia de petróleo é uma coleção de pontos discretos. Deve ser observado que não existe nenhum critério definitivo para avaliar o risco. Um portfólio eficiente mediante uma definição de risco não precisa necessariamente ser eficiente em outra definição. 4 DESCRIÇÃO DO PROBLEMA Devido a questões de confidencialidade dos dados da companhia estudada, o problema aqui descrito é baseado em valores teóricos ao invés de dados reais. Neste problema procura-se formar portfólios de projetos de petróleo e gás, onde cada portfólio pode ser formado por até n projetos. O número de portfólios que podem ser gerados a partir de n projetos é (2 n 1) portfólios. Assim sendo, para o caso de 25 projetos temos: (2 25 1) = diferentes combinações de portfólios O problema consiste em selecionar uma população deste total, segundo o critério de dominância, a fim de gerar a fronteira de eficiência. Em outras palavras, deseja-se mostrar ao tomador de decisão um conjunto de portfólios, para que ele possa decidir de acordo com o seu perfil, qual o melhor portfólio para um dado risco. É relevante observar que não estamos preocupados em gerar uma solução ótima, pois isto tornaria o problema subjetivo, dado que dependemos de julgamento pessoal de diferentes investidores que estão dispostos a aceitar diferentes riscos. Pode-se ainda definir algumas restrições ao problema, tais como, dispêndio máximo de capital e quantidade mínima de petróleo produzido (BOE). Neste caso, deseja-se projetos que possuam ao mesmo tempo maior média e menor variância. A Figura 2 ilustra a Fronteira de Eficiência Média VPL x Variância VPL.
6 Figura 2: Fronteira de Eficiência Média x Variância 5. DESCRIÇÃO DA SOLUÇÃO Problemas de otimização complexa/combinatorial que precisam considerar uma série de restrições são problemas típicos para aplicação de Algoritmos Genéticos (AG). Uma carteira de projetos (portfólio) deve ser selecionada dentro de uma infinidade de combinações de possíveis portfólios que podem ser formados. Alguns autores como Fichter (2000) e McVean (2000) propõem algoritmos genéticos para a solução deste tipo de problema. Os trabalhos de Fonseca e Fleming (1995) e Horn (1997) mostram a possibilidade de associar modelos de otimização multi-critério aos algoritmos genéticos. O presente artigo propõe o desenvolvimento de um Algoritmo Genético para solucionar o problema da seleção de portfólios associado a um método multi-critério. Para fins de simplificação do problema, foi considerado neste trabalho que para cada carteira, o retorno é dado pela média, e o risco, medido pela variância do VPL. Dessa forma, tanto a média quanto a variância da carteira são calculados somando-se as respectivas médias e variâncias de cada projeto pertencente a esta carteira. 5.1 Estrutura do Cromossomo: Utiliza-se um cromossomo binário para representar cada portfólio. Cada posição (gene) do cromossomo corresponde ao número de um projeto. Se o valor do gene for igual a 1, então o projeto pertence à carteira. Caso contrário, se o valor do gene for igual a zero, então o projeto não pertence à carteira. A Figura 3 mostra que para este determinado cromossomo (portfólio), serão selecionados os projetos 2,3,6,7,..., 24. A escolha da representação binária deve-se ao fato de não se saber a priori quantos projetos compõem uma carteira Figura 3: Representação do Cromossomo
7 5.2 Algoritmo a seguir: 1. Obter o valor da média e variância do VPL de cada projeto; 2. Representar os portfólios geneticamente; 3. Calcular o valor da média e variância do VPL de cada portfólio; 4. Avaliar os portfólios; 5. Ordenar os portfólios de modo que nas primeiras k posições estejam os portfólios dominantes e a seguir os dominados; 6. Selecionar os pais dando prioridade para os indivíduos dominantes, ou seja, selecionar com probabilidade p de ser do conjunto dominantes e probabilidade (1-p) de ser do conjunto de dominados; 7. Evoluir geneticamente criando novos filhos através de crossover e mutação; 8. Voltar para 3; 9. Repetir até atingir o critério de parada (n.º gerações = MAXGENS). 5.3 Função de Avaliação: O GA neste problema têm como objetivo: Maximizar a Média do VPL da Carteira. Minimizar a Variância do VPL da Carteira. O critério de avaliação a ser seguido pelo GA, segue a Estratégia de Pareto, onde para um dado portfólio (i) num problema de minimização, temos: Avaliação : ( i)( Vi Ui) ( i)( Vi < Ui) Onde, Vi e Ui são os respectivos critérios do problema, neste caso, média e variância. Note que a avaliação não é dada de forma quantitativamente, e sim, qualitativamente, onde pelo menos um dos dois conjuntos criados (dominantes ou dominados) explica toda a população de portfólios. Assim sendo, o algoritmo faz a seguinte pergunta: é dominado? Se sim, então o portfólio (i) pertence ao conjunto de dominados. Caso contrario, então portfólio (i) pertence ao conjunto de dominantes. 6. SÍNTESE DOS RESULTADOS E CONCLUSÕES Foram feitos testes com dados de 25 projetos e população de 5000 indivíduos para 0 e 22 gerações. A Figura 4 refere-se a população inicial aleatoriamente criada pelo algoritmo, ou seja 5000 indivíduos antes da evolução (geração 0). Observa-se graficamente a avaliação dos portfólios segundo os critérios de media e variância. Deseja-se obter indivíduos com maior média possível e menor variância, ou seja, aqueles que se encontram na parte inferior da nuvem de pontos. A figura 5 mostra que dos 5000 indivíduos inicialmente criados, 199 são dominantes. A figura 6 refere-se ao resultado obtido após 22 gerações. É relevante observar que para este tamanho de população, não é necessário um número maior de evoluções, pois todos os indivíduos encontrados pelo algoritmo já pertencem ao conjunto de dominantes. Em outras palavras, a convergência do algoritmo foi encontrada na 22. a geração. Os resultados mostraram também uma convergência rápida, com tempo de execução inferior a 20 segundos (Pentium III). Na Tabela abaixo são apresentados os parâmetros do Algoritmo Genético proposto.
8 Tamanho da População 5000 Número de Gerações 22 Taxa de Crossover 65% Taxa de Mutação 0,8% Parâmetros do AG Geracao Pontos Iniciais Variancia Media Figura Indivíduos Iniciais na geração 0
9 Geracao Individuos Dominantes Variancia Media Figura 5 Indivíduos Dominantes na geração 0 Geracao Individuos Dominantes Variancia Media Figura 6 Evolução do algoritmo Indivíduos Dominantes na geração 22
10 6. CONCLUSÕES Neste artigo foram utilizados algoritmos genéticos como uma forma de representação e avaliação de seleção de carteiras de campos de produção de petróleo e gás sob incerteza. Além disso, foi usado o Estratégia de Pareto para a avaliação dos critérios de otimização. Avaliações de projetos feitos de forma isolada irão maximizar somente o valor individual de cada projeto. A fim de balancear o risco e a sinergia entre estes projetos, as decisões de investimentos devem ser feitas de forma coletiva. A diversificação pode reduzir o risco sem diminuir o retorno. A definição de risco pode afetar significativamente a seleção de portfólios. Além disso, obtemos diferentes resultados quando utilizamos diferentes definições de risco. Segundo Merritt, a técnica da fronteira eficiente tem melhor aplicabilidade na industria de petróleo do que no mercado financeiro. Os resultados mostraram uma convergência rápida, com tempo de execução inferior a 20 segundos (Pentium III). 7. BIBLIOGRAFIA Fichter, D. P.: Application of Genetics Algorithms in Portfolio Optimization for the Oil and Gas Industry, Society of Petroleum Engineers, SPE 62970, Fonseca, C.; Fleming P.J.: An Overview of Evolutionary Algorithms in Multi-Objective Optimization, Evolutionary Computation, MIT Press, vol. 3, n.º 1, pp. 1-16, Horn, J.: Multi-Criterion Decision Making, Handbook of Evolutionary Computation, IOP Publishing Ltd. and Oxford University Press, Markowitz, Harry M.: Portfolio Selection, The Journal of Finance, vol. VII, n.º 1, pp , Markowitz, Harry M.: Portfolio Selection: Efficient Diversification of Investments, Yale University Press, Markowitz, Harry M.: Portfolio Selection: Efficient Diversification of Investments, Blackwell, Cambridge, 2 nd ed., McVean, J. R.: The Significance of Risk Definition on Portfolio Selection, Society of Petroleum Engineers, SPE 62966, Merritt, D.; San Miguel, A.: Portfólio Optimization using Efficient Frontier Theory, Society of Petroleum Engineers, SPE 59457, 2000.
DETERMINAÇÃO DA FRONTEIRA DE EFICIÊNCIA ATRAVÉS DA ESTRATÉGIA DE PARETO: APLICAÇÃO EM CARTEIRAS DE PROJETOS DE PETRÓLEO E GÁS
A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN DETERMINAÇÃO DA FRONTEIRA DE EFICIÊNCIA ATRAVÉS DA ESTRATÉGIA DE PARETO: APLICAÇÃO EM CARTEIRAS DE PROJETOS DE PETRÓLEO
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisRisco de Carteira. O Desvio Padrão de uma carteira constituída por dois ativos (X e Y) pode ser obtido a partir de:
1 Risco de Carteira O risco de uma carteira depende não somente do risco de cada elemento que a compõe e de sua participação no investimento total, mas também da forma como seus componentes se relacionam
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia maisRisco de Portfólios em Múltiplas Frequências
Risco de Portfólios em Múltiplas Frequências Joana Ramos FCUP 25 de Janeiro de 2013 Joana Ramos (FCUP) Risco de Portfólios em Múltiplas Frequências 25 de Janeiro de 2013 1 / 26 Abstract Portfolio risk
Leia mais6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução
6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução Este capítulo apresenta o segundo estudo de casos, no qual também são empregados números
Leia maisMatemática Financeira Moderna ANÁLISE DE INVESTIMENTOS EM ATIVOS REAIS
Matemática Financeira Moderna ANÁLISE DE INVESTIMENTOS EM ATIVOS REAIS ANÁLISE DE INVESTIMENTOS Os bens podem ser classificados em bens de consumo corrente e durável e ativos. Os bens de consumo corrente
Leia maisAlgoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisPLANEJAMENTO E OTIMIZAÇÃO DO DESENVOLVIMENTO DE UM CAMPO DE PETRÓLEO POR ALGORITMOS GENÉTICOS
PLANEJAMENTO E OTIMIZAÇÃO DO DESENVOLVIMENTO DE UM CAMPO DE PETRÓLEO POR ALGORITMOS GENÉTICOS Yván J. Túpac ICA, Depto de Engenharia Elétrica, PUC-Rio yvantv@ele.puc-rio.br Marley Maria R. Vellasco ICA,
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisAVALIAÇÃO DE DESEMPENHO DE DIVISÕES B R I C K L E Y, S M I T H E Z I M M E R M A N
AVALIAÇÃO DE DESEMPENHO DE DIVISÕES B R I C K L E Y, S M I T H E Z I M M E R M A N Avaliação de desempenho de divisões ORGANIZAÇÕES podem ser divididas em sub unidades, que possuem alguns direitos de decisão
Leia maisENTENDENDO OS CONCEITOS DE RISCO E RETORNO - (Parte II)
ENTENDENDO OS CONCEITOS DE RISCO E RETORNO - (Parte II)! Como calcular o retorno usando dados históricos?! Como calcular a variância e o desvio padrão?! A análise do retorno através da projeção de retornos
Leia maisUMA INTRODUÇÃO AOS CONCEITOS DE GESTÃO ABSOLUTA E RELATIVA DE INVESTIMENTOS. Ney Roberto Ottoni de Brito
UMA INTRODUÇÃO AOS CONCEITOS DE GESTÃO ABSOLUTA E RELATIVA DE INVESTIMENTOS Ney Roberto Ottoni de Brito Junho 2005 I. INTRODUÇÃO Este trabalho objetiva apresentar os conceitos de gestão absoluta e de gestão
Leia maisFundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos. Fundamentos de Risco e Retorno:
Risco x Retorno Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos. Fundamentos de Risco e Retorno: Em administração e finanças, risco é a possibilidade de perda
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
Leia maisUnidade: Risco e Retorno. Unidade I:
Unidade I: 0 Unidade: Risco e Retorno A análise de investimentos está baseada nas estimativas dos fluxos de caixa de um projeto. Nem sempre essas previsões de fluxo de caixa coincidem com os resultados
Leia maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia maisBusiness Case (Caso de Negócio)
Terceiro Módulo: Parte 5 Business Case (Caso de Negócio) AN V 3.0 [54] Rildo F Santos (@rildosan) rildo.santos@etecnologia.com.br www.etecnologia.com.br http://etecnologia.ning.com 1 Business Case: Duas
Leia maisExercícios. Finanças Benjamin M. Tabak
Exercícios Finanças Benjamin M. Tabak ESAF BACEN - 2002 Uma carteira de ações é formada pelos seguintes ativos: Ações Retorno esperado Desvio Padrão Beta A 18% 16% 1,10 B 22% 15% 0,90 Também se sabe que
Leia maisCAP. 9 DETERMINAÇÃO DA TMA PELO WACC E CAPM
CAP. 9 DETERMINAÇÃO DA TMA PELO WACC E CAPM 1. INTRODUÇÃO O estudo do risco em análise de ações será útil para um entendimento mais aprofundado da taxa de descontos a ser utilizada nas avaliações de investimento
Leia maisCapitulo 6 Viabilidade Econômica em Situação de Incerteza
1 Capitulo 6 Viabilidade Econômica em Situação de Incerteza Nos capítulos anteriores, ao construir o fluxo de caixa de um projeto de investimento, supusemos que os valores eram conhecidos com certeza.
Leia maisRESENHA DO ARTIGO TEORIA DE PORTFÓLIO: COMPOSIÇÃO ÓTIMA DE UMA CARTEIRA DE INVESTIMENTO.
RESENHA DO ARTIGO TEORIA DE PORTFÓLIO: COMPOSIÇÃO ÓTIMA DE UMA CARTEIRA DE INVESTIMENTO. RESUMO Natalia de Cassia Moreira Graduanda em Engenharia de Produção Faculdade de Ciências Sociais Aplicadas de
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS. Metaheurísticas de Buscas
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS Metaheurísticas de Buscas ALGORITMOS GENÉTICOS (AG) Popularizados por John Holland podem ser considerados os primeiros modelos algorítmicos
Leia maisPERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas);
O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); A duração de cada atividade na prática, contudo, pode ser diferente daquela prevista no projeto; Existem muitos fatores
Leia mais2 Teoria da Informação
2 Teoria da Informação Neste capítulo apresentamos alguns conceitos básicos sobre Teoria da Informação que utilizaremos durante este trabalho. 2.1 Alfabeto, texto, letras e caracteres Um alfabeto Σ = (σ
Leia maisEstrutura comum dos AEs
Estrutura comum dos AEs Os algoritmos estudados seguem o seguinte padrão para modelagem dos sistemas evolutivos: Uma população de tamanho constante m evolui sobre o tempo A população atual é utilizada
Leia mais2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos
2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos Antes do processo de exploração de recursos não descobertos, são as atividades de prospecção de petróleo que identificam regiões que pela
Leia maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia maisCurso Profissional de Nível Secundário
Curso Profissional de Nível Secundário Técnico Auxiliar de Saúde 2 TAS Ano Letivo: 2014/2015 Matemática (200 horas) 11º Ano PLANIFICAÇÃO A LONGO PRAZO A7 Probabilidades Fenómenos aleatórios. 2 aulas Argumento
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor
Leia mais! ( ) Se todos os policiais em questão estiverem habilitados a dirigir, então, formadas as equipes, a quantidade de maneiras distintas de se organizar uma equipe dentro de um veículo com cinco lugares
Leia maisRetorno e risco de carteiras de investimento. Prof. Isidro
Retorno e risco de carteiras de investimento Prof. Isidro OBJETIVOS DA UNIDADE DE ESTUDO Compreender o processo de avaliação do risco de uma carteira. Definir e mensurar a covariancia entre duas variáveis
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia mais2. METODOLOGIA DE PESQUISA
2. METODOLOGIA DE PESQUISA O presente capítulo apresenta a metodologia de pesquisa proposta e procura-se dar uma visão geral do que será feito para atingir os objetivos. Está dividido em seis partes: i)
Leia maisAutores: Lucas D. Boff 1 Marcelo F. Castoldi 1 Murilo da Silva 1 Silvio. A. Souza 1 Cintia B. S. Silva 2
Melhoria da Confiabilidade do Fornecimento de Energia Elétrica em Sistemas de Distribuição Utilizando Alocação de Chaves e Algoritmo Evolutivo Multi-Objetivo Autores: 1 2 Lucas D. Boff 1 Marcelo F. Castoldi
Leia maisOtimização de Portfólio de Novos Empreendimentos de Energia Através de Leilões Combinatórios
Otimização de Portfólio de Novos Empreendimentos de Energia Através de Leilões Combinatórios Debora Yamazaki Lacorte Orientador: Paulo de Barros Correia Planejamento de Sistemas Energéticos Universidade
Leia maisConceitos Básicos. Prof. Regis Augusto Ely. Agosto de Revisão Novembro 2012
Conceitos Básicos Prof. Regis Augusto Ely Agosto de 2011 - Revisão Novembro 2012 1 Metodologia da ciência econômica Teoria: conjunto de idéias sobre a realidade (Ex: teoria macroeconômica). componentes
Leia maisMetahuerísticas: Algoritmos Genéticos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Metahuerísticas: Algoritmos Genéticos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 8) Meta-heurísticas Classificação de métodos heurísticos: os métodos
Leia maisCarteiras de Variância Mínima no Brasil
no Brasil Itaú-Unibanco Abril de 2012 no Brasil Agenda Conceitos básicos em Finanças 1 Conceitos básicos em Finanças 2 3 4 5 no Brasil Seleção de carteiras de investimento Suponha N ativos de risco, com
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia mais2 MÉTODOS DE FORMAÇÃO DE CÉLULAS BASEADO EM ARRANJO MATRICIAL
2 MÉTODOS DE FORMAÇÃO DE CÉLULAS BASEADO EM ARRANJO MATRICIAL Esta dissertação trata da pesquisa e análise dos métodos existentes que utilizam arranjo matricial (array-based clustering), para obtenção
Leia mais5 Detalhamento da solução
5 Detalhamento da solução Partindo das equações estabelecidas no capítulo 3 e da técnica de otimização definida no capítulo 4, chega-se a uma solução concreta para o problema que será detalhado nesse capítulo.
Leia maisUniversidade Federal de Itajubá
Universidade Federal de Itajubá Engenharia Econômica II Análise de Sensibilidade 21/08/2012 Prof. José Arnaldo B. Montevechi 1 Fluxo de Caixa ( + ) 0 1 2 3 n Parcela compostas por: ( - ) Investimento Receitas,
Leia maisProposta de um sistema de suporte à decisão para programação de navios baseado em otimização: um caso prático
Gustavo Souto dos Santos Diz Proposta de um sistema de suporte à decisão para programação de navios baseado em otimização: um caso prático Dissertação de Mestrado Dissertação apresentada como requisito
Leia maisRisco x Retorno. Fundamentos de Risco e Retorno: Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos.
Risco x Retorno Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos. Fundamentos de Risco e Retorno: Em administração e finanças, risco é a possibilidade de perda
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE LORENA. ENGENHARIA ECONÔMICA Exercícios Propostos Prof. Dr. Francisco Chaves
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE LORENA ENGENHARIA ECONÔMICA Exercícios Propostos Prof. Dr. Francisco Chaves 1. (P1) Surgiu a oportunidade de se investir em uma pequena fábrica de carne
Leia maisAntiderivadas e Integrais Indefinidas
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Antiderivadas e Integrais
Leia maisSílvio A. Abrantes. Uns pequenos truques que facilitam alguns cálculos de Códigos e Teoria da Informação
Sílvio A. Abrantes Livro de receitas. Receitas?! Uns pequenos truques que facilitam alguns cálculos de Códigos e Teoria da Informação Abril 00 Codificação aritmética: Representação binária de números reais
Leia maisPROINTER Projeto Integrador aula 7 Prof. Me. Érico Pagotto
PROINTER Projeto Integrador aula 7 Prof. Me. Érico Pagotto Gerenciamento de Riscos em Projetos Conceitos, ferramentas e técnicas para gerenciamento de ricos em projetos Utilização dos métodos propostos
Leia mais22/02/2017. Prof. Elisson de Andrade
Prof. Elisson de Andrade eapandra@uol.com.br A partir DESSE MOMENTO, você (ou sua dupla), já precisa ir pensando: Qual investimento real irei avaliar? Compra de uma máquina para a empresa? Ampliação do
Leia maisComputação Evolutiva. Aula 4 Usando AEs Prof. Tiago A. E. Ferreira
Computação Evolutiva Aula 4 Usando AEs Prof. Tiago A. E. Ferreira Roteiro Exemplos: Problema das 8 rainhas Comportamentos Típicos dos AE CE no contexto da Otimização Global Relembrando Na Aula Passada,
Leia maisAvaliação de Empresas Profa. Patricia Maria Bortolon
Avaliação de Empresas RISCO E RETORNO Aula 2 Retorno Total É a variação total da riqueza proporcionada por um ativo ao seu detentor. Fonte: Notas de Aula do Prof. Claudio Cunha Retorno Total Exemplo 1
Leia maisTeoria dos Jogos Algorítmica Maximização de Lucros no Design de Mecanismos
Teoria dos Jogos Algorítmica Maximização de Lucros no Design de Mecanismos Luis Gustavo Rocha Vianna. Instituto de Matemática e Estatística IME Universidade de São Paulo USP Maximização de Lucros Design
Leia maisEduardo Sá Silva GESTÃO DE CARTEIRAS. Rendibilidade e Risco
Eduardo Sá Silva GESTÃO DE CARTEIRAS Rendibilidade e Risco ÍNDICE Prefácio...9 Estrutura da obra...11 Capítulo 1 A questão da rendibilidade...17 Capítulo 2 Como se determina o risco?...27 Capítulo 3 A
Leia maisInteligência Artificial
Inteligência Artificial Prof. Kléber de Oliveira Andrade pdjkleber@gmail.com Algoritmos Genéticos Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros
Leia maisGABARITO E PAUTA DE CORREÇÃO DO ENQ Questão 2 [ 1,0 pt ::: (a)=0,5; (b)=0,5 ] Sejam a, b, p inteiros, com p primo.
GABARITO E PAUTA DE CORREÇÃO DO ENQ-014. Questão 1 [ 1,0 pt ::: (a)=0,5; (b)=0,5 ] Sejam a, b, p inteiros, com p primo. Demonstre que: (a) se p não divide a, então (p, a) = 1. (b) se p ab, então p a ou
Leia mais8 Conclusões e Sugestões para Trabalhos Futuros
8 Conclusões e Sugestões para Trabalhos Futuros No presente trabalho foi proposta uma metodologia capaz de estimar o valor incremental do mercado de carbono nos projetos que utilizam as fontes renováveis
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisApresentar os conceitos fundamentais da termodinâmica estatística e como aplicá-los as propriedades termodinâmicas vista até então.
Introdução À Termodinâmica Estatística Aula 15 Meta Apresentar os conceitos fundamentais da termodinâmica estatística e como aplicá-los as propriedades termodinâmicas vista até então. Objetivos Ao final
Leia maisEstrutura comum dos AEs Seleção
Estrutura comum dos AEs Seleção Todos os AEs mantém uma população de tamanho m por: Utilizando uma população como fonte de pais para produzir n descendentes Reduzindo o tamanho da população expandida de
Leia maisProf. Marcelo Delsoto
Orçamento de Capital Sem Riscos Orçamento de capital refere-se aos métodos para avaliar, comparar e selecionar projetos que obtenham o máximo retorno (lucro) ou, a máxima riqueza (valor das ações no mercado)
Leia maisPesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho julho/2014 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Leia mais2 Tipos de Opções Reais
Tipos de Opções Reais 20 2 Tipos de Opções Reais Neste capítulo, iremos abordar os principais tipos de opções reais existentes, com suas características e semelhanças com relação às opções financeiras.
Leia maisProdução e o Custo da Empresa. Conceitos básicos; Função de produção; Lei dos rendimentos decrescentes; Equilíbrio da firma; Custos de Produção.
Produção e o Custo da Empresa Conceitos básicos; Função de produção; Lei dos rendimentos decrescentes; Equilíbrio da firma; Custos de Produção. 1. Conceitos básicos A economia é formada por diversas empresas
Leia maisMetodologia para Avaliação do Grau de Consistência da Gestão de Fundos de Investimentos
Metodologia para Avaliação do Grau de Consistência da Gestão de Fundos de Investimentos 1. Introdução Examinando o termo PERFORMANCE podemos entendê-lo como atuação ou desempenho sendo, em geral, acompanhado
Leia maisConstrução de uma Ferramenta para Evoluir Estratégias e Estudar a Agressividade/Cooperação de uma População submetida ao Dilema dos Prisioneiros
Construção de uma Ferramenta para Evoluir Estratégias e Estudar a Agressividade/Cooperação de uma População submetida ao Dilema dos Prisioneiros generalizá-lo para várias outras situações, como em problemas
Leia maisTaxa Interna de Retorno (TIR)
Problemas com o Método da TIR (Taxa Interna de Retorno) Hoje vamos falar do método da TIR (Taxa Interna de Retorno) e de alguns problemas que podem ocorrer quando utilizamos essa técnica na análise de
Leia maisMetodologias e Critérios para o planejamento de Sistemas de Energia Elétrica Dr. Eng. Clodomiro Unsihuay Vila
Universidade Federal de Paraná Setor de Tecnologia Departamento de Engenharia Elétrica Metodologias e Critérios para o planejamento de Sistemas de Energia Elétrica Dr. Eng. Clodomiro Unsihuay Vila Curitiba-Brasil,
Leia maisSimulação Monte Carlo
Simulação Monte Carlo Nome do Prof. Fernando Saba Arbache Email do prof. fernando@arbache.com Definição Análise de risco faz parte da tomada de decisão Surgem constantemente incertezas, ambiguidades e
Leia maisFUNDAÇÃO EDSON QUEIROZ UNIVERSIDADE DE FORTALEZA - UNIFOR Centro de Ciências Tecnológica - CCT
FUDAÇÃO EDSO QUEIROZ UIVERSIDADE DE FORTALEZA - UIFOR Centro de Ciências Tecnológica - CCT RESUMO DA TEORIA DA DECISÃO E SISTEMAS DE APOIO A DECISÃO Francisco Thibério Pinheiro Leitão Fortaleza, 10/04/2013
Leia maisO que é risco de negócio? Decisões de Estrutura de Capital: Conceitos Básicos
Decisões de Estrutura de Capital: Conceitos Básicos Prof. Antonio Lopo Martinez Risco do negócio vs. risco financeiro Teoria da estrutura de capital Exemplo de fluxo de caixa perpétuo Estabelecendo a estrutura
Leia maisRetorno e risco de carteiras de investimento. Copyright Pereira, F. I
Retorno e risco de carteiras de investimento OBJETIVOS DA UNIDADE DE ESTUDO Compreender o processo de avaliação do risco de uma carteira. Definir e mensurar a covariancia entre duas variáveis Definir e
Leia mais3 Otimização Evolucionária de Problemas com Restrição
3 Otimização Evolucionária de Problemas com Restrição 3.1. Introdução Este capítulo resume os principais conceitos sobre os algoritmos evolucionários empregados nesta dissertação. Primeiramente, se fornece
Leia maisUnidade VII Amostragem
Unidade VII Amostragem Na última aula... Saber os motivos que levam o pesquisador a trabalhar com amostra e entender a importância da inferência. Saber identificar população, amostra e variável aleatória.
Leia maisTeoria da firma: produção e custos de. produção. Técnico em Logística. 05_Sistemas Econômicos_Teoria da Produção e Custos
Teoria da firma: e custos de Teoria da firma: e custos de Introdução Considerações preliminares Uma economia de mercado é orientada pelas forças da oferta e da procura. Consumidores Firmas Unidades do
Leia mais7 Avaliação de Opções Reais Através do Método LSM
Avaliação de Opções Reais Através do Método LSM 88 7 Avaliação de Opções Reais Através do Método LSM Neste capítulo, iremos aplicar o método desenvolvido por Longstaff & Schwartz para a avaliação de opções
Leia maisRealce de Impressões Digitais por Algoritmos Genéticos
Technical Notes in Computational Intelligence, ICA, PUC-Rio 1 Realce de Impressões Digitais por Algoritmos Genéticos Marco Aurélio C. Pacheco 1, Raul Queiroz Feitosa 1, Dan Posternak 1 1 ICA: Computational
Leia maisDECISÕES ESTRATÉGICAS DE CURTO PRAZO: Programação Linear
DECISÕES ESTRATÉGICAS DE CURTO PRAZO:! O que é?! Como a pode ajudar na maximização da lucratividade?! Como a pode ajudar na minimização dos custos?! Como determinar um mix de produção através da Programação
Leia maisos custos totais são determinados pela soma entre os custos variáveis e os custos fixos.
Módulo 7 Teoria dos Custos Como destacamos em alguns dos módulos anteriores, os produtores são indivíduos racionais, e como tais irão buscar maximizar seus resultados ao realizarem suas atividades produtivas.
Leia maisVERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO DE ORGANIZAÇÕES PROCESSO SELETIVO MESTRADO - TURMA 2012 PROVA
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia maisGT-JeDi - Curso de Desenv. de Jogos IA para Jogos. Gustavo Pessin 2007
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2007 Cronograma Base conceitual Exemplo: Achando o máximo de uma função... Como criar uma pequena aplicação: Exercício-Exemplo [Animal selvagem...]
Leia mais7 Definição da Trajetória via Controle Ótimo
7 Definição da Trajetória via Controle Ótimo O objetivo desse trabalho é avaliar a metodologia de projeto e os controladores não só em percursos que representem o centro da pista, mas trajetórias ótimas
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1 Introdução O crescimento do sistema de energia elétrica, o aumento do número de interligações e a sofisticação dos modelos para representação dos componentes de
Leia maisMBA em Finanças e Controladoria. Disciplina: Avaliação de Empresas Valuation Tópico 06 Risco e Retorno
MBA em Finanças e Controladoria Disciplina: Avaliação de Empresas Valuation Tópico 06 Risco e Retorno Obetivos do Tópico 06 5h Obetivo Entender os fundamentos de risco e retorno Obetivos de aprendizagem
Leia maisEconomia de Trocas Pura
Economia de Trocas Pura Caracterização Estamos de volta às questões colocadas por Adam Smith na Riqueza das Nações. Seria um sistema de trocas, baseado em indivíduos auto interessados, com propriedade
Leia maisEXERCICIOS SOBRE: TEORIA DO PRODUTOR VIII Teoria da produção (analise em período curto)
EXERCICIOS SOBRE: TEORIA DO PRODUTOR VIII Teoria da produção (analise em período curto) Exercício Nº 1 Defina e caracterize os seguintes conceitos: a) Função produção É uma relação técnica entre os factores
Leia maisOtimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados
Otimização Jaime Arturo Ramírez Conteúdo 1. Introdução 2. Analogia de mecanismos de seleção natural com sistemas artificiais 3. Algoritmo genético modelo 4. Um GA simples 5. Representação, genes e cromossomos
Leia maisESCOLA SECUNDÁRIA DE LOUSADA
ESCOLA SECUNDÁRIA DE LOUSADA 2012 2013 PLANIFICAÇÃO DA DISCIPLINA DE MATEMÁTICA Curso Profissional de Técnico de Multimédia ELENCO MODULAR A7 Probabilidades 28 A6 Taxa de variação 36 A9 Funções de crescimento
Leia maisPESQUISA OPERACIONAL. UNIDADE 2 Visão Geral do Modelo
PESQUISA OPERACIONAL UNIDADE 2 Visão Geral do Modelo Prof. Me. Carlos Guimarães 1 / 13 Objetivo Introduzir os elementos de um modelo de pesquisa operacional por meio da apresentação: Do conceito de modelo;
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisAnálise de Viabilidade Econômica de Projetos de Investimento
Análise de Viabilidade Econômica de Projetos de Investimento ANÁLISE DE CENÁRIOS Prof. Luciel Henrique de Oliveira - luciel@fae.br UNIFAE - São João da Boa Vista http://gp2unifae.wikispaces.com Análise
Leia mais