Modelagem Epidemiológica Fuzzy
|
|
- Victor Gabriel Quintão Barreiro
- 5 Há anos
- Visualizações:
Transcrição
1 Modelagem Epidemiológica Fuzzy Anna Lígia Oenning Soares Universidade Federal de Mato Grosso Av. Fernando Corrêa da Costa, n o 2367, Boa Esperança , Cuiabá, MT ligiaoenning@hotmail.com and Rodney Carlos Bassanezi Univeridade Federal do ABC Av. dos Estados, n o 5001, Bangu , Santo André, SP rodney@ime.unicamp.br Abstract. Utilizamos a teoria fuzzy de duas maneiras distintas (Sistema p-fuzzy e Extensão de Zadeh) para a modelagem de sistemas epidemiológicos como alternativa para a modelagem dos sistemas clássicos. A subjetividade foi incorporada nos modelos na condição inicial dos indivíduos infecciosos e na taxa da infecção considerando-as um conjunto fuzzy, cuja soluções foram obtidas pelo Princípio de Extensão de Zadeh. Através do sistema p-fuzzy discreto obtemos as soluções dos modelos clássicos onde as variações das entradas foram obtidas por meio de um controlador fuzzy. Palavras-chave: Modelagem Epidemiológica, sistema p-fuzzy, Extensão de Zadeh. 1 Introdução Os modelos determinísticos epidemiológicos tem como característica a precisão obtida das soluções, que por sua vez dependem de informações precisas que são inseridas na forma de média dos parâmetros, tornando menor a chance de acerto da previsão, além disso, neste modelos é considerado que os indivíduos infecciosos estão distribuídos homogeneamente em toda população, têm a mesma chance de transmitir a doença e as condições iniciais são valores precisos, porém é bem razoável esperar o contrário, isto é, que os indivíduos infecciosos possuam grau de infecciosidade diferentes e que os valores das condições iniciais sejam valores aproximados. Em busca de incorporar diferentes graus de infecciosidade no modelo SI, Barros e Bassanezi (2006) consideraram que o coeficiente de transmissão da doença dependia da carga viral do indivíduo, interpretando-a como uma função
2 1014 Anna L. O. Soares, Rodney C. Bassanezi pertinência de algum subconjunto fuzzy e utilizaram a esperança fuzzy como deffuzificador da solução do modelo. Mais recentemente Cecconello (2010) analisa os pontos de equilíbrio do modelo SI e a estabilidade das soluções do modelo SIR, onde são consideradas incertezas sobre as quantidades de suscetíveis e infecciosos. Neste trabalho vamos analisar o comportamento da solução fuzzy de modelos epidemiológicos SI e SIR considerando incertezas fuzzy tanto nas condições iniciais quanto no parâmetro β, que representa a taxa de transmissão da doença infecciosa. Além disso, faremos uma abordagem sobre a transmissão de doenças infecciosas utilizando sistemas p-fuzzy. 2 Desenvolvimento 2.1 Modelo SI A dinâmica do modelo SI consiste em analisar somente os indivíduos infectados, pois ele não nos fornece a recuperação dos infecciosos, assim quando um indivíduo suscetível adquire a doença, o mesmo não volta a pertencer a classe dos suscetíveis. Neste caso a classe dos recuperados está imbutido na classe dos infectados. A gripe é uma doença que pode ser modelada por SI, pois quando adquirimos uma gripe não é possível sermos infectados novamente pelo mesmo vírus. Este modelo, sem dinâmica vital, é o mais simples dos modelos epidemiológicos e pode ser descrito pelo sistema de duas equações diferenciais ordinárias não lineares, ds dt = βsi, S(0) = S 0, di dt = βsi, I(0) = I 0, Como a população total N(t) = S(t) + I(t) é constante, pois dn dt = 0, assumiremos a equação na forma normal, isto é, N(t) = 1, para todo t 0. Assim S e I são entendidos como proporções de indivíduos suscetíveis e infectados, respectivamente, podemos escrever, (1) S(t) = 1 I(t) t. (2) Substituindo a equação (2) na segunda equação do sistema (1) obtemos, di dt = β(1 I)I. (3)
3 Modelagem Epidemiológica Fuzzy 1015 O sistema formado pelas equações (2) e (3) é equivalente ao sistema (1). O maior interesse em estudos epidemimiologicos é saber a quantidade de pessoas que estão infectadas em um determinado tempo, por isso faremos o estudo do PVI, di dt = β(1 I)I, I(0) = I 0. (4) Temos que a solução (4) é dada por, I t (I 0 ) = I 0e βt S 0 + I 0 e βt (5) Princípio de Extensão de Zadeh Em uma epidemia é comum esperar que a taxa de transmissão da doença seja variável com o tempo e também que é praticamente impossível determinar a quantidade de infectados no início da epidemia. Tentando levar essas considerações para o modelo epidemiológico SI, consideraremos que tanto a taxa de transmissão quanto o número inicial de infectados são números fuzzy e utilizaremos o princípio de extensão de Zadeh para resolvê-los e para isso apresentaremos algumas definições sobre a teoria de conjunto fuzzy. Definição 21 Seja X um conjunto não vazio. Um subconjunto fuzzy A de X é um subconjunto {(x, µ A (x)) : x X} não vazio de X [0, 1] para alguma função µ A : X [0, 1] A função µ A : X [0, 1], denominada função pertinência de A, associa para cada x X o grau de pertinência µ A (x) de x em A. Definição 22 (Princípio de Extensão de Zadeh): Sejam f : X Y uma aplicação e A um subconjunto f uzzy de X. A extensão de Zadeh de f é a função ˆf que, aplicada a A, fornece o subconjunto fuzzy ˆf(A) de Y, cuja função pertinência é dada por sup µ A (x) se {x : f(x) = y}, {x:f(x)=y} µ ˆf(A) (y) = 0 se {x : f(x) = y} =. Definição 23 (α-nível): Seja A um subconjunto fuzzy de X e α [0, 1]. O α- nível de A é o subconjunto clássico de X definido por [A] α = {x X : µ A (x) α} 0 < α 1. (6) O nível zero de um subconjunto fuzzy A é definido como sendo o menor subconjunto (clássico) fechado de X que contém o conjunto suporte de A 1. 1 O conjunto suporte de A é um subconjunto clássico de X e é definido por suppa = {x X : µ A(x) > 0}.
4 1016 Anna L. O. Soares, Rodney C. Bassanezi Definição 24 (Número fuzzy): Um subconjunto fuzzy A é chamado de número fuzzy quando o conjunto universo no qual µ A está definida, é o conjunto dos números reais R e satisfaz às condições: (i) todos os α-níveis de A são não vazios, com 0 α 1; (ii) todos os α-níveis de A são intervalos fechados de R; (iii) suppa = {x R : µ A (x) > 0} é limitado. Iremos denotar os α-níveis do número fuzzy A por [A] α = [a α 1, a α 2 ]. Definição 25 (Número Triangular fuzzy): Um número fuzzy A é dito triangular se sua função de pertinência é da forma 0 se x a x a ϕ A (x) = u a se a < x u x b u b se u x < b 0 se x b. Denotaremos um número fuzzy triangular pelo terno (a; u; b). O problema de valor inicial fuzzy autonômo quando o valor inicial é um número fuzzy é dado por dx dt = f(x(t)) x(a) = u 0 F(R) onde f : [a, b] R é contínua e F(R) é a família dos números fuzzy. Supondo que para cada condição x 0 R o problema do valor determinístico (7) dx = f(x(t)) dt (8) x(a) = x 0 admita solução única ϕ t então, para cada t, a solução fuzzy ψ t de (7) é definida como a extensão de Zadeh da solução determinística ϕ t. Isto é, se u 0 F(R) então ψ t (u 0 ) = ˆϕ(u 0 ). Como ϕ t é contínua em relação a condição inicial, temos que [ψ t (u 0 )] α = [ ˆϕ t (u 0 )] α = ϕ t ([u 0 ] α ) = ϕ t ([u α 01, u α 02]).
5 Modelagem Epidemiológica Fuzzy 1017 Desta forma temos que o PVI fuzzy de (4), quando I(0) é fuzzy é formalmente dado por di = β(1 I)I dt (9) I(0) = Î 0 onde Î0 F(R). Como para cada I 0 R + o PVI (4) admite solução única I t (I 0 ), então para cada t, a solução fuzzy de (9) será a extensão de Zadeh com relação a condição incial da solução determinística de (4) dada por, Î t (Î0) = Î 0 e βt. (10) S 0 + Î0eβt Onde S 0 na equação (10) é visto como um subconjunto crisp de R, isto é, S 0 é um subconjunto fuzzy de R com função de pertinência dada por, χ {S0}(x) = { 1 se x S0, 0 se x / S 0 (11) A função de pertinência definida em (11) é denominada função característica de S 0. As operações aritméticas com número fuzzy podem ser vista em [1]. Como I t é contínua e monótona crescente para todo I 0 > 0 temos que [Ît(Î0)] α = I t ([Î0] α ) = I t ([Îα 01, Îα 02]) = [I t (I α 01), I t (I α 02)]. (12) Portanto para cada t fixo, não temos mais um número real representando a quantidade de infectados, mas sim um intervalo de valores representando limites inferior e superior da quantidade de infectados, sendo que cada número real deste intervalo possui um grau de confiabilidade através da função de pertinência de Î0. Agora veremos a estabilidade de um PVI fuzzy autonômo quando a condição inicial é um número fuzzy, esses resultados podem ser encontrados em Mizukoshi (2004). Definição 26 : Dizemos que um número fuzzy x F(R) é um ponto de equilíbrio fuzzy de (7) se ˆϕ t ( x) = x, para todo t a. Definição 27 Seja U R n aberto e x 0 U. Dizemos que ˆϕ t : F(U) F(U), t R +, é uma solução fuzzy para a Equação (13) quando ˆϕ t (χ {x0}) = χ {ϕt(x 0)}, onde ϕ t : U U é solução da equação autônoma dx dt = f(x), x(0) = x 0 (13)
6 1018 Anna L. O. Soares, Rodney C. Bassanezi Proposição 21 : Seja x e R. Então x e é um ponto de equilíbrio para ϕ t obtida de (8) se, e somente se, χ {xe} é um ponto de equilíbrio para ˆϕ t Teorema 21 : Sejam x e [a, b] um ponto de equilíbrio para (8) e ˆϕ t o fluxo fuzzy associado ao fluxo determinístico ϕ t. Então valem as seguintes afirmações: i) x e é estável para ϕ t se, e somente se, χ {xe} é estável para ˆϕ t ; ii) x e é assintoticamente estável para ϕ t se, e somente, se χ {xe} é assintoticamente estável para ˆϕ t Como os pontos de equilíbrio de (4) são I = 0 e I = 1 e o fluxo determinístico I t (I 0 ) 1 quando t, segue que os pontos de equilíbrio fuzzy de (9) são χ {0} e χ {1} e a solução fuzzy Ît(Î0) χ {1} quando t. Agora iremos contruir a solução fuzzy de (9) através do software Matlab e consideraremos Î0 um número triangular fuzzy. Fig. 1. Fluxo fuzzy ˆϕ t(î0) quando Î0 = (0.1, 0.2, 0.3) e β = 0.5 Temos que I 0 = 0.2 possui grau de pertinência 1 e o gráfico de sua solução determinística é o mais escuro, conforme os valores de I 0 vão se distanciando de 0.2 o grau de pertinência das soluções destes valores vão diminuindo, este fato é representado pelo clareamento do gráfico de solução de ˆϕ t (Î0). Agora iremos aplicar a subjetividade no coeficiente de transmissão da doença β, considerando-o um número triangular fuzzy. Comecemos considerando o PVI ampliado de (4), di = β(1 I)I, dt I(0) = I 0, R dβ dt = 0, β(0) = β, (14)
7 Modelagem Epidemiológica Fuzzy 1019 Temos que a solução do PVI (14) é dada por ϕ t (I 0, β) = ( I0 e βt ) S 0 + I 0 e βt, β. O problema de valor inicial fuzzy autonômo quando somente algum parâmetro (β) é um número fuzzy é dado por dx = f(x(t), β) dt x(0) = x 0 R (15) dβ dt = 0 β(0) = ˆβ F(R) Assim o parâmetro é visto como uma variável no modelo determinístico e o par (x 0, β) como condição inicial. Desta forma, o PVI fuzzy de (14), quando somente o parâmetro β é um número fuzzy, toma a forma: di = β(1 I)I, dt I(0) = I 0 R dβ dt = 0, β(0) = ˆβ (16) Como para cada (I 0, β) R 2 o PVI (14) admite solução única ϕ t (I 0, β), então para cada t, a solução fuzzy de (16) é dado pela extensão de Zadeh com relação ao parâmetro β da solução determinística de (14), isto é, ˆϕ t : F(R 2 ) F(R 2 ) (Î0, ˆβ) ˆϕ t (Î0, ˆβ) (17) onde Î0 é um subconjunto crisp de R. Como [β] α = [β α 1, β α 2 ] temos que, [ ˆϕ t ( ˆβ, Î0)] α = ϕ t ([β] α, Î0) Tanto a proposição 2.1 quanto o teorema 2.1 podem ser estendidos para os respectivos PVI s (14) e (16), para um formalismo matemático desses resultados consultar Misukoshi(2004). Os pontos de equilíbrio do PVI (14) são (1, β) e (0, β), como ϕ t (I 0, β) (1, β) quando t temos que os pontos de equilíbrio do PVI (16) são χ (1,β) e χ (0,β) e ˆϕ t (Î0, ˆβ) χ (1,β) quando t. O gráfico da projeção ˆϕ t ( ˆβ) também construído no software Matlab, onde ˆβ é um número triangular fuzzy está representado na figura abaixo.
8 1020 Anna L. O. Soares, Rodney C. Bassanezi Fig. 2. Projeção ˆϕ t( ˆβ) quando ˆβ = (0.3, 0.4, 0.5) e I 0 = 0.1 Para cada t 0 temos um intevalo representando a quantidade de infectados naquele instante sendo que cada valor deste intervalo possui seu grau de confiabilidade através do número trianguar ˆβ. Sistema p-fuzzy: Base de Regras Um sistema p-fuzzy é um sistema dinâmico discreto que tem a forma, { xt+1 = F (x t ) x(0) = x(t 0 ) (18) onde F : R n R n é dada por F (x k ) = x k + (x k ) e (x k ) é obtida por um sistema baseado em regras fuzzy. Para melhor compreensão sobre sistemas dinâmicos p-fuzzy o leitor deve consultar [6]. Através de um sitema p-fuzzy discreto podemos estimar as soluções dos modelos epidemiológicos clássicos, sem precisar utilizar de ferramentas matemáticas sofisticadas e nem realizar cálculos maçantes e exaustivos. No modelo SI temos que a entrada é a população de infectados (I) e a saída é a variação da população de infectados ( I), a figura 3 representa a função pertinência de I: A base de regras utilizada deve ser coerente com o modelo SI, onde a principal suposição é que, em cada instante t, a taxa crescimento de infectados é diretamente proporcional à população de infectados, porém para valores grandes de
9 Modelagem Epidemiológica Fuzzy 1021 Fig. 3. Função pertinência da variação da população de infectados I a taxa de crescimento sofre uma penalização. Desta forma, a base de regras será dada por: R1: Se I é B então I é M R2: Se I é M então I é A R3: Se I é A então I é B R4: Se I é AT então I é N Table 1. Base de regras para modular a variação da população de infectados onde B, M, A, AT e N são as qualificações das variáveis linguísticas que significam, respectivamente, baixa, média, alta, altíssima e negativa. A função de pertinência da variável de entrada, que é a população de infectados, pode ser vista na figura 4. Adotando o método de Mandani como método de inferência, o centro de área como defuzzificador, combinado com o sistema p-fuzzy discreto, chegamos que a solução estimada para o modelo SI, através de um controlador fuzzy está representada na figura Modelo SIR A dinâmica deste modelo consiste tanto em analisar os indivíduos infecciosos quanto os que se recuperam da doença.
10 1022 Anna L. O. Soares, Rodney C. Bassanezi Fig. 4. Função pertinência da população de infectados Fig. 5. Solução I do modelo SI, através de um controlador fuzzy O modelo SIR comtempla também o compartimento R, separado de I, ou seja, permite que o indivíduo se recupere da doença, ficando imune a reinfecção, este modelo nos permite computar a quantidade de infectados que se recuperam. Doenças como Rubéola, Sarampo, Catapora, Cachumba e Gripe são bem modeladas por SIR. Desconsiderando as taxas de mortalidade e natalidade, podemos tornar o modelo SIR mais simples, sendo formulado pelas equações,
11 Modelagem Epidemiológica Fuzzy 1023 ds dt = βsi, S(0) = S 0 0 di dt = βsi αi, I(0) = I 0 0 (19) dr dt = αi, R(0) = R 0 0 onde β é a taxa de transmissão da doença, α é a taxa de remoção dos infecciosos para a classe dos recuperados. Note que ds dt + di dt + dr dt = 0 = dn dt, então podemos dizer que N é constante em relação ao tempo, isto é, N(t) = S(t)+I(t)+R(t) = S 0 +I 0 +R 0 para todo t 0. Observe também que as duas primeiras equações de (19) não dependem de R(t), então o sistema (19) se reduz a ds dt = βsi, S(0) = S 0 0 di dt = βsi αi, I(0) = I 0 0 com R(t) = N (S(t) + I(t)) para todo t 0. (20) A análise do comportamento assintótico da solução ϕ t (S 0, I 0, R 0 ) quando t e pontos de equilíbrio do modelo SIR podem ser visto em [4] que afirma o seguinte: A solução z(t) = (S(t), I(t)) do sitema (20) converge para um ponto do conjunto [0, ρ] {0} e i) I(t) 0 quando t, se S 0 ρ; ii) I(t) cresce atingindo o valor máximo N ρ ( ( )) ρ 1 + ln e depois de- S 0 cresce para 0, se S 0 > α β ; iii) S(t) é( decrescente ) e converge para S [0, ρ] para o quel é solução de N S = ρln. S 0 S iv)r(t) é crescente e converge para N S. Desta forma podemos concluir que a solução determinística ϕ t (S 0, I 0, R 0 ) de (19) converge para o ponto de equilíbrio (S, 0, ρln S0 ) e isto significa que a convegência para um ponto de equilíbrio irá dependender da escolha das S condições
12 1024 Anna L. O. Soares, Rodney C. Bassanezi iniciais. Extensão de Zadeh O modelo SIR, sem dinâmica vital, quando I 0 é fuzzy toma a forma ds dt = βsi, S(0) = S 0 R + di dt = βsi αi, I(0) = Î0 F(R + ) dr dt = αi, R(0) = R 0 R +. (21) Para cada (S 0, I 0, R 0 ) R 3 o sistema (19) admite solução única ϕ t (S 0, I 0, R 0 ), então para cada t, a solução fuzzy de (21) é a extensão de Zadeh com relação a condição inicial da solução determinística ϕ t (S 0, I 0, R 0 ), isto é, ˆϕ t : F(R 3 ) F(R 3 ) (Ŝ0, Î0, ˆR 0 ) ˆϕ t (Ŝ0, Î0, ˆR 0 ) (22) onde Ŝ0 e ˆR 0 são subconjuntos crisp de R. Como ϕ t (S 0, I 0, R 0 ) (S, 0, ρln S0 ) quando t temos que ˆϕ S t(ŝ0, Î0, ˆR 0 ) χ S {S,0,ρln 0 } quando t. S Através do software Matlab construiremos as projeções da solução fuzzy ˆϕ t (Ŝ0, Î0, ˆR 0 ) do modelo SIR apresentado acima, considerando Î0 = (5; 10; 15), S 0 = 40, N = 50, β = 0.2 e α = 1.5. Sistema p-fuzzy: Base de Regras Para estimarmos as soluções S, I e R do modelo SIR, sem dinâmica vital, utilizaremos como entradas os compartimentos S e I e como saídas suas respectivas variações, a soluçõa R será dada através das soluções S e I visto que R = N (S + I). As regras terão como base as seguintes hipóteses: (1) Como não existe fluxo entrando no compartimento S, sua variação sempre decrescerá em função do tempo e será praticamente nula quando não houver mais indivíduos infecciosos. (2) No compartimento I existem fluxos entrando e saindo, assim a sua variação crescerá proporcionalmente a quantidade de suscetíveis, atigindo seu valor máximo
13 Modelagem Epidemiológica Fuzzy 1025 Fig. 6. Solução S, I e R do modelo SIR, sem dinâmica vital, com I 0 fuzzy aproximadamente quando as populações S e I forem iguais e decrescerá proporcionalmente à quantidade dos recuperados. Desta forma, o sistema de base regras será: onde B, MB, M, M +, MA e A são as qualificações das variáveis linguísticas R1: Se S é A e I é B então S é NA e I é MB R2: Se S é MA e I é MB então S é NMA e I é A R3: Se S é M + e I é M então S é NMA e I é B R4: Se S é M e I é M + então S é NMB e I é NB R5: Se S é MB e I é MB então S é NMB e I é NA R6: Se S é B e I é B então S é NB e I é NMB Table 2. Base de regras para modular a variação da população dos suscetíveis e infectados que significam, em ordem crescente, baixa, média baixa, média menos, média mais, média alta e alta respectivamente, a letra N na frente das qualificações representa que a variação é negativa. As funções de pertinência para as variáveis de entrada, podem ser vistas na figura 7, sendo que o gráfico da figura (a) é referente a variável I e o da figura (b) a variável S, sendo que as variáveis de saída, estão dispostas na figura 8, onde a figura (a) representa a variação I e a figura (b) a variação S. Através do sistema p-fuzzy discreto e do software Matlab, obtemos a solução S, I e R estimadas pelo controlador fuzzy, como pode ser vito na figura 9.
14 1026 Anna L. O. Soares, Rodney C. Bassanezi Fig. 7. Funções de pertinência das variáveis de entrada Modelando a taxa de infecção β por Base de Regras Um dos parâmetros mais difícieis em quantificar é a taxa de infeção das doenças (β) e quando o mesmo é determinado, geralmente é dado como um valor constante. Algumas doenças como a Hepatite B e a Aids possuem longos e variáveis períodos infecciosos, sendo assim, essas doenças seriam melhor modeladas se houvesse repartições no compartimento I, onde cada compartimento representa o grau de infecção dos indivíduos infecciosos, porém um modelo desta forma se torna muito complexo. No intuito de modelar essa taxa de infecção, sem utilizar ferramentas matemáticas complexas, utilizaremos uma base de regras, onde utilizaremos como entrada as variáveis S, I e R e saída a taxa de infeção β. As funções de pertinência para as variáveis de entrada são dadas por: Na figura (a) as funções de pertinência representam as variáveis linguísticas das variáveis S e R e figura (b) da variável I. A função de pertinência da variável de saída β é dado por: As regras para modular a taxa de infecção β foram dadas da seguinte forma:
15 Modelagem Epidemiológica Fuzzy 1027 Fig. 8. Funções de pertinência das variáveis de saída R1: Se S é A, I é B e R é B então β é B R2: Se S é M +, I é M e R é B então β é M R3: Se S é M, I é M e R é M então β é A R4: Se S é M, I é M e R é M então β é A R5: Se S é B, I é M e R é M + então β é M R6: Se S é M, I é B e R é A então β é B R7: Se S é M, I é B e R é A então β é B Table 3. Base de regras para modular a variação da população dos suscetíveis e infectados onde B, M, M, M + e A são as qualicações das variáveis linguísticas que significam, respectivamente, baixa, média baixa, média, média alta e alta. Através do sistema p-fuzzy discreto x i+1 = x i βx i y i + γr i y i+1 = y i + βx i y i θy i (23) r i+1 = r i + θy i γr i onde γ é a taxa de imunidade perdida dos recuperados e θ é a taxa de recuperação dos indivíduos infectados. Fazendo γ = e θ = obtemos a solução Temos que a função β é crescente até quando a população dos indivíduos suscetíveis chega a metade de seu valor inicial, atingindo o valor máximo de 0,0154 em seguida a função descrece atingindo um mínimo local de 0,01, sendo
16 1028 Anna L. O. Soares, Rodney C. Bassanezi Fig. 9. Solução S, I e R do modelo SIR, através do controlador fuzzy Fig. 10. Funções de pertinência das variáveis de entrada. que o mínimo global de 0,0078 se apresenta no início da doença como pode ser visto na figura abaixo. 3 Conclusão Na prática percebemos o quanto é difícil determinar valores de parâmetros e quantificar em um determinado momento quantas pessoas estão suscetíveis, infectadas e/ou recuperadas, pois a partir do momento que determinamos esses valores o modelo corre risco. Com a incorporação de subjetividade na condição inicial I 0 e na taxa de infecção nos modelos determinísticos, obtivemos através do Princípio de Extensão de Zadeh, modelos em que para cada instante t existe um intervalo representando
17 Modelagem Epidemiológica Fuzzy 1029 Fig. 11. Função pertinência da variável β. Fig. 12. Solução S, I e R, onde β é gerado por um controlador fuzzy. o limite superior e inferior da quantidade de infectados, sendo que cada número real deste intervalo possui um grau de confiabilidade, fazendo destes modelos mais realistas, pois aumentam a chance de acerto das previsões. Através do sistema p-fuzzy pudemos modelar fenômenos cujo comportamento é parcialmente conhecido, pois informações subjetivas são incorporadas tanto nas variáveis quanto nas variações e suas relações com as variáveis, tornando assim os modelos mais simples, não exigindo ferramentas matemáticas complexas e cálculos exaustivos. References 1. BASSANEZI, R. C; BARROS, L. C. Tópicos de Lógica Fuzzy e Biomatemática, Campinas, SP: UNICAMP/IMECC, CECCONELLO, M. S. Sistemas Dinâmicos em Espaços Métricos Fuzzy - Aplicações em Biomatemática, Tese de Doutorado, IMECC-UNICAMP, MIZUKOSHI, M. T. Estabilidade de Sistemas Dinâmicos Fuzzy, Tese de Doutorado, IMECC-UNICAMP, CECCONELLO, M. S; PEREIRA, C. M; BASSANEZI, R. C. Análise qualitativa da solução fuzzy do modelo epidemiológico SIR, Biomatemática, 22:77-92.
18 1030 Anna L. O. Soares, Rodney C. Bassanezi Fig. 13. Gráfico da função β gerado por um controlador fuzzy. 5. SOARES, A. L. O. Modelagem Alternativa para Sistemas Epidemiológicos Dissertação de Mestrado, CMCC-UFABC, SILVA, J. D. M Análise de Estabilidade de Sistemas Dinâmicos P-fuzzy com Aplicações em Biomatemática, Tese de Doutorado, IMECC-UNICAMP, 2005.
Um estudo sôbre crescimento em peso do tambaquí com modelagem fuzzy
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Um estudo sôbre crescimento em peso do tambaquí com modelagem fuzzy Rodney Carlos Bassanezi, Michael Macedo Diniz, Depto de Matemática Aplicada, IMECC,
Leia maisSISTEMAS P-FUZZY APLICADOS À DINÂMICA POPULACIONAL
SISTEMAS P-FUZZY APLICADOS À DINÂMICA POPULACIONAL Miriam Eulalina Martins *, Rodney Carlos Bassanezi, Cid Marcos G. Andrade Uningá Centro Universitário Ingá PR, prof.miriammartins@uninga.edu.br Universidade
Leia maisAnálise qualitativa da solução fuzzy do modelo presa - predador de Lotka - Volterra
Análise qualitativa da solução fuzz do modelo presa - predador de Lotka - Volterra Moiseis S. Cecconello Depto de Matemática, ICET, UFMT 786-9, Cuiabá, MT E-mail: moiseis@ufmt.br Rodne C. Bassanezzi Universidade
Leia maisEstabilidade de sistemas baseados em regras fuzzy e a função de Lyapunov
Biomatemática 19 (2009), 1 10 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Estabilidade de sistemas baseados em regras fuzzy e a função de Lyapunov L. C. de Barros 1, IMECC, UNICAMP,
Leia maisSobre o Ponto de Inflexão em Modelos de Crescimento Inibido com Condição Inicial Fuzzy
Biomatemática 19 (2009), 81 98 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Sobre o Ponto de Inflexão em Modelos de Crescimento Inibido com Condição Inicial Fuzzy M. Cecconello
Leia maisTeorema de Poincaré-Bendixson no espaço métrico fuzzy E(R 2 )
Teorema de Poincaré-Bendison no espaço métrico fuzz E(R 2 ) Michael M. Diniz, Rodne C. Bassanezi, Depto de Matemática Aplicada, IMECC, UNICAMP, 13083-859, Campinas, SP E-mail: ra100688@ime.unicamp.br,
Leia maisMODELAGEM, ANÁLISE E PREVISÃO EPIDEMIOLÓGICA DETERMINÍSTICA SOBRE DADOS DA GRIPE SUÍNA (H1N1) NO BRASIL NO ANO DE 2009.
1 MODELAGEM, ANÁLISE E PREVISÃO EPIDEMIOLÓGICA DETERMINÍSTICA SOBRE DADOS DA GRIPE SUÍNA (H1N1) NO BRASIL NO ANO DE 2009. Hildmir do Nascimento Rocha hildmir.rocha@icen.ufpa.br Leriana Chaves da Silva
Leia maisInfluência da AIDS na Expectativa de Vida
BIOMATEMÁTICA XIII (2003) 75 84 Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Influência da AIDS na Expectativa de Vida de uma População R. S. M. Jafelice, Faculdade de Matemática, UFU, 38.408-00
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Motivação Motivação Por
Leia maisModelos Epidemiológicos e Vacinação
Programa de Computação Científica - FIOCRUZ 8 de dezembro de 2004 Histórico Doenças Infecciosas Histórico Infecções presentes Agentes Infecciosos Qualidade de vida X Doenças Infecciosas (60s) Câncer e
Leia maisz = y 1 n. (3) Conclusão. A equação de Bernoulli (1) se transforma em uma equação linear através da 1 n, y = 1 1 n z 1
Seção 6: Equação de Bernoulli Definição. Uma equação de Bernoulli é uma equação diferencial ordinária de a ordem da forma y + fx) y = gx) y n, ) onde n é um número real não precisa ser inteiro nem positivo).
Leia maisTeoria dos Conjuntos Fuzzy
Teoria dos Conjuntos Fuzzy Francisco Carpegiani Medeiros Borges Universidade Federal do Piauí Campus Parnaíba 27 de setembro de 2011 1 / 34 Sumário Como tudo começou! 1 Como tudo começou! 2 3 4 5 6 2 /
Leia maisParte II. Análise funcional II
Parte II Análise funcional II 12 Capítulo 5 Produto de Operadores. Operadores inversos Neste capítulo vamos introduzir a noção de produto de operadores assim como a de operador invertível. Para tal precisamos
Leia maisUm Estudo de Autômatos Celulares com Parâmetros Fuzzy para a Dispersão da Febre Aftosa em Bovinos no Mato Grosso do Sul
BIOMATEMÁTICA 6 (26), 3-42 ISSN 679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Um Estudo de Autômatos Celulares com Parâmetros Fuzzy para a Dispersão da Febre Aftosa em Bovinos no Mato
Leia maisANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS. Apresente e justifique todos os cálculos
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise ANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS TESTES DE RECUPERAÇÃO A - 6 DE JUNHO DE 9 - DAS H ÀS :3H Teste Apresente e justifique
Leia maisAPROXIMAÇÃO SPLINE PARA A EXTENSÃO DE ZADEH
APROXIMAÇÃO SPLINE PARA A EXTENSÃO DE ZADEH PPG. Matemáticas - IBILCE-UNESP gigu1885@hotmail.com III WORKSHOP Introdução PRELIMINARES Como sabemos, o principio fundamental da aritmética fuzzy é o principio
Leia maisUM ESTUDO SOBRE MODELOS EPIDEMIOLÓGICOS ENVOLVENDO EQUAÇÕES DIFERENCIAIS ORDINÁRIAS
UM ESTUDO SOBRE MODELOS EPIDEMIOLÓGICOS ENVOLVENDO EQUAÇÕES DIFERENCIAIS ORDINÁRIAS Valdir Junior Florentin de Aguiar 1 ; Maristela Missio 1 Estudante do curso de Matemática da UEMS, Unidade Universitária
Leia maisAnálise Complexa e Equações Diferenciais 2 o Semestre 2013/14 Cursos: LEAN, MeMec
Análise Complexa e Equações Diferenciais 2 o Semestre 2013/14 Cursos: LEAN, MeMec M Paluch Aulas 28 33 7 23 de Abril de 2014 Exemplo de uma equação diferencial A Lei de Newton para a propagação de calor,
Leia mais3 Modelo multivariado para os preços do petróleo e dos derivados
3 Modelo multivariado para os preços do petróleo e dos derivados 3.1 Introdução Na seção anterior foi apresentado o modelo SS padrão juntamente com duas extensões desenvolvidos nesta dissertação: o modelo
Leia maisContando coelhos: uma introdução. à dinâmica populacional
Contando coelhos: uma introdução à dinâmica populacional Por que estudar populações? Risco de extinção Exploração comercial Aumento descontrolado Importância ecológica Tópicos de interesse em dinâmica
Leia maisModelo Epidemiológico SI Fuzzy com Parâmetros Interativos
Modelo Epidemiológico SI Fuzzy com Parâmetros Interativos Valtemir M. Cabral Departamento de Matemática ICE UFAM 69000-000 Manaus AM E-mail: valtemircabral@yahoo.com.br Laécio C. Barros Departamento de
Leia maisUm novo atrator caótico em um modelo epidemiológico de vários sorotipos com imunidade temporária cruzada
Um novo atrator caótico em um modelo epidemiológico de vários sorotipos com imunidade temporária cruzada Bruna Cassol dos Santos IME-USP 4 de junho de 2018 Bruna Cassol dos Santos (IME-USP) Um novo atrator
Leia maisEquações Diferenciais Noções Básicas
Equações Diferenciais Noções Básicas Definição: Chama-se equação diferencial a uma equação em que a incógnita é uma função (variável dependente) de uma ou mais variáveis (independentes), envolvendo derivadas
Leia maisUM MODELO DE EQUAÇÕES DIFERENCIAIS NO ESTUDO DA EVOLUÇÃO TEMPORAL DA INFLUENZA A(H1N1)
UM MODELO DE EQUAÇÕES DIFERENCIAIS NO ESTUDO DA EVOLUÇÃO TEMPORAL DA INFLUENZA A(H1N1) Elisangela Melgarejo Deniz 1 ; Maristela Missio 2 UEMS Matemática, C. Postal 351, 79804-970 Dourados-MS, E-mail: elisangeladeniz@hotmail.com
Leia maisy (n) (x) = dn y dx n(x) y (0) (x) = y(x).
Capítulo 1 Introdução 1.1 Definições Denotaremos por I R um intervalo aberto ou uma reunião de intervalos abertos e y : I R uma função que possua todas as suas derivadas, a menos que seja indicado o contrário.
Leia maisCap. 5 Estabilidade de Lyapunov
Cap. 5 Estabilidade de Lyapunov 1 Motivação Considere as equações diferenciais que modelam o oscilador harmônico sem amortecimento e sem força aplicada, dada por: M z + Kz = 0 Escolhendo-se x 1 = z e x
Leia maisLISTA dy dx y x + y3 cos x = y = ky ay 3. dizemos que F (x, y) é homogênea de grau 0. Neste caso a equação diferencial y =
MAT 01167 LISTA Equações Diferenciais Resolva: 1. y = y x + x y, y ( ) 1 8 =. (1 x ) dy dx (1 + x) y = y. dy dx y x + y cos x = 0 4. y = ky ay. Se uma função F (x, y) satisfaz a condição F (t x, t y) =
Leia maisF prova 1 Unicamp, 30 de setembro de 2009 nome assinatura RA
F 60 - prova 1 Unicamp, 30 de setembro de 009 nome assinatura RA 1 a. questão (3 pontos): 1. Um solenóide longo, com n voltas por unidade de comprimento, carrega uma corrente I, gerando um campo magnético
Leia maisdepende apenas da variável y então a função ṽ(y) = e R R(y) dy
Formulario Equações Diferenciais Ordinárias de 1 a Ordem Equações Exactas. Factor Integrante. Dada uma equação diferencial não exacta M(x, y) dx + N(x, y) dy = 0. ( ) 1. Se R = 1 M N y N x depende apenas
Leia maisRedes Complexas Aula 15
Redes Complexas Aula 5 Aula passada Resilience ( robustez ) Tipo de falhas Influência da estrutura Análise do ponto crítico Aula de hoje Epidemia em redes Modelos epidemiológicos Criticalidade em função
Leia maisORDINÁRIAS. Víctor Arturo Martínez León
INTRODUÇÃO ÀS EQUAÇÕES DIFERENCIAIS ORDINÁRIAS Víctor Arturo Martínez León September 3, 2017 Súmario 1 Equações diferenciais lineares de primeira ordem 2 2 Equações diferenciais lineares de segundo ordem
Leia maisUma Abordagem direta para o Problema de Controle Ótimo de Pragas
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Uma Abordagem direta para o Problema de Controle Ótimo
Leia maisUm Modelo Presa-Predador e a Morte Súbita dos Citros
Um Modelo Presa-Predador e a Morte Súbita dos Citros Magda da Silva Peixoto, Faculdades Integradas de Araraquara, 14801-050, Araraquara, SP E-mail: magdapeixoto@yahoo.com.br, Laécio Carvalho de Barros,
Leia maisAnálise Complexa e Equações Diferenciais 1 ō Semestre 2016/2017
Análise Complexa e Equações Diferenciais 1 ō Semestre 016/017 ō Teste Versão A (Cursos: MEBiol, MEQ 17 de Dezembro de 016, 10h [,0 val 1 Considere a equação diferencial e t + y e t + ( 1 + ye t dy dt 0
Leia mais1 Equações Diferenciais Ordinárias: Sistemas de Equações
Equações Diferenciais Ordinárias: Sistemas de Equações O sistema geral de duas equações diferenciais pode ser escrito como: ẋ = F x,y,t ẏ = Gx,y,t Uma Solução de é um par x t e y t de funções de t tais
Leia maisEquações Diferenciais Noções Básicas
Equações Diferenciais Noções Básicas Definição: Chama-se equação diferencial a uma equação em que a incógnita é uma função (variável dependente) de uma ou mais variáveis (variáveis independentes), envolvendo
Leia maisDisciplinarum Scientia. Série: Naturais e Tecnológicas, Santa Maria, v. 15, n. 1, p , Recebido em: Aprovado em:
Disciplinarum Scientia. Série: Naturais e Tecnológicas, Santa Maria, v. 15, n. 1, p. 29-37, 2014. Recebido em: 13.05.2014. Aprovado em: 15.08.2014. ISSN 2176-462X RESUMO MODELO MATEMÁTICO DA EVOLUÇÃO DA
Leia maisTeoremas fundamentais dos espaços normados
Capítulo 9 Teoremas fundamentais dos espaços normados 9.1 Teorema de Hahn-Banach O próximo teorema, conhecido como teorema de Hahn-Banach, é uma generalização do Teorema 4.12, o qual, recordamos para conveniência
Leia mais1 Definição de uma equação diferencial linear de ordem n
Equações diferenciais lineares de ordem superior 1 1 Definição de uma equação diferencial linear de ordem n Equação diferencial linear de ordem n é uma equação da forma: a n (x) dn y dx n + a n 1(x) dn
Leia maisDinâmica populacional aplicada à imunologia: sarampo
Dinâmica populacional aplicada à imunologia: sarampo Elias T. Galante, Hyun M. Yang, Depto de Matemática Aplicada, IMECC, UNICAMP, 13083-859, Campinas, SP E-mail: ra001616@ime.unicamp.br, hyunyang@ime.unicamp.br,
Leia maisÁlgebra Linear e Geometria Anaĺıtica. Espaços Vetoriais Reais
universidade de aveiro departamento de matemática Álgebra Linear e Geometria Anaĺıtica Agrupamento IV (ECT, EET, EI) Capítulo 4 Espaços Vetoriais Reais Definição de espaço vetorial real [4 01] O conjunto
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisMODELO LOGÍSTICO: CRESCIMENTO POPULACIONAL DO HAITI
MODELO LOGÍSTICO: CRESCIMENTO POPULACIONAL DO HAITI BOSI, D. 1 ; GABRIEL, K. 1 ; PILATTI, C. 1 ; ROMIO, T. M. 1 ; BAVARESCO, D. 2 ; STROSCHEIN, S.D. 3 RESUMO Este trabalho apresenta resultados e discussões
Leia maisAnálise Complexa e Equações Diferenciais 2 ō Semestre 2013/2014
Análise Complexa e Equações Diferenciais 2 ō Semestre 213/21 Cursos: 2 ō Teste, versão A LEIC, MEEC, LEMat, MEAer, MEBiol, MEQ, MEAmbi 31 de Maio de 21, 11h3 [1,5 val. 1. Considere a equação diferencial
Leia maisUniversidade Federal do Piauí Centro De Ciências Da Natureza Departamento De Matemática
Universidade Federal do Piauí Centro De Ciências Da Natureza Departamento De Matemática Plano de trabalho Teoria dos Conjuntos Fuzzy como suporte de tomada de decisões Orientador: Jefferson Cruz dos Santos
Leia maisIntrodução aos modelos de transmissão de doenças infecciosas
Introdução aos modelos de transmissão de doenças infecciosas LNCC, Curso de Verão Janeiro, 2008 Modelo SIR ds di dr k = taxa contatos diarios β = risco de transmissao por contato = βksi /N (1) = βksi /N
Leia maisUm espaço métrico incompleto 1
Universidade Estadual de Maringá - Departamento de Matemática Cálculo Diferencial e Integral: um KIT de Sobrevivência anos c Publicação Eletrônica do KIT http://www.dma.uem.br/kit Um espaço métrico incompleto
Leia maisUnidade 5 - Subespaços vetoriais. A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa. 10 de agosto de 2013
MA33 - Introdução à Álgebra Linear Unidade 5 - Subespaços vetoriais A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa PROFMAT - SBM 10 de agosto de 2013 Às vezes, é necessário detectar, dentro
Leia maisIntrodução às Equações Diferenciais e Ordinárias
Introdução às Equações Diferenciais e Ordinárias - 017. Lista - EDOs lineares de ordem superior e sistemas de EDOs de primeira ordem 1 São dadas trincas de funções que são, em cada caso, soluções de alguma
Leia maisx n+1 = 1 2 x n (2 valores) Considere a equação recursiva no modelo de Fisher, Wright e Haldane
.9.8.7.6.5.4.3.2.1 1 22/11/211 1 o teste A41N1 - Análise Matemática - BIOQ Nome... N o... 1. (2 valores) Calcule a soma da série 9 1 + 9 1 + 9 1 +... 9 1 + 9 1 + 9 1 + = 9 1 1 + 1 1 + 1 1 + 1 «1 +... =
Leia maisAula 12 - Controle por Modos Deslizantes 1
Instituto Tecnológico de Aeronáutica 1/ 23 Instituto Tecnológico de Aeronáutica Divisão de Engenharia Eletrônica Departamento de Sistemas e Controle São José dos Campos, São Paulo, Brasil Aula 12-1 EE-209:
Leia maisVariáveis Linguísticas CONTEÚDO. Variáveis Linguísticas. Variáveis Linguísticas. Formalismo: caracterizada por uma
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características e Formas de Imprecisão Conjuntos Fuzzy Propriedades, Formas de Representação e Operações Lógica Fuzzy Relações,
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisMestrado em Matemática Aplicada
UNIVERSIDADE FEDERAL DO ABC Pós-graduação em Matemática Aplicada Mestrado em Matemática Aplicada Elisiane Brasil Custódio Crescimento de Matrinxã e Tambaqui: Modelos Fuzzy Santo André - SP 2013 2 Universidade
Leia maisO teorema do ponto fixo de Banach e algumas aplicações
O teorema do ponto fixo de Banach e algumas aplicações Andressa Fernanda Ost 1, André Vicente 2 1 Acadêmica do Curso de Matemática - Centro de Ciências Exatas e Tecnológicas - Universidade Estadual do
Leia maisModelos Biomatemáticos - aulas Teórico-Práticas
Modelos Biomatemáticos - aulas Teórico-Práticas 5/6 Capítulo Nulclinas, equilíbrios e campos vectoriais. Determine as nulclinas e os equilíbrios dos seguintes sistemas de equações diferenciais = a) = =
Leia maisModelagem em Sistemas Complexos
Modelagem em Sistemas Complexos Bifurcação local de campos vetoriais Marcone C. Pereira Escola de Artes, Ciências e Humanidades Universidade de São Paulo São Paulo - Brasil Abril de 2012 Nesta aula discutiremos
Leia mais7 Equações Diferenciais. 7.1 Classificação As equações são classificadas de acordo como tipo, a ordem e a linearidade.
7 Equações Diferenciais Definição: Uma equação diferencial é uma equação em que as incógnitas são funções e a equação envolve derivadas dessas funções. : = 5x + 3 4 d3 3 + (sen x) d2 2 + 5x = 0 2 t 2 4
Leia maisMétodo de Gauss-Jordan e Sistemas Homogêneos
Método de Gauss-Jordan e Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2017.1 14 de agosto
Leia maisProbabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
Leia mais6º Congresso Interinstitucional de Iniciação Científica - CIIC a 15 de agosto de 2012 Jaguariúna, SP
CARACTERIZAÇÃO DE PARÂMETROS DETERMINANTES NA MODELAGEM DA TRANSMISSÃO DE ENFEZAMENTOS EM MILHO MARIANE C. SAHÚ 1 ; SÔNIA TERNES 2 ; RAPHAEL G. D. VILAMIU 3 ; ELIZABETH OLIVEIRA 4 Nº 12603 RESUMO Com o
Leia maisAula: Equações diferenciais lineares de ordem superior
Aula: Equações diferenciais lineares de ordem superior Profa. Ariane Piovezan Entringer DMA - UFV Problema de Valor Inicial - EDO de ordem n Problema de Valor Inicial - EDO de ordem n a n (x) d n y dx
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 05 Teoria dos Conjuntos Difusos Max Pereira CONJUNTOS CLÁSSICOS Teoria dos Conjuntos é o estudo da associação entre objetos
Leia maisEstabilização de Sistemas a Excitação Persistente
13 de janeiro de 2014 CMAP, École Polytechnique França Tópicos 1 Introdução Problema de interesse Sistemas a excitação persistente 2 (T, µ)-estabilizador Estabilização com hipóteses espectrais sobre A
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Leia maisConteúdo: Conjuntos crisp x Conjuntos fuzzy Representação Propriedades Formatos
Conteúdo: Conjuntos crisp x Conjuntos fuzzy Representação Propriedades Formatos Conjuntos Crisp x Fuzzy Conjuntos crisp ou Conjuntos clássicos: cada entidade ou objeto de um dado universo pode pertencer
Leia maisCrescimento populacional da Tartaruga-da-Amazônia (Podocnemis expansa)
BIOMATEMÁTICA 7 (1997) 128 133 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Crescimento populacional da Tartaruga-da-Amazônia (Podocnemis expansa) Geraldo L. Diniz 1, Custódio
Leia maisApontamentos III. Espaços euclidianos. Álgebra Linear aulas teóricas. Lina Oliveira Departamento de Matemática, Instituto Superior Técnico
Apontamentos III Espaços euclidianos Álgebra Linear aulas teóricas 1 o semestre 2017/18 Lina Oliveira Departamento de Matemática, Instituto Superior Técnico Índice Índice i 1 Espaços euclidianos 1 1.1
Leia maisSistemas de Equações Diferenciais Lineares
Capítulo 9 Sistemas de Equações Diferenciais Lineares Agora, estamos interessados em estudar sistemas de equações diferenciais lineares de primeira ordem: Definição 36. Um sistema da linear da forma x
Leia maisQuinta lista de Exercícios - Análise Funcional, período Professor: João Marcos do Ó. { 0 se j = 1 y j = (j 1) 1 x j 1 se j 2.
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE MATEMÁTICA PÓS-GRADUAÇÃO EM MATEMÁTICA Quinta lista de Exercícios - Análise Funcional, período 2009.2. Professor:
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisO Modelo de crescimento de peixes de Von Bertalanffy
Universidade Estadual de Maringá - Departamento de Matemática Cálculo Diferencial e Integral: um KIT de Sobrevivência 20 anos c Publicação Eletrônica do KIT http://www.dma.uem.br/kit O Modelo de crescimento
Leia maisMAT146 - Cálculo I - Equações Diferenciais. Alexandre Miranda Alves Anderson Tiago da Silva Edson José Teixeira
Alexandre Miranda Alves Anderson Tiago da Silva Edson José Teixeira Equações Diferenciais Uma equação contendo derivadas é chamada de Equação Diferencial. Existem muitos tipos de equações diferenciais.
Leia mais2 Conceitos Básicos da Geometria Diferencial Afim
2 Conceitos Básicos da Geometria Diferencial Afim Antes de iniciarmos o estudo das desigualdades isoperimétricas para curvas convexas, vamos rever alguns conceitos e resultados da Geometria Diferencial
Leia maisLista 1 - Cálculo Numérico - Zeros de funções
Lista 1 - Cálculo Numérico - Zeros de funções 1.) De acordo com o teorema de Bolzano, se uma função contínua f(x) assume valores de sinais opostos nos pontos extremos do intervalo [a, b], isto é se f(a)
Leia mais2. No instante t = 0, o estado físico de uma partícula livre em uma dimensão é descrito pela seguinte função de onda:
Universidade Federal do Pará Instituto de Ciências Exatas e Naturais Programa de Pós-Graduação em Física Exame de Seleção - Data: 03/08/2011 Nome do Candidato: Nível: Mestrado Doutorado 1. No cálculo da
Leia maisSistemas especialistas Fuzzy
Sistemas Fuzzy Sistemas especialistas Fuzzy Especialistas Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago Embora o transformador esteja um pouco carregado, pode-se usá-lo
Leia maisModelo de Gompertz Fracionário
Modelo de Gompertz Fracionário José Paulo Carvalho dos Santos 1 Lislaine Cristina Cardoso 2 3 1 Introdução Com o intuito de descrever a taxa de mortalidade de seres humanos, o matemático Benjamin Gompertz,
Leia maisu t = c 2 u xx, (1) u(x, 0) = 1 (0 < x < L) Solução: Utilizando o método de separação de variáveis, começamos procurando uma solução u(x, t) da forma
Seção 9: Equação do Calor Consideremos um fluxo de calor em uma barra homogênea, construída de um material condutor de calor, em que as dimensões da seção lateral são pequenas em relação ao comprimento.
Leia maisProdutos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
Leia maisUm Estudo da Dinâmica da Equação Logística
Um Estudo da Dinâmica da Equação Logística Conconi, T.; Silva Lima, M.F. Resumo: Equações diferenciais são adequadas para representar sistemas discretos por grandezas cujos valores variam apenas em determinados
Leia maisAnálise do ponto de equilíbrio no modelo Lotka- Volterra
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Análise do ponto de equilíbrio no modelo Lotka- Volterra Angelo Fernando Fiori, Antonio Carlos Valdiero, Luana Fransozi, Luiz Antonio Rasia Departamento
Leia maisInvestigação Operacional 2º Semestre 2002/2003 Problema Resolvido
º Semestre 00/003 Problema Resolvido Resolução do problema 3 Comecemos por traçar o gráfico da série cronológica 10 140 130 10 Yt 110 100 0 4 6 8 10 1 14 16 18 0 a) Caracterizar uma série é dizer se ela
Leia maisMétodo de Euler. Marina Andretta/Franklina Toledo ICMC-USP. 29 de outubro de 2013
Solução numérica de Equações Diferenciais Ordinárias: Método de Euler Marina Andretta/Franklina Toledo ICMC-USP 29 de outubro de 2013 Baseado nos livros: Análise Numérica, de R. L. Burden e J. D. Faires;
Leia maisEDO I. por Abílio Lemos. 16 e 18 de outubro de Universidade Federal de Viçosa. Departamento de Matemática UFV. Aulas de MAT
EDO I por Universidade Federal de Viçosa Departamento de Matemática-CCE Aulas de MAT 147-2017 16 e 18 de outubro de 2017 Definição 1 Uma equação diferencial é qualquer relação entre uma função e suas derivadas.
Leia maisConvergência em espaços normados
Chapter 1 Convergência em espaços normados Neste capítulo vamos abordar diferentes tipos de convergência em espaços normados. Já sabemos da análise matemática e não só, de diferentes tipos de convergência
Leia maisMODELAGEM MATEMÁTICA APLICADA À SISTEMAS DINÂMICOS EPIDEMIOLÓGICOS: O MODELO SIR
MODELAGEM MATEMÁTICA APLICADA À SISTEMAS DINÂMICOS EPIDEMIOLÓGICOS: O MODELO SIR Isabeli Raiany de Miranda Silva¹, Jane Rosa¹ ¹, ²Instituto Federal do Paraná Campus Paranaguá ¹e-mail: isabeli.miranda@live.com
Leia maisANÁLISE QUALITATIVA DE MODELOS LOGÍSTICOS PARA BANCOS PESQUEIROS
ANÁLISE QUALITATIVA DE MODELOS LOGÍSTICOS PARA BANCOS PESQUEIROS Jorge Correa de ARAUJO Rosa García MÁRQUEZ Yrma Ramundo HUAROTO 3 Resumo Neste trabalho é realizado um estudo qualitativo e analítico do
Leia maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA - sistemas lineares de equações Profs André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda Métodos diretos Analise os sistemas
Leia maisNotas Sobre Sequências e Séries Alexandre Fernandes
Notas Sobre Sequências e Séries 2015 Alexandre Fernandes Limite de seqüências Definição. Uma seq. (s n ) converge para a R, ou a R é limite de (s n ), se para cada ɛ > 0 existe n 0 N tal que s n a < ɛ
Leia maisResoluções de Equações Diferenciais Ordinárias (EDOs) por Séries de Potências
Resoluções de Equações Diferenciais Ordinárias (EDOs) por Séries de Potências Hudson Umbelino dos Anjos 1, Julia de Paula Borges 2 1 Mestre em Matemática IFTO. e-mail: hudsonanjos@ifto.edu.br 2 Graduanda
Leia maisA = B, isto é, todo elemento de A é também um elemento de B e todo elemento de B é também um elemento de A, ou usando o item anterior, A B e B A.
Capítulo 1 Números Reais 1.1 Conjuntos Numéricos Um conjunto é uma coleção de elementos. A relação básica entre um objeto e o conjunto é a relação de pertinência: quando um objeto x é um dos elementos
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT32 12 a Lista de exercícios
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO
CÁLCULO L1 NOTAS DA DÉCIMA PRIMEIRA AULA UNIVERSIDADE FEDERAL DE PERNAMBUCO Resumo. Nesta aula, apresentaremos o Teorema do Valor Médio e algumas de suas conseqüências como: determinar os intervalos de
Leia maisEquações Diferenciais
IFBA Equações Diferenciais Versão 1 Allan de Sousa Soares Graduação: Licenciatura em Matemática - UESB Especilização: Matemática Pura - UESB Mestrado: Matemática Pura - UFMG Vitória da Conquista - BA 2013
Leia maisc + 1+t 2 (1 + t 2 ) 5/2 dt e 5 2 ln(1+t2 )dt (1 + t 2 ) 5/2 dt (c 5/2 + (1 + t 2 ) 5/2 (1 + t 2 ) 5/2 dt ϕ(t) = (1 + t 2 ) 5/2 (1 + t).
Análise Complexa e Equações Diferenciais 2 o Semestre 206/207 3 de junho de 207, às 9:00 Teste 2 versão A MEFT, MEC, MEBiom, LEGM, LMAC, MEAer, MEMec, LEAN, LEMat [,0 val Resolva os seguintes problemas
Leia mais