AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2.
|
|
- Benedicto da Costa Câmara
- 8 Há anos
- Visualizações:
Transcrição
1 AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. andrey soares Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC marcello thry, dr. Unversdade do Vale do Itajaí UNIVALI Campus VII - Rodova SC 407 Km 4 São José, SC thry@sj.unval.br paulo sérgo da slva borges, dr. Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC pssb@nf.ufsc.br Abstract Ths work presents the applcaton of Artfcal Neural Networks, n partcular the ART2, for the customer clusterng of a dentstry room. The nput data used n the applcaton s based on the odontologcal anemness that s a form wth a questonary appled about the professonal to dentfy the customer case hstory. The three proposed customer clusterng (good, medum, bad) were created wth bass on the buccal hygene care and the smlar habts among the customers. The network s traned usng non supervsed learnng that can be fast or slow learnng. Each nput data lne s formed by the number of ntervewed customers (rows) and the answered questons (columns). However, the frst step was to transform the answers nto bnary cells. Keywords: Anamnese, Adaptatve Resonance Theory, Clusters 1 INTRODUÇÃO Em um consultóro odontológco, o exame clínco (fcha de anamnese) é o passo ncal para se realzar um tratamento, como para um melhor relaconamento entre pacente e o profssonal. A fcha de anamnese consttu-se de um questonáro que é realzado pelo profssonal, geralmente na prmera vsta (consulta) do clente ao consultóro odontológco, e tem o objetvo de conhecer o hstórco clínco do clente, permtndo o dagnóstco, prognóstco e tratamento das enfermdades da cavdade bucal. Porém, para obter-se êxto em um tratamento é precso que se conheça os problemas que aflgem o pacente. A técnca de ntelgênca artfcal conhecda por Redes Neuras Artfcas representam um sstema de processamento de nformações que tem certas característcas de desempenho em comum com as Redes Neuras Bológcas (FAUSETT, 1994) (RICH, 1993) (RABUSKE, 1994). As Redes Neuras Artfcas tem sdo desenvolvdas como generalzações dos modelos matemátcos, baseado nas suposções que: O processamento de nformações ocorre em város elementos smples chamados neurônos; Snas são passados entre neurônos através das conexões de lnks; Cada conexão de lnk tem um peso assocado;
2 Cada neurôno aplca uma função de atvação (usualmente não lnear) na entrada da rede, determnando o snal de saída. Consderando as característcas do problema, multplcdade de alternatvas, grande dfculdade de estabelecer relação entre os tens componentes da solução do problema, alto grau de ncerteza na defnção do padrão, alto índce de dfculdade na estruturação da melhor alternatva de solução, optou-se por aplcar uma solução com sstemas conexonstas (CANDIDO et. al., 2000). A rede neural escolhda fo a Teora da Ressonânca Adaptatva (ART), desenvolvda por Carpenter e Grossberg (FAUSETT, 1994 apud CARPENTER et. al., 1987a). Esta rede agrupa entradas usando aprendzagem não supervsonada, ou seja, pode ser usada como um módulo de descoberta de característcas. Os agrupamentos (Fgura 1) dos canddatos se formam a partr de característcas semelhantes entre os mesmos, dentfcadas pela Rede. A teora da ressonânca adaptatva possu duas formas, a ART1 que é usada para agrupar vetores bnáros e a ART2 que aceta vetores de valores contínuos. Este artgo aborda a ART2. Algumas redes alcançam establdade reduzndo a taxa de aprendzagem gradualmente, onde o mesmo jogo de padrões de trenamento é apresentado város vezes. Porém, sto não hablta a rede para aprender um padrão novo, que é apresentado pela prmera vez depos que váras épocas de trenamento já aconteceram. A habldade de uma rede para responder (aprender) um padrão novo é chamado plastcdade. Para Fausett (1994), Redes com a Teora de Ressonânca Adaptatva são projetadas para serem estáves e plástcas. Fgura 1: Agrupamento dos canddatos Este artgo apresenta uma proposta de utlzação de Redes Neuras Artfcas (RNA) ART2 no agrupamento de clentes de um consultóro odontológco, baseando-se na fcha de anamnese odontológca. 2 TEORIA DA RESSONÂNCIA ADAPTATIVA Segundo Fausett (1994), redes com a Teora de Ressonânca Adaptatva, são projetadas para permtr ao usuáro controlar o grau de semelhança de padrões colocados no mesmo agrupamento. Para que sso aconteça, os padrões de entrada devem poder dferr, entre eles, no nível de detalhe (número de componentes que são não zero), a semelhança relatva de um padrão de entrada para o vetor de peso para uma undade de agrupamento, em lugar de utlzar a dferença absoluta entre os vetores. Como a rede é trenada, cada padrão de trenamento pode ser apresentado váras vezes. Um padrão pode ser colocado em uma undade de agrupamento na prmera vez que é apresentado e então colocado em um agrupamento dferente quando é apresentado depos (devdo a mudanças nos pesos para o prmero agrupamento se ele aprendeu outros padrões enquanto sso). Uma rede nstável não retornará um padrão a um agrupamento prévo; em
3 outras palavras, um padrão que oscla entre undades de agrupamento dferentes em fases dferentes de trenamento ndca uma rede nstável. A arqutetura básca de uma rede neural de ressonânca adaptável envolve três grupos de neurônos: um campo de processamento de entradas (camada F 1 ), as undades de agrupamento (Camada F 2 ), e um mecansmo para controlar o grau de semelhança de padrões colocado no mesmo agrupamento (um mecansmo de reset). Para controlar a semelhança de padrões colocada no mesmo agrupamento, há dos conjuntos de conexão (cada um com seus própros pesos) entre cada undade na porção de nterface do campo de entrada e cada undade de agrupamento. A camada F 2 é a camada compettva. Na teora da ressonânca adaptatva, as mudanças em atvações de undades e em pesos são governadas pelo acoplamento de equações dferencas. A rede está mudando contnuamente (dnamcamente) o sstema, mas o processo pode ser smplfcado porque é assumdo que as atvações mudam muto mas rapdamente que os pesos. Uma vez que uma undade de agrupamento acetável fo seleconada para aprender, os snas bottom-up e top-down são mantdos por um período estenddo, e é durante este tempo que as mudanças de peso acontecem. Esta é a "ressonânca" que dá o nome a rede. Dos tpos de aprendzagem podem ser usadas para redes ART (CANDIDO et. al., 2000): Modo de aprendzagem rápda, é assumdo que a atualzação de pesos durante a ressonânca aconteça rapdamente, pos relatvo à duração de tempo um padrão é apresentado em qualquer tentatva partcular. Assm, na aprendzagem rápda, os pesos alcançam equlíbro em cada tentatva. Modo de aprendzagem lenta, as mudanças de peso acontecem lentamente relatvo à duração de uma tentatva de aprendzagem; os pesos não alcançam equlíbro em uma tentatva partcular. Mutos mas apresentações de padrões são requerdos para a aprendzagem lenta do que para aprendzagem rápda, mas menos cálculos acontecem em cada tentatva de aprendzagem. 3 ART2 Segundo Fausett (1994), as redes ART2 são projetadas para executar, com vetores de entrada contínuos, o mesmo tpo de tarefas que a ART1 faz para vetores de entrada bnáros. As dferenças entre ART2 e ART1 refletem as modfcações necessáras para acomodar padrões com componentes de valores contínuos. O campo F 1 (mas complexo na ART2) é necessáro porque vetores de entrada contínuos podem ter valores arbtráros. Este campo nclu uma combnação de normalzação e supressão de ruído, além da comparação de snas bottom-up e top-down necessáras para o mecansmo de reset. 3.1 Arqutetura A arqutetura típca da ART2 é lustrada na (Fgura 2). A camada F 1 consste de ses tpos de undades (W, X, U, V, P e Q). Só uma undade de cada tpo é mostrada na Fgura. Uma undade suplementar entre as undades W e as undades X recebe snas de todas as undades W, computam a norma do vetor w, e envam este (nbtóro) snal para cada uma das undades X. Cada um destes recebem também um snal exctatóro da undade W correspondente. Uma undade suplementar semelhante executa o mesmo papel entre as undades P e as undades Q, e outra faz o mesmo entre as undades V e as undades U. Cada undade X é conectada à uma undade V correspondente, e cada undade Q também é conectada à uma undade V correspondente.
4 Os símbolos na rota de conexão entre as váras undades na camada F 1, ndcam a transformação que ocorre no snal ao passar de um tpo de undade para o próxmo; eles não ndcam multplcação pela quantdade determnada. Porém, as conexões entre as undades P (da camada F 1 ) e Y j (da camada F 2 ) mostram os pesos que multplcam o snal transmtdo em cma dessas rotas. A atvação do vencedor da undade F 2 é d, onde 0<d<1. O símbolo ndca normalzação; sto é, o vetor de atvação q das undades Q é justamente o mesmo vetor de atvação das undades P, normalzado para aproxmadamente o comprmento (duração) da undade. As undades competem em um concurso pelo dreto de aprender cada padrão de entrada. O aprendzado ocorre somente se o vetor de pesos top-down da undade vencedora, for sufcentemente smlar ao vetor de entradas. As undades X, e Q j, aplcam uma função de atvação para suas entradas da rede; esta função suprme qualquer componente dos vetores de atvações que ca abaxo dos níves do valor θ. Os camnhos de conexão de W para U e de Q para V fxam os pesos a e b, respectvamente. R Y1... Yj... Ym bj tj Camada F 2 cp P Q bf(q) U V au f(x) Camada F 1 W X s Fgura 2: Arqutetura típca ART2 3.2 Algortmo de Trenamento O algortmo (passos) segunte pode ser usado para aprendzagem rápda ou aprendzagem lenta (FAUSETT, 1994). Em aprendzagem lenta, somente uma teração da equação de atualzação de pesos ocorre em cada processo de aprendzagem. Um grande número de apresentações de cada padrão é requerdo, mas relatvamente pouca computação é feta em cada processo. No algortmo a segur, estas apresentações que repetem são tratadas como épocas. Em aprendzagem rápda, a atualzação dos pesos contnua até o equlíbro dos pesos em cada processo. Somente algumas épocas são requerdas, mas um grande número de terações através da atualzação dos pesos do algortmo podem ser desempenhados em cada processo de aprendzagem. A undade J é o nó vencedor da camada F 2 depos da competção. Se nenhuma undade vencedora for escolhda, d será 0 (zero) para todas as undades. Passo 0. Incalze os parâmetros: a, b, θ, c, d, e, α, p. Passo 1. Faça os passos 2 a 12 tantas vezes quantas forem os números de épocas. Execute o número especfcado de épocas de trenamento.
5 Passo 2. Para cada vetor de entrada s, faça os passos 3 a 11. Passo 3. Atualze as atvações da undade F 1 : s u 0 x e + s w s q 0 p 0 v f ( ) x Atualze as atvações da undade F 1 novamente: v u w s + au e + v w p x q e + w e + p p u v f ( x ) + bf ( q ) Passo 4. Calcule os snas para as undades F 1 : y b p j Passo 5. Enquanto o reajuste (Reset) é verdadero, faça os passos 6 7. Passo 6. Ache Y j da undade F 2 com snal maor. (Defna J tal que y j y 1 para j1,.., m) Passo 7. Confra o reajuste (Reset): v u + cp u r e + v e + u + e p p u + dt j Se Se r < p e, então y -1 (nbe J) Reset verdadero; repta o passo 5; r p e, então w p x q e + w e + p w s + au v f ( x ) + bf ( q ) Reajuste falso; Proceda o passo 8. Passo 8. Faça os passos 9 a 11 tantas vezes quanto forem os números de terações. Execute o número especfcado de repetções de aprendzagem. Passo 9. Atualze pesos para undade vencedora J: t α du αd d 1 t j j { ( )} j { 1 + d( d )} b j b α du + α 1 Passo 10. Atualze as atvações de F 1 : v u w s + au e + v w p x q e + w e + p p u + dt v f ( x ) + bf ( q ) j Passo 11. Teste para condção de parada de atualzações de pesos. Passo 12. Teste para condção de parada para o número de épocas. Parâmetros n número de undades de entrada (camada F 1 ); m número de undades de agrupamento (camada F 2 ); a, b pesos fxos na camada F 1 ; valores de amostra são a 10, b 10. Ou fxando a 0 ou b 0 produzem nstabldade na rede. A rede não é partcularmente sensível aos valores escolhdos. c peso fxo usado em teste para reajuste; um valor de amostra é c 0.1. Um c pequeno dá uma maor faxa do parâmetro de vglânca. d Atvação do vencedor da undade F 2 ; um valor de amostra é d 0.9. Note que c e d devem ser escolhdos de modo que satsfaça a desgualdade. cd 1 1 d
6 (para mpedr para que um reajuste aconteça durante uma tentatva de aprendzagem). A relação devera ser escolhda perto de 1 para alcançar uma faxa maor para vglânca. e um parâmetro pequeno ntroduzdo para prevenr dvsão por zero quando a norma de um vetor é zero. Este valor mpede a normalzação para undade de ser exata. θ parâmetro de supressão de ruído, um valor de amostra é: α p 1 θ n O valor da amostra pode ser maor que o desejada em algumas aplcações. Componentes do vetor de entrada normalzado (e outros vetores do loop F 1 ) que são menores que este valor são confgurados para zero. taxa de aprendzagem. Um valor menor reduzrá a velocdade da aprendzagem no modo de aprendzagem rápda ou modo de aprendzagem lenta. Porém, um valor menor assegurará que os pesos (como também a colocação de padrões em agrupamentos) eventualmente alcancem equlíbro no modo de aprendzagem lento. parâmetro vglânca. Junto com os pesos bottom-up, este parâmetro determna quantos agrupamentos serão formados. Embora, teorcamente, valores de 0 a 1 são permtdos, só valores entre, aproxmadamente, 0.7 e 1 executam qualquer papel útl no controle do número de agrupamentos. (Qualquer valor menor que 0.7 terá o mesmo efeto como se fosse fxado para zero.) Pesos ncas t j (0) b j (0) pesos ncas top-down (tem que ser pequeno para assegurar que nenhum reajuste aconteça para o prmero padrão colocado em uma undade de agrupamento); t 0 j ( ) 0 pesos ncas bottom-up (deve ser escolhdo satsfazer a nequação); 1 b j ( 0 ) ( 1 d ) n para prevenr a possbldade de um vencedor novo que é escolhdo durante a "ressonânca" como a mudança de pesos. Valores maores de b j encorajam a rede para formar mas agrupamentos. 4 APLICAÇÃO DESENVOLVIDA Quando um clente vsta o consultóro odontológco pela prmera vez ou a crtéro do profssonal para fns de atualzação, ele preenche uma fcha de anamnese odontológca que tem o objetvo de dentfcar o perfl do clente, relatvo à sua saúde bucal. Baseado nas respostas, os clentes são agrupados em 3 grupos: BOM: os clentes que cudam efetvamente da saúde bucal; MÉDIO: os clentes que apresentam alguma preocupação com a saúde bucal; RUIM: os clentes que preocupam-se esporadcamente com a saúde bucal. No da-a-da do consultóro fca ao encargo do profssonal a nterpretação das respostas apresentadas e a classfcação do clente em um determnado grupo, ou seja o profssonal precsa recorrer a sua experênca. Com a aplcação proposta, o tempo dspenddo pelo profssonal para analsar as fchas de anamnese poderam ser aprovetados para outros fns. Por exemplo, o clente podera responder a fcha de anamnese antes de ncar a consulta e quando esta ocorrer, o sstema apresentara uma sugestão de classfcação do clente em um dos grupos defndos.
7 As 21 perguntas da fcha de anamnese foram elaboradas segundo cnco enfoques: Almentação, Hgene, Doenças, Informações e Medcamentos. Cada resposta possu algumas alternatvas, sendo as de maor peso (maor nfluênca) dspostas mas a esquerda, devdo ao seu alto valor após a conversão de bnáro para decmal. HIGIENE 1 Quantas vezes por da pratca hgene oral Raramente 2 vezes 3 vezes Após refeções 2 Quando usa o fo dental Nunca As vezes Regularmente 3 Qual tpo de escova dental usada Dura Méda Maca Extra maca 4 Qual a frequênca que troca a escova dental Menos de 1 mês 2 meses 3 meses ou + 5 Quando usa antsséptco bucal Nunca As vezes Pouco 6 Vsta regularmente o dentsta Emergênca As vezes Regularmente Fgura 3: Perguntas do enfoque Hgene As respostas são tratadas como células bnáras, ou seja, se um tem for responddo com X, este receberá o valor 1 e se não for responddo receberá o valor 0. Se um clente responder a questão 2 do enfoque Hgene como o exemplo a segur (Fgura 4), então o valor bnáro da resposta será 100. Este valor é convertdo para decmal e obtém-se o valor 4. Calcula-se também o valor bnáro para o caso de todos os tens da resposta serem seleconados, neste caso 111. Este valor também é convertdo para decmal, obtendo-se o valor 7. 2 Quando usa o fo dental X Nunca As vezes Regularmente Fgura 4: Exemplo de resposta da questão 2 Para smplfcar os cálculos, estabeleceu-se um coefcente de redução para que o maor valor fosse 1 e o menor valor próxmo de zero. Sendo assm, dvdu-se o valor decmal da resposta pelo valor decmal da resposta com todos os tens seleconados (CANDIDO et. al., 2000). Neste caso a fórmula para a redução é 4 / 7 0, Desse modo a matrz de entrada é construída (Tabela 1), onde as lnhas representam o número de canddatos entrevstados e as colunas representam o número de questões da fcha de anamnese. Questões Entrevstados Tabela 1: Matrz de entrada
8 Após a execução do algortmo de trenamento os clentes foram agrupados em três grupos, sendo 7 clentes pertencentes ao grupo 1, 11 clentes pertencentes ao grupo 2 e 13 clentes pertencentes ao grupo 3. Após analsar a fcha de anamnese de alguns clentes o profssonal dentfcava a qual grupo este pertenca. Assm fo possível estabelecer que o grupo 1 refere-se ao grupo MÉDIO, o grupo 2 refere-se ao grupo BOM e o grupo 3 referese ao grupo RUIM. 5 CONCLUSÕES E PROPOSTAS FUTURAS Este trabalho demonstrou a utlzação das redes neuras, mas especfcamente a ART2 como meo de seleção e agrupamento de clentes de um consultóro odontológco. Tarefa esta que é tpcamente executada pelo profssonal. Algumas melhoras e acréscmos podem ser sugerdos para este trabalho. Por exemplo, a partr dos agrupamentos formados, pode-se aplcar outros tpos de ferramentas de ntelgênca artfcal para a dentfcação do padrão dos conjuntos agrupados. Com sto sera possível conhecer quas característcas tem maor nfluênca na formação dos grupos. Outro tópco a ser estudado é a relação de uma resposta com outra, por exemplo dentfcar qual das stuações a segur tem mas nfluênca na classfcação em um grupo: se o clente ngere muto almento, mas a quantdade em nutrentes é equlbrada ou se o clente ngere pouco almento mas faz 5 refeções por da e ngere grande quantdade de açúcar. 6 BIBLIOGRAFIA CANDIDO, A., CERUTTI, F., JUNIOR, O. BASTOS, L, Aplcação de Redes Neuras na seleção de estagáros para a cênca da computação, Aplcações de Redes Conexonstas PPGEP/UFSC, FAUSETT, L. Fundamentals of Neural Networks Archtectures, Algorthms, and Applcatons. New Jersey: Prentce-Hall, 1994 RABUSKE, R. Intelgênca Artfcal. Floranópols: Ed. UFSC, RICH, E. KNIGHT, K. Intelgênca Artfcal. São Paulo: Makron Books, RUSSEL, S. J., NORVIG, P. Artfcal Intelgence: a modern approach. New Jersey: Prentce-Hall, 1995
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 maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisFast 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 maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisTEORIA 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 mais5.1 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 maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisUMA 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 maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia maisIntrodução 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 maisIntrodução 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 maisRastreando Algoritmos
Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos
Leia maisCovariância 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 maisSistemas 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 maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia mais7. 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 mais1 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 maisMinistério 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 maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisO 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 maisRedes 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 maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisProbabilidade 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 maiswww.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 maisEnergia de deformação na flexão
- UNIVERSIDADE FEDERAL FLUMINENSE ESCOLA DE ENGENHARIA INDUSTRIAL METALÚRGICA DE VOLTA REDONDA PROFESSORA: SALETE SOUZA DE OLIVEIRA BUFFONI DISCIPLINA: RESISTÊNCIA DOS MATERIAIS Energa de deformação na
Leia maisSoftware. Guia do professor. Como comprar sua moto. Secretaria de Educação a Distância. Ministério da Ciência e Tecnologia. Ministério da Educação
números e funções Gua do professor Software Como comprar sua moto Objetvos da undade 1. Aplcar o conceto de juros compostos; 2. Introduzr o conceto de empréstmo sob juros; 3. Mostrar aplcações de progressão
Leia maisPREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH
PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH CAPORAL, Bbana 1 ; CAVALHEIRO, Everton ; CORRÊA, José Carlos 3 ; CUNHA, Carlos 4 Palavras-chave: Econometra; Séres temporas; Co-ntegração;
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisObjetivos 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 maisAula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014
Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca
Leia maisCAPÍTULO 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 maisRegressão 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 maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisPROJEÇÕES 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 mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisProf. Antônio Carlos Fontes dos Santos. Aula 1: Divisores de tensão e Resistência interna de uma fonte de tensão
IF-UFRJ Elementos de Eletrônca Analógca Prof. Antôno Carlos Fontes dos Santos FIW362 Mestrado Profssonal em Ensno de Físca Aula 1: Dvsores de tensão e Resstênca nterna de uma fonte de tensão Este materal
Leia maisPrimeiras Redes Neurais. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
Prmeras Redes Neuras Aluzo Fausto Rbero Araújo Unversdade Federal de Pernambuco Centro de Informátca Conteúdo. Modelo de McCullough and Ptts 2. Teora de Hebb 3. O Perceptron 4. Exemplos 2 Modelo de McCullough
Leia maisINTRODUÇÃO SISTEMAS. O que é sistema? O que é um sistema de controle? O aspecto importante de um sistema é a relação entre as entradas e a saída
INTRODUÇÃO O que é sstema? O que é um sstema de controle? SISTEMAS O aspecto mportante de um sstema é a relação entre as entradas e a saída Entrada Usna (a) Saída combustível eletrcdade Sstemas: a) uma
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisAnálise 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 maisMatemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t
Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,
Leia maisCurso de especialização em Finanças e Economia Disciplina: Incerteza e Risco Prof: Sabino da Silva Porto Júnior Sabino@ppge.ufrgs.
Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br Introdução Até agora: conseqüêncas das escolhas dos consumdores
Leia mais2 Redes Neurais Auto-Organizáveis
2 Redes Neuras Auto-Organzáves 2.1 Introdução Problemas de clusterng estão presentes nos mas varados contetos, como por eemplo: classfcação de padrões, mneração de dados e recuperação de nformações de
Leia maisESPELHOS E LENTES ESPELHOS PLANOS
ESPELHOS E LENTES 1 Embora para os povos prmtvos os espelhos tvessem propredades mágcas, orgem de lendas e crendces que estão presentes até hoje, para a físca são apenas superfíces poldas que produzem
Leia maisMAPEAMENTO 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 maisPOLARIMETRIA ÓPTICA E MODELAGEM DE POLARES OBSERVADAS NO OPD/LNA NO PERÍODO DE 2010-2012
5 POLARIMETRIA ÓPTICA E MODELAGEM DE POLARES OBSERVADAS NO OPD/LNA NO PERÍODO DE 00-0 OPTICAL POLARIMETRY AND MODELING OF POLARS OBSERVED IN OPD/LNA IN THE PERIOD 00-0 Karleyne M. G. Slva Cláuda V. Rodrgues
Leia maisUTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:
UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisd o m i c i l i a r, d o m i c i l i o m i c i l i s o b r e s o b r e s o b r e a d
s t a d o m c l a r, s o b r e c s t a d o m c l a r, s o b r e c s t a d o m c l a r, s o b r e c Marcos hstórcos: 1993 1996 2004 Objetvo da Pastoral da Pessoa Idosa A Pastoral da Pessoa Idosa tem por
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisAs tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.
1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação
Leia maisModelagem do Transistor Bipolar
AULA 10 Modelagem do Transstor Bpolar Prof. Rodrgo Rena Muñoz Rodrgo.munoz@ufabc.edu.br T1 2018 Conteúdo Modelagem do transstor Modelo r e Modelo híbrdo Confgurações emssor comum, base comum e coletor
Leia maisRedes 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 maisEstatística 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 mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia mais2 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 maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
Leia maisCapítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2
Capítulo O plano compleo Introdução Os números compleos começaram por ser ntrodudos para dar sentdo à resolução de equações polnomas do tpo Como os quadrados de números reas são sempre maores ou guas a
Leia maisLista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.
Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia maisTópicos Especiais de Álgebra Linear Tema # 1: Aprendendo a trabalhar com o Derive. Introdução ao Derive
Tópcos Especas de Álgebra Lnear Tema # : Aprendendo a trabalhar com o Derve Assunto: Introdução ao Derve. Ambente Algébrco e Gráfco. Comandos da Álgebra de Matrzes. Determnantes, Inversa de uma Matrz.
Leia maisSuporte Básico para Sistemas de Tempo Real
Suporte Básco para Sstemas de Tempo Real Escalonamento e Comuncação Sldes elaborados por George Lma, com atualzações realzadas por Ramundo Macêdo Suporte Básco para Sstemas de Tempo-Real Escalonamento
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisIMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA
IMPLEMENTAÇÃO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO A LINGUAGEM DE PROGRAMAÇÃO JAVA José R. Campos 1, Anna D. P. Lotufo 1, Carlos R. Mnuss 1, Mara L. M. Lopes 1 1 UNESP, Ilha Soltera, Brasl, jrcampos8@gmal.com,
Leia maisTeoremas de Otimização com Restrições de Desigualdade
Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia mais7.4 Precificação dos Serviços de Transmissão em Ambiente Desregulamentado
64 Capítulo 7: Introdução ao Estudo de Mercados de Energa Elétrca 7.4 Precfcação dos Servços de Transmssão em Ambente Desregulamentado A re-estruturação da ndústra de energa elétrca que ocorreu nos últmos
Leia maisProcedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vtóra-ES, 015. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs Procedmento Recursvo do Método dos Elementos de Contorno Aplcado em Problemas
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisSISTEMA HÍBRIDO NEURO-FUZZY PARA ANÁLISE DE SEGURANÇA EM TEMPO REAL DE SISTEMAS DE POTÊNCIA
SISTEMA HÍBRIDO NEURO-FUZZY PARA ANÁLISE DE SEGURANÇA EM TEMPO REAL DE SISTEMAS DE POTÊNCIA EDUARDO DE A. SODRÉ, DEPT Dvsão de Estudos do Sstema de Transmssão, CHESF Rua Delmro Gouvea, 333 Bon, Cep: 50761
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP SISTEMA
Leia maisO Uso do Software Matlab Aplicado à Previsão de Índices da Bolsa de Valores: Um Estudo de Caso no Curso de Engenharia de Produção
O Uso do Software Matlab Aplcado à Prevsão de Índces da Bolsa de Valores: Um Estudo de Caso no Curso de Engenhara de Produção VICENTE, S. A. S. Unversdade Presbterana Mackenze Rua da Consolação, 930 prédo
Leia maisPARÂMETRO DE EXATIDÃO PARA APROXIMACÃO DE FUNCÕES UTILIZANDO MULTILAYER PERCEPTRONS NOS DOMÍNIOS REAL, COMPLEXO E DE CLIFFORD
PARÂMETRO DE EXATIDÃO PARA APROXIMACÃO DE FUNCÕES UTILIZANDO MULTILAYER PERCEPTRONS NOS DOMÍNIOS REAL, COMPLEXO E DE CLIFFORD Thalles S. Torch, Mlton R. Romero e Evandro M. Martns 3 Depto. de Eng. Elétrca,
Leia maisOtimização de Custos de Transporte e Tributários em um Problema de Distribuição Nacional de Gás
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN Otmzação de ustos de Transporte e Trbutáros em um Problema de Dstrbução Naconal de Gás Fernanda Hamacher 1, Fernanda Menezes
Leia maisCamila 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 maisCÁLCULO DO ALUNO EQUIVALENTE PARA FINS DE ANÁLISE DE CUSTOS DE MANUTENÇÃO DAS IFES
MIISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO SUPERIOR DEPARTAMETO DE DESEVOLVIMETO DA EDUCAÇÃO SUPERIOR TECOLOGIA DA IFORMAÇÃO CÁLCULO DO ALUO EQUIVALETE PARA FIS DE AÁLISE DE CUSTOS DE MAUTEÇÃO DAS IFES
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia maisUMA 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 maisHoje não tem vitamina, o liquidificador quebrou!
A U A UL LA Hoje não tem vtamna, o lqudfcador quebrou! Essa fo a notíca dramátca dada por Crstana no café da manhã, lgeramente amenzada pela promessa de uma breve solução. - Seu pa dsse que arruma à note!
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisSinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS.
Snas Lumnosos 1-Os prmeros snas lumnosos Os snas lumnosos em cruzamentos surgem pela prmera vez em Londres (Westmnster), no ano de 1868, com um comando manual e com os semáforos a funconarem a gás. Só
Leia maisElaboração: 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 maisLQA - 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 maisExpressão da Incerteza de Medição para a Grandeza Energia Elétrica
1 a 5 de Agosto de 006 Belo Horzonte - MG Expressão da ncerteza de Medção para a Grandeza Energa Elétrca Eng. Carlos Alberto Montero Letão CEMG Dstrbução S.A caletao@cemg.com.br Eng. Sérgo Antôno dos Santos
Leia maisProbabilidade nas Ciências da Saúde
UNIVERSIDDE ESTDUL DE GOIÁS Undade Unverstára de Cêncas Exatas e Tecnológcas Curso de Lcencatura em Matemátca robabldade nas Cêncas da Saúde Rafaela Fernandes da Slva Santos NÁOLIS 014 Rafaela Fernandes
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisPolos Olímpicos de Treinamento. Aula 10. Curso de Teoria dos Números - Nível 2. Divisores. Prof. Samuel Feitosa
Polos Olímpcos de Trenamento Curso de Teora dos Números - Nível 2 Prof. Samuel Fetosa Aula 10 Dvsores Suponha que n = p α 1 2...pα é a fatoração em prmos do ntero n. Todos os dvsores de n são da forma
Leia mais