GERAÇÃO DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "GERAÇÃO DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS"

Transcrição

1 66 GERAÇÃO DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS Antônio Carlos da Silva Filho (UNI-Facef) Irfley Andrade de Oliveira (UNI-Facef) Marco Dimas Gubitoso (IME-USP) INTRODUÇÃO As origens da simulação estocástica podem ser rastreadas até uma experiência realizada no século XVIII por Georges Louis Leclerc, Conde de Buffon. Leclerc jogava, aleatoriamente, uma agulha sobre um quadro cheio de linhas paralelas desenhadas nele. A partir de suas observações, ele derivou a probabilidade de que a agulha interceptasse uma linha. Pouco depois, Pierre Simon de Laplace viu neste experimento uma maneira de obter uma estimativa estatística para o número π. William Sealy Gossett, que trabalhou com o pseudônimo de "Student", realizou experimentos de amostragem em Matemática Estatística e descobriu a célebre distribuição-t. Gossett trabalhou com números aleatórios em seus experimentos e, para gerar os números, utilizou o método Top-Hat (rotação de discos). A partir dessa época a quantidade de números aleatórios necessários nos experimentos era cada vez maior. Passou-se a estocar os números em tabelas que eram publicadas para uso dos que delas precisavam. Essa foi uma idéia de L. H. C. Tippet que, em 927, publicou uma tabela com 4 dígitos extraídos aleatoriamente de dados do censo americano. Ela foi publicada em "Random Sampling Numbers", Tracts for Computers, nº 5, Cambridge University Press, New York, 927. A quantidade de números aleatórios necessários nos experimentos continuou a se expandir. Por volta de 93, a aritmética foi sugerida para o cálculo de números aleatórios. John von Neumann, em 946, propôs o primeiro algoritmo gerador de números pseudo-aleatórios, tendo-o chamado de método do meio dos quadrados. O seguinte exemplo será ilustrativo deste algoritmo (BLUM, 986). Seja uma semente, um número com quatro casas decimais dado, como o número x o =,9876. Eleva-se x o ao quadrado, obtendo-se x 2 o =, Formase, a seguir, o número x com as quatro casas decimais do meio: x =,5353.

2 67 Repete-se em seguida o procedimento, obtendo-se: x 2 =, e x 2 =,6546, x 3 =,85, x 4 =,267, x 5 =,289, etc. Constatou-se, porém, uma preponderância de pequenos valores entre os números gerados por este método, levando à elaboração de diversos outros algoritmos. Vários deles estão descritos no livro Numerical Recipes (PRESS, 986) e em vários artigos espalhados pela literatura especializada (EICHENAUER-HERRMANN, 993, 995; L'ECUYER, 99, 994; TEZUKA, 995). Utilizando aritmética, foi D. H. Lemer em 949 que primeiro introduziu a idéia do método de congruência linear que utiliza uma equação de congruência para gerar os números. O método de solução numérica de problemas que se baseia na simulação usando variáveis aleatórias é conhecido como Método de Monte Carlo. Sua origem data de 949, com a publicação do artigo The Monte Carlo method (METROPOLIS, 949). A denominação do método provém do nome da cidade do principado de Mônaco, famosa pelo cassino homônimo. O princípio do Método de Monte Carlo já era conhecido antes da publicação do artigo de Metropolis: era utilizado, por exemplo, no tratamento de dados de amostras aleatórias em estatística. Mas a sua ampla aplicação não era viável antes do aparecimento dos computadores eletrônicos (FISHMAN, 996). Com o avanço da informática, os cientistas começaram a utilizar o computador para gerar e armazenar números aleatórios, baseados em métodos deterministas como o de Lemer, e as tabelas perderam a sua utilidade. Quais são, então, as principais aplicações científicas destes geradores? Scheid (989) as divide em duas categorias: simulação e amostragem. Simulação refere-se aos métodos que fornecem imitações aritméticas para fenômenos reais. Trata-se, em um sentido amplo, da idéia geral da Matemática Aplicada. Um conjunto de equações diferenciais pode, por exemplo, simular o vôo de um míssil. Mas, no contexto deste projeto, simulação refere-se à imitação de processos aleatórios através de métodos de Monte Carlo. Um exemplo clássico é o do movimento de um nêutron dentro das paredes de um reator, sendo o zigue-zague do seu caminho imitado pelo chamado passeio aleatório. Já a amostragem refere-se aos métodos de dedução das propriedades de um grande conjunto de elementos através do estudo de um pequeno subconjunto aleatório do mesmo. Assim, o valor médio de uma função f(x) sobre um intervalo

3 68 pode ser estimado a partir da sua média sobre um número finito de pontos aleatoriamente escolhidos no intervalo. Como a média de f(x) é, de fato, uma integral, isto nos leva à aplicação dos métodos de Monte Carlos para uma integração aproximada. Como um segundo exemplo, a localização do centro de gravidade de um conjunto de N pontos aleatórios sobre o círculo unitário, pode ser encontrado estudando algumas centenas ou milhares de pontos como amostra. Deve-se notar que o que pode ser considerado aleatório para uma aplicação pode não o ser para outra. Apesar disto, podemos pensar em casos ideais; para este limite, existem alguns testes estatísticos e os bons geradores de números aleatórios deveriam passar por estes testes. 2 MATERIAIS E MÉTODOS Números que são produzidos por algum processo de natureza probabilista são conhecidos como números aleatórios. Exemplos de tais processos são: sorteio de bolas numeradas numa loteria, roletas nos cassinos, lançamento de moedas, lançamento de dados, etc. Em uma seqüência de números aleatórios, cada elemento é independente dos demais, e cada subseqüência é também independente das demais, sendo impossível qualquer tipo de previsão. De um conjunto de números a serem gerados aleatoriamente, cada elemento é igualmente provável de ser escolhido, por exemplo, em um lançamento de um dado (cúbico), o conjunto de números possíveis de se ocorrer é {,2,3,4,5,6 }, cada elemento desse conjunto é igualmente provável de ocorrer, ou seja, a probabilidade de ocorrer qualquer número é =, 6, desta forma uma seqüência de números aleatórios tem um distribuição 6 uniforme. Sobre os geradores aritméticos, os algoritmos manipulados no computador vão gerar uma seqüência de números matematicamente calculada, deterministamente prevista, conforme uma regra prefixada. Cada número da seqüência é usado para gerar o seguinte; logo, é necessário fixar um número para começar a seqüência: este número é conhecido como semente. Obviamente, há aí uma limitação: como trabalhamos com um número finito de casas decimais, após algum tempo poderemos recair em algum dos números previamente gerados,

4 69 repetindo, então a seqüência a partir daí, deixando de obter números verdadeiramente aleatórios, pois se instala uma periodicidade. Como um exemplo simples, se estamos obtendo números entre, e,, com uma precisão de três casas decimais, mesmo que os primeiros mil e um números sejam diferentes, o milésimo segundo repetirá, necessariamente, algum dos anteriores. Mas pode ser que esta repetição aconteça antes desta posição. Ocorre que, para propósitos práticos, os números são gerados com várias casas decimais, não sendo necessário usar toda a seqüência deles até que algum se repita. Se usarmos oito casas, seremos capazes de gerar até cem milhões de números diferentes! Com a utilização desses geradores determinísticos têm-se vantagens evidentes: fica mais fácil corrigir programas de simulação, quando surgir algum tipo de erro, se a execução deste programa puder ser exatamente repetida, até que se encontre o ponto onde estiver ocorrendo o problema; além disso, em problemas onde se tem a comparação de abordagens alternativas, esta comparação pode ser feita com mais precisão se ambas forem simuladas sob as mesmas influências aleatórias externas. Mas prendendo-se às propriedades dos números verdadeiramente aleatórios, o objetivo é regularizar as seqüências de números pseudo-aleatórios de modo que venha a ser mais uniformemente distribuída e assim tornar os elementos da seqüência independentes dos demais, e conseqüentemente as subseqüências independentes das demais também. O procedimento é bem simples. Tomam-se números aleatórios gerados por um processo determinista caótico, como o do mapeamento logístico, e, após a multiplicação por uma potência de dez, considera-se apenas a parte decimal do número resultante. Chamaremos de fator de multiplicação a estas potências de. 3 RESULTADOS Os resultados que serão apresentados a seguir originam-se da aplicação do algoritmo explicitado acima no gerador de números pseudo-aleatórios do MatLab, que cria números aleatórios a partir da função rand.

5 7 De uma seqüência de números aleatórios gerados por rand, os gráficos de retorno que seguem criam pontos associando cada elemento em função do seu antecessor. Na figura 3., foram gerados 27 pontos Figura 3. Gráfico de retorno com 27 pontos gerados aleatóriamente. Na figura 3.2, foram gerados 2845 pontos

6 7 Figura 3.2 Gráfico de retorno com 2845 pontos gerados aleatóriamente. Na figura 3.3, foram gerados pontos Figura 3.3 Gráfico de retorno com pontos gerados aleatóriamente. De uma seqüência de números aleatórios gerados através de uma fórmula de recorrência logística, os gráficos de retorno que seguem criam pontos associando cada elemento em função do seu antecessor. Na figura 3.4, foram gerados números aleatórios até se obter 5 pontos para o mapeamento logístico (figura 3.4).

7 Figura 3.4 Gráfico de retorno com 5 pontos gerados pelo mapeamento logístico. Na figura 3.5, foram gerados 363 pontos

8 73 logístico. Figura 3.5 Gráfico de retorno com. pontos gerados pelo mapeamento 22 Frequência de pontos, em cada um dos dez intervalos em que se dividiu o intervalo [, ], para o mapeamento logistico Total de pontos = frequência intervalos de a Figura 3.6 Gráfico com a frequências em cada intervalo de um total de intervalos em que foi dividido o intervalo [, ].. pontos gerados pelo mapeamento logístico Figura 3.7 Gráfico com a frequências em cada intervalo de um total de intervalos em que foi dividido o intervalo [, ].. pontos gerados pelo mapeamento logístico e fator de multiplicação igual a.

9 Figura 3.8 Gráfico de retorno com. pontos gerados pelo mapeamento logístico e fator de multiplicação igual a Figura 3.9 Gráfico com a frequências em cada intervalo de um total de intervalos em que foi dividido o intervalo [, ].. pontos gerados pelo mapeamento logístico e fator de multiplicação igual a..

10 Figura 3. Gráfico de retorno com. pontos gerados pelo mapeamento logístico e fator de multiplicação igual a.. 4 ANÁLISE E CONCLUSÃO

11 76 De acordo com os gráficos obtidos, podemos verificar que os pontos se espalham uniformemente pelo plano. Podemos então concluir que, evidentemente, os números da seqüência regularizada estão mais uniformemente espalhados que os da seqüência original, e que se analisarmos cada elemento em relação aos demais verificamos que não existe correlação entre eles. E ainda que uma subseqüência da seqüência regularizada também é independente das demais. Para aplicações em que necessitam de uma seqüência de números verdadeiramente aleatórios, esse algoritmo pode, a partir de um gerador caótico determinístico, regularizar a seqüência gerada por ele, de tal forma que a seqüência fique mais uniformemente distribuída e com os elementos independentes, aproximando assim das propriedades dos números verdadeiramente aleatórios, o que vai melhorar o resultado da aplicação em relação do uso de uma seqüência pseudo-aleatória. REFERÊNCIAS BLUM, L.; BLUM, M.; SCHUB, M. A simple unpredictable pseudo random number generator. SIAM Journal on Computing, v. 5(2), p , 986. DORICIO, J. L. Números Randômicos e Aplicações. Disponível em: br.geocities.com/josedoricio/documentos/randomnumbers.pdf. Acesso em: 2 de maio 28. EICHENAUER-HERRMANN, J. Statistical independence of a newclass of inversive congruential pseudorandom numbers. Mathematics of Computation, v. 6, p , 993. EICHENAUER-HERRMANN, J. Pseudorandom number generation by nonlinear methods. International Statistical Reviews, v. 63, p FISHMAN, G. S. Monte Carlo: Concepts, Algorithms, and Applications. Springer Series in Operations Research. New York: Springer-Verlag, 996. KNUTH, D. E. The Art of Computer Programming, v. 2: Seminumerical Algorithms. 2. ed. Reading, Massachusetts: Addison-Wesley, p.

12 77 HANSELMAN, Duane; LITTLEFIELD, Bruce. Matlab 6 Curso Completo. São Paulo: Prentice Hall, p. L'ECUYER, P. Random numbers for simulation. Communications of the ACM. v. 33(), p , 99. L'ECUYER, P. Testing random number generators. In Proceedings of the 992 Winter Simulation Conference, IEEE Press., p , 992. L'ECUYER, P. Uniform random number generation. Annals of Operations Research, v. 53, p. 77-2, 994. METROPOLIS, N.; ULAM, S. The Monte Carlo Method. J. Amer. Statistical Assoc., 949, v. 44, p MARSAGLIA, George. Diehard: a battery of tests of randomness Disponível em: Acesso em: 2 março 27. PRESS, William H. Numerical Recipes. Cambridge: Cambridge University Press, p. TEZUKA, S Uniform Random Numbers: Theory and Practice. Norwell, Massachusetts: Kluwer Academic Publishers, p.

USANDO O MÉTODO DE MONTE CARLO PARA ENCONTRAR RAÍZES DE EQUAÇÕES

USANDO O MÉTODO DE MONTE CARLO PARA ENCONTRAR RAÍZES DE EQUAÇÕES USANDO O MÉTODO DE MONTE CARLO PARA ENCONTRAR RAÍZES DE EQUAÇÕES Antônio Carlos da Silva Filho (Uni-FACEF) Faiano Guasti Lima (USP) 1 INTRODUÇÃO Um dos principais prolemas no cálculo numérico refere-se

Leia mais

CONSTRUINDO GERADORES DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS

CONSTRUINDO GERADORES DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS 76 CONSTRUINDO GERADORES DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS Ana Cláudia Lima (Uni-FACEF) Antonio Carlos da Silva Filho (Uni-FACEF) INTRODUÇÃO As origens da simulação estocática

Leia mais

O método de Monte Carlo: algumas aplicações na Escola Básica

O método de Monte Carlo: algumas aplicações na Escola Básica 1 Universidade de São Paulo/Faculdade de Educação Seminários de Ensino de Matemática (SEMA-FEUSP) Coordenador: Nílson José Machado novembro/2009 O método de Monte Carlo: algumas aplicações na Escola Básica

Leia mais

3 Método de Monte Carlo

3 Método de Monte Carlo 25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional

Leia mais

O trabalho pioneiro nesta área remonta a Ulam, que o teria inventado em 1946 ao estudar as possibilidades de ganhar no jogo de cartas Solitário.

O trabalho pioneiro nesta área remonta a Ulam, que o teria inventado em 1946 ao estudar as possibilidades de ganhar no jogo de cartas Solitário. Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Números aleatórios (NA) são elementos básicos necessários na simulação de quase todos os sistemas discretos. Eles podem ser utilizados

Leia mais

2. Método de Monte Carlo

2. Método de Monte Carlo 2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.

Leia mais

Método Monte-Carlo. Alexandre Rosas. 23 de Março de 2009. Departamento de Física Universidade Federal da Paraíba

Método Monte-Carlo. Alexandre Rosas. 23 de Março de 2009. Departamento de Física Universidade Federal da Paraíba Departamento de Física Universidade Federal da Paraíba 23 de Março de 2009 O que são os métodos de Monte-Carlo? Métodos numéricos que utilizam amostragem estatística (em contraposição a métodos determinísticos)

Leia mais

Avaliação de Desempenho

Avaliação de Desempenho Avaliação de Desempenho Aulas passadas Modelagem de sistemas via cadeias de Markov Aula de hoje Introdução à simulação Gerando números pseudo-aleatórios 1 O Ciclo de Modelagem Sistema real Criação do Modelo

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

Seminário de Dinâmica Orbital I

Seminário de Dinâmica Orbital I Seminário de Dinâmica Orbital I Métodos de Monte Carlo Alunos Carlos H. G. Hassmann Álvaro de A Arraes Prof. - Mário C. Ricci Sumário -Introdução -Breve Histórico -Definição -Utilização -O método -Componentes

Leia mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

Simulação Estocástica

Simulação Estocástica Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias

Leia mais

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar

Leia mais

Construção de geradores independentes de números aleatórios para diferentes distribuições probabilísticas

Construção de geradores independentes de números aleatórios para diferentes distribuições probabilísticas Anais do XXVI Congresso da SBC WCOMPA l I Workshop de Computação e Aplicações 14 a 20 de julho de 2006 Campo Grande, MS Construção de geradores independentes de números aleatórios para diferentes distribuições

Leia mais

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico

Leia mais

Geradores de Números Aleatórios

Geradores de Números Aleatórios Geradores de Números Aleatórios Carlos Eduardo Costa Vieira email:cadu@inf.puc-rio.br Celso Carneiro Ribeiro email:celso@inf.puc-rio.br Reinaldo de Castro e Souza Departamento de Engenharia Elétrica -

Leia mais

INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1

INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1 1 INSTITUTO DE APLICAÇÃO FERNANDO RODRIGUES DA SILVEIRA (CAp/UERJ) MATEMÁTICA ENSINO MÉDIO - PROF. ILYDIO SÁ CÁLCULO DE PROBABILIDADES PARTE 1 1. Origem histórica É possível quantificar o acaso? Para iniciar,

Leia mais

GENERALIZAÇÃO DAS SEQÜÊNCIAS DE FIBONACCI E FLUXOS DE CAIXA EM MATEMÁTICA FINANCEIRA

GENERALIZAÇÃO DAS SEQÜÊNCIAS DE FIBONACCI E FLUXOS DE CAIXA EM MATEMÁTICA FINANCEIRA GENERALIZAÇÃO DAS SEQÜÊNCIAS DE FIBONACCI E FLUXOS DE CAIXA EM MATEMÁTICA FINANCEIRA Letícia Faleiros Chaves - Uni-FACEF Antonio Carlos da Silva Filho - Uni-FACEF INTRODUÇÃO Leonardo Pisano é mais conhecido

Leia mais

A INFLUÊNCIA DO RUÍDO NA DETERMINAÇÃO DA DIMENSÃO DE CORRELAÇÃO EM SISTEMAS CAÓTICOS

A INFLUÊNCIA DO RUÍDO NA DETERMINAÇÃO DA DIMENSÃO DE CORRELAÇÃO EM SISTEMAS CAÓTICOS A INFLUÊNCIA DO RUÍDO NA DETERMINAÇÃO DA DIMENSÃO DE CORRELAÇÃO EM SISTEMAS CAÓTICOS Valdirene de Souza (Centro Universitário de Franca) Antônio Carlos da Silva Filho (Centro Universitário de Franca) 1

Leia mais

Cálculo numérico. ln 1 = 0. Representação numérica. Exemplo. Exemplos. Professor Walter Cunha. ln 1. I s

Cálculo numérico. ln 1 = 0. Representação numérica. Exemplo. Exemplos. Professor Walter Cunha. ln 1. I s Representação numérica Cálculo numérico Professor Walter Cunha Um conjunto de ferramentas ou métodos usados para se obter a solução de problemas matemáticos de forma aproximada. Esses métodos se aplicam

Leia mais

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;

Leia mais

Números (Pseudo) Aleatórios, Probabilidade Geométrica, Métodos de Monte Carlo e Estereologia

Números (Pseudo) Aleatórios, Probabilidade Geométrica, Métodos de Monte Carlo e Estereologia Números (Pseudo) Aleatórios, Probabilidade Geométrica, Métodos de Monte Carlo e Estereologia Humberto José Bortolossi Instituto de Matemática e Estatística Universidade Federal Fluminense 1 Números (pseudo)

Leia mais

computador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:

computador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem: 1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

CAPÍTULO 9. PROCESSAMENTO DOS DADOS 9.5. ALGARISMOS SIGNIFICATIVOS. =0.01 gcm 3 3.36 Logo o resultado experimental é: = 5.82 g 0.

CAPÍTULO 9. PROCESSAMENTO DOS DADOS 9.5. ALGARISMOS SIGNIFICATIVOS. =0.01 gcm 3 3.36 Logo o resultado experimental é: = 5.82 g 0. CAPÍTULO 9. PROCESSAMENTO DOS DADOS 9.5. ALGARISMOS SIGNIFICATIVOS Logo o resultado experimental é: =(1.732 ± 0.001) gcm 3 O erro relativo do volume (0.1%) é uma ordem de grandeza maior que o erro relativo

Leia mais

Uso da Computação Por Intervalos para Cálculo de Ponto Fixo de um Mapa Discreto

Uso da Computação Por Intervalos para Cálculo de Ponto Fixo de um Mapa Discreto Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Uso da Computação Por Intervalos para Cálculo de Ponto Fixo de um Mapa Discreto Heitor Magno Rodrigues Junior 1 Programa

Leia mais

daniel.desouza@hotmail.com

daniel.desouza@hotmail.com VIII Congreso Regional de ENDE Campana Agosto 2011 Aplicação do estimador maximum likelihood a um teste de vida sequencial truncado utilizando-se uma distribuição eibull Invertida de três parâmetros como

Leia mais

DESENVOLVIMENTO DE UMA FERRAMENTA COMPUTACIONAL DE GERAÇÃO E TESTE VISUAL DE NÚMEROS ALEATÓRIOS PARA AUXÍLIO NO ENSINO DE ESTATÍSTICA E PROBABILIDADE

DESENVOLVIMENTO DE UMA FERRAMENTA COMPUTACIONAL DE GERAÇÃO E TESTE VISUAL DE NÚMEROS ALEATÓRIOS PARA AUXÍLIO NO ENSINO DE ESTATÍSTICA E PROBABILIDADE DESENVOLVIMENTO DE UMA FERRAMENTA COMPUTACIONAL DE GERAÇÃO E TESTE VISUAL DE NÚMEROS ALEATÓRIOS PARA AUXÍLIO NO ENSINO DE ESTATÍSTICA E PROBABILIDADE Thiago R. F. Mendonça rfmthi@gmail.com João P. B. S.

Leia mais

Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha

Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha Amarildo de Vicente Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

2. Representação Numérica

2. Representação Numérica 2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos

Leia mais

A probabilidade representa o resultado obtido através do cálculo da intensidade de ocorrência de um determinado evento.

A probabilidade representa o resultado obtido através do cálculo da intensidade de ocorrência de um determinado evento. Probabilidade A probabilidade estuda o risco e a ocorrência de eventos futuros determinando se existe condição de acontecimento ou não. O olhar da probabilidade iniciou-se em jogos de azar (dados, moedas,

Leia mais

6 Construção de Cenários

6 Construção de Cenários 6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.

Leia mais

Primeira Lista de Exercícios de Estatística

Primeira Lista de Exercícios de Estatística Primeira Lista de Exercícios de Estatística Professor Marcelo Fernandes Monitor: Márcio Salvato 1. Suponha que o universo seja formado pelos naturais de 1 a 10. Sejam A = {2, 3, 4}, B = {3, 4, 5}, C =

Leia mais

Lista de Exercícios - Séries Matemáticas

Lista de Exercícios - Séries Matemáticas Lista de Exercícios - Séries Matemáticas Agosto de 203 Introdução à Programação Orientada a Objetos Usando Java 2 a Edição Exercícios Introdução Cientistas da computação e programadores frequentemente

Leia mais

Algoritmos Randomizados: Introdução

Algoritmos Randomizados: Introdução Algoritmos Randomizados: Introdução Celina Figueiredo Guilherme Fonseca Manoel Lemos Vinícius Sá 26º Colóquio Brasileiro de Matemática IMPA Rio de Janeiro Brasil 2007 Resumo Definições Monte Carlo Variáveis

Leia mais

Simulação Transiente

Simulação Transiente Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação

Leia mais

Geradores de Números Aleatórios

Geradores de Números Aleatórios Geradores de Números Aleatórios Índice O papel da estatística na engenharia e na ciência... Probabilidade... 4. Os conceitos de experimento, espaço amostral e evento... 6. Axiomas de probabilidade... 8

Leia mais

MATEMÁTICA I AULA 07: TESTES PARA EXTREMOS LOCAIS, CONVEXIDADE, CONCAVIDADE E GRÁFICO TÓPICO 02: CONVEXIDADE, CONCAVIDADE E GRÁFICO Este tópico tem o objetivo de mostrar como a derivada pode ser usada

Leia mais

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1

CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,

Leia mais

Value at Risk (VaR) Introdução. Introdução. Prf. José Fajardo FGV-EBAPE

Value at Risk (VaR) Introdução. Introdução. Prf. José Fajardo FGV-EBAPE Value at Risk (VaR) Prf. José Fajardo FGV-EBAPE Introdução Quando estamos usando VaR, o administrador de uma carteira de instrumentos financeiros esta interessado em fazer uma afirmação da seguinte forma:

Leia mais

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. 1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3

Leia mais

I. Experimentos Aleatórios

I. Experimentos Aleatórios A teoria do azar consiste em reduzir todos os acontecimentos do mesmo gênero a um certo número de casos igualmente possíveis, ou seja, tais que estejamos igualmente inseguros sobre sua existência, e em

Leia mais

Figura 1: Ábaco: considerado a primeira ferramenta em computação.

Figura 1: Ábaco: considerado a primeira ferramenta em computação. Introdução à ciência da computação Aula 1: A maioria dos autores considera que, a primeira ferramenta para a computação foi o ábaco. Este instrumento, que hoje conhecemos como pedras polidas enfileiradas

Leia mais

Geração de Números Aleatórios e Simulação

Geração de Números Aleatórios e Simulação Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana

Leia mais

Modelamento e simulação de processos

Modelamento e simulação de processos Modelamento e simulação de processos 4. Método de Monte Carlo Prof. Dr. André Carlos Silva 1. INTRODUÇÃO O Método de Monte Carlo (MMC) é um método estatístico utilizado em simulações estocásticas com diversas

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,

Leia mais

C Curso destinado à preparação para Concursos Públicos e Aprimoramento Profissional via INTERNET www.concursosecursos.com.br RACIOCÍNIO LÓGICO AULA 7

C Curso destinado à preparação para Concursos Públicos e Aprimoramento Profissional via INTERNET www.concursosecursos.com.br RACIOCÍNIO LÓGICO AULA 7 RACIOCÍNIO LÓGICO AULA 7 TEORIA DAS PROBABILIDADES Vamos considerar os seguintes experimentos: Um corpo de massa m, definida sendo arrastado horizontalmente por uma força qualquer, em um espaço definido.

Leia mais

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU

Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) I Representação dos números, aritmética de ponto flutuante e erros em máquinas

Leia mais

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos

Leia mais

Curso: Técnico de Informática Disciplina: Redes de Computadores. 1- Apresentação Binária

Curso: Técnico de Informática Disciplina: Redes de Computadores. 1- Apresentação Binária 1- Apresentação Binária Os computadores funcionam e armazenam dados mediante a utilização de chaves eletrônicas que são LIGADAS ou DESLIGADAS. Os computadores só entendem e utilizam dados existentes neste

Leia mais

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para

Leia mais

Notas Técnicas. CBPF-NT-005/11 setembro 2011. Geradores de Números Aleatórios ISSN 0101-9201. Gabriela Sena Souza & Nilton Alves Jr.

Notas Técnicas. CBPF-NT-005/11 setembro 2011. Geradores de Números Aleatórios ISSN 0101-9201. Gabriela Sena Souza & Nilton Alves Jr. ISSN 0101-9201 Notas Técnicas CBPF-NT-005/11 setembro 2011 Geradores de Números Aleatórios Gabriela Sena Souza & Nilton Alves Jr. Ciência, Tecnologia e Inovação Geradores de Números Aleatórios Gabriela

Leia mais

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos

Leia mais

Agulha de Buffon: uma aplicação computacional

Agulha de Buffon: uma aplicação computacional Agulha de Buffon: uma aplicação computacional Diego Rodrigo Hachmann 1, João Candido Bracarense 1, Alexandre Scheidt 1, Odair Moreira de Souza 1 1 Centro de Ciências Exatas e Tecnológicas da Universidade

Leia mais

Aula 3 - Sistemas de Numeração

Aula 3 - Sistemas de Numeração UEM Universidade Estadual de Maringá DIN - Departamento de Informática Disciplina: Fundamentos da Computação Profª Thelma Elita Colanzi Lopes thelma@din.uem.br Aula 3 - Sistemas de Numeração O ser humano,

Leia mais

Sistemas de Numerações.

Sistemas de Numerações. Matemática Profº: Carlos Roberto da Silva; Lourival Pereira Martins. Sistema de numeração: Binário, Octal, Decimal, Hexadecimal; Sistema de numeração: Conversões; Sistemas de Numerações. Nosso sistema

Leia mais

Métodos de Monte Carlo

Métodos de Monte Carlo Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,

Leia mais

Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação

Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Laboratório da Disciplina CTA-147 Controle I Análise da Resposta Transitória (Este laboratório foi uma adaptação

Leia mais

Classificação: Determinístico

Classificação: Determinístico Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Da mesma forma que sistemas os modelos de simulação podem ser classificados de várias formas. O mais usual é classificar os modelos

Leia mais

CÁLCULO DE ZEROS DE FUNÇÕES REAIS

CÁLCULO DE ZEROS DE FUNÇÕES REAIS 15 CÁLCULO DE ZEROS DE FUNÇÕES REAIS Um dos problemas que ocorrem mais frequentemente em trabalhos científicos é calcular as raízes de equações da forma: f() = 0. A função f() pode ser um polinômio em

Leia mais

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE II

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE II O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE II! Como implementar o escore de crédito?! Como avaliar o escore de crédito?! Como calcular a função discriminante usando o Excel?! Como aplicar a função

Leia mais

O que é a estatística?

O que é a estatística? Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os

Leia mais

Sistemas de Numeração

Sistemas de Numeração Professor Menezes SISTEMA DE NUMERAÇÃO 1-1 Sistemas de Numeração Observe que alguns números decimais a possuem uma representação muito curiosa no sistema binário: 1 decimal = 1 binário; 2 decimal = 10

Leia mais

PARALELIZAÇÃO DE CÁLCULOS NUMÉRICOS DE REAÇÕES NUCLEARES DE PRÉ-EQUILÍBRIO

PARALELIZAÇÃO DE CÁLCULOS NUMÉRICOS DE REAÇÕES NUCLEARES DE PRÉ-EQUILÍBRIO Anais do 14 O Encontro de Iniciação Científica e Pós-Graduação do ITA XIV ENCITA / 2008 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 20 a 23 2008. PARALELIZAÇÃO DE CÁLCULOS

Leia mais

1. Introdução. 1.1 Introdução

1. Introdução. 1.1 Introdução 1. Introdução 1.1 Introdução O interesse crescente dos físicos na análise do comportamento do mercado financeiro, e em particular na análise das séries temporais econômicas deu origem a uma nova área de

Leia mais

CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO

CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO Em quase todas as nossas atividades diárias precisamos enfrentar filas para atender as nossas necessidades. Aguardamos em fila na padaria, nos bancos, quando trafegamos

Leia mais

Probabilidade. Renata Souza. Introdução. Tabelas Estatísticas. População, Amostra e Variáveis. Gráficos e Distribuição de Freqüências

Probabilidade. Renata Souza. Introdução. Tabelas Estatísticas. População, Amostra e Variáveis. Gráficos e Distribuição de Freqüências Probabilidade Introdução Tabelas Estatísticas População, Amostra e Variáveis Gráficos e Distribuição de Freqüências Renata Souza Conceitos Antigos de Estatística stica a) Simples contagem aritmética Ex.:

Leia mais

Histogramas. 12 de Fevereiro de 2015

Histogramas. 12 de Fevereiro de 2015 Apêndice B Histogramas Uma situação comum no laboratório e na vida real é a de se ter uma grande quantidade de dados e deles termos que extrair uma série de informações. Encontramos essa situação em pesquisas

Leia mais

Conceitos Iniciais Parte 1

Conceitos Iniciais Parte 1 Módulo SIMULAÇÃO Conceitos Iniciais Parte O que pode ser simulado? Sistema de manufatura com máquinas, pessoas, rede de transporte, correias transportadoras e espaço para armazenamento; Agências bancárias

Leia mais

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Distribuição Normal 1. Introdução O mundo é normal! Acredite se quiser! Muitos dos fenômenos aleatórios que encontramos na

Leia mais

Tabelas Hash. Jeane Melo

Tabelas Hash. Jeane Melo Tabelas Hash Jeane Melo Roteiro Introdução Motivação Definição Tabelas Hash Exemplos Funções hash Colisões Introdução Estudamos a utilização de estruturas como listas e árvores para armazenar informações

Leia mais

Física no computador. Marcio Argollo de Menezes UFF Niterói

Física no computador. Marcio Argollo de Menezes UFF Niterói Física no computador Marcio Argollo de Menezes UFF Niterói Física no computador 1) Computação e computadores: Máquina de Turing, Gödel e automata celulares. ) Mapas iterados: Dinâmica de populações e caos.

Leia mais

Cálculo Aproximado do número PI utilizando Programação Paralela

Cálculo Aproximado do número PI utilizando Programação Paralela Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Cálculo Aproximado do número PI utilizando Programação Paralela Grupo 17 Raphael Ferras Renan Pagaiane Yule Vaz SSC-0143 Programação

Leia mais

PROBABILIDADE PROFESSOR: ANDRÉ LUIS

PROBABILIDADE PROFESSOR: ANDRÉ LUIS PROBABILIDADE PROFESSOR: ANDRÉ LUIS 1. Experimentos Experimento determinístico: são aqueles em que o resultados são os mesmos, qualquer que seja o número de ocorrência dos mesmos. Exemplo: Um determinado

Leia mais

4. Metodologia. Capítulo 4 - Metodologia

4. Metodologia. Capítulo 4 - Metodologia Capítulo 4 - Metodologia 4. Metodologia Neste capítulo é apresentada a metodologia utilizada na modelagem, estando dividida em duas seções: uma referente às tábuas de múltiplos decrementos, e outra referente

Leia mais

Introdução à genética quantitativa usando os recursos do R

Introdução à genética quantitativa usando os recursos do R Introdução à genética quantitativa usando os recursos do R Marisa R. Cantarino 1 Julia M. P. Soler (orientadora) 2 1 Introdução Um dos principais desafios da pesquisa genética atualmente é estabelecer

Leia mais

Figura 1.1: Exemplo de links patrocinados no Google

Figura 1.1: Exemplo de links patrocinados no Google 1 Links Patrocinados 1.1 Introdução Links patrocinados são aqueles que aparecem em destaque nos resultados de uma pesquisa na Internet; em geral, no alto ou à direita da página, como na Figura 1.1. Figura

Leia mais

CAP5: Amostragem e Distribuição Amostral

CAP5: Amostragem e Distribuição Amostral CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?

Leia mais

Huguinho e Zezinho. Série Matemática na Escola. Objetivos 1. Explicitar como são calculados os juros compostos

Huguinho e Zezinho. Série Matemática na Escola. Objetivos 1. Explicitar como são calculados os juros compostos Huguinho e Zezinho Série Matemática na Escola Objetivos 1. Explicitar como são calculados os juros compostos Huguinho e Zezinho Série Matemática na Escola Conteúdos Matemática financeira; juros compostos

Leia mais

Capítulo 1 Erros e representação numérica

Capítulo 1 Erros e representação numérica Capítulo 1 Erros e representação numérica Objetivos Esperamos que ao final desta aula, você seja capaz de: Pré-requisitos Identificar as fases de modelagem e os possíveis erros nelas cometidos; Compreender

Leia mais

Paradigmas em Estatística

Paradigmas em Estatística Pedro A. Morettin Instituto de Matemática e Estatística Universidade de São Paulo pam@ime.usp.br http://www.ime.usp.br/ pam Sumário As Origens 1 As Origens 2 3 4 5 Paradigma As Origens Modelo, padrão a

Leia mais

A avaliação da incerteza do tipo B. Segundo o Guia para Expressão da Incerteza na Medição (Joint Commitee for Guides

A avaliação da incerteza do tipo B. Segundo o Guia para Expressão da Incerteza na Medição (Joint Commitee for Guides A avaliação da incerteza do tipo B Segundo o Guia para Expressão da Incerteza na Medição (Joint Commitee for Guides in Metrology, 2008a), em condições ideais, todas as incertezas em laboratório seriam

Leia mais

Avaliação de Desempenho em Sistemas de Computação e Comunicação

Avaliação de Desempenho em Sistemas de Computação e Comunicação Avaliação de Desempenho em Sistemas de Computação e Comunicação Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM UFES Objetivos

Leia mais

MODELAGEM CONCEITUAL EM MATEMÁTICA. UMA EXPERIÊNCIA COM O USO DO SOFTWARE CMAPTOOLS

MODELAGEM CONCEITUAL EM MATEMÁTICA. UMA EXPERIÊNCIA COM O USO DO SOFTWARE CMAPTOOLS MODELAGEM CONCEITUAL EM MATEMÁTICA. UMA EXPERIÊNCIA COM O USO DO SOFTWARE CMAPTOOLS Dr. André Ricardo Magalhães andrerm@gmail.com Universidade do Estado da Bahia Brasil Modalidade: Comunicação Breve Nível

Leia mais

EQUIVALÊNCIA E A MATRIZ COMPANHEIRA P

EQUIVALÊNCIA E A MATRIZ COMPANHEIRA P Instituto Federal de Educação, Ciência e Tecnologia do Sudeste de Minas Gerais Campus Rio Pomba Coordenação de Cursos de Pós-Graduação e Pesquisa PROGRAMA INSTITUCIONAL DE BOLSA DE INICIAÇÃO CIENTÍFICA

Leia mais

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit

Leia mais

Introdução ao Método de Galerkin Estocástico

Introdução ao Método de Galerkin Estocástico Introdução ao Método de Galerkin Estocástico Americo Barbosa da Cunha Junior Departamento de Engenharia Mecânica Pontifícia Universidade Católica do Rio de Janeiro 1 Introdução A dinâmica de um sistema

Leia mais

Dadas a base e a altura de um triangulo, determinar sua área.

Dadas a base e a altura de um triangulo, determinar sua área. Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares

Leia mais

IN0997 - Redes Neurais

IN0997 - Redes Neurais IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Ementa

Leia mais

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas,

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, MODELAÇÃO E DETERMINAÇÃO DE PARÂMETROS CINÉTICOS FILIPE GAMA FREIRE 1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, etc. a que chamaremos y

Leia mais

Fatores de Impacto para alguns Periódicos Base JCR-2003 /ISI 1

Fatores de Impacto para alguns Periódicos Base JCR-2003 /ISI 1 Fatores de Impacto para alguns Periódicos Base JCR-2003 /ISI 1 O Journal Citation Reports (JCR) publica anualmente o índice conhecido por fator de impacto de um periódico para medir a freqüência com que

Leia mais

Aula 1 Estatística e Probabilidade

Aula 1 Estatística e Probabilidade Aula 1 Estatística e Probabilidade Anamaria Teodora Coelho Rios da Silva O QUE É ESTATÍSTICA? No nosso cotidiano, precisamos tomar decisões, muitas vezes decisões rápidas. A Estatística fornece métodos

Leia mais

PLANO DE CURSO MESTRADO PROFISSIONAL EM PODER LEGISLATIVO

PLANO DE CURSO MESTRADO PROFISSIONAL EM PODER LEGISLATIVO CÂMARA DOS DEPUTADOS Centro de Formação, Treinamento e Aperfeiçoamento Programa de Pós-Graduação PLANO DE CURSO MESTRADO PROFISSIONAL EM PODER LEGISLATIVO DISCIPLINA Instrumentos de Pesquisa em Ciências

Leia mais

4 Fator de carga e fator de demanda: conceituação

4 Fator de carga e fator de demanda: conceituação 4 Fator de carga e fator de demanda: conceituação 4.1. Fator de carga (FC) Segundo a resolução a normativa nº 414 de 9 de setembro de 2010 da ANEEL, o fator de carga é definido como sendo a razão entre

Leia mais

Capítulo UM Bases Numéricas

Capítulo UM Bases Numéricas Capítulo UM Bases Numéricas 1.1 Introdução Quando o homem aprendeu a contar, ele foi obrigado a desenvolver símbolos que representassem as quantidades e grandezas que ele queria utilizar. Estes símbolos,

Leia mais

Complemento IV Introdução aos Algoritmos Genéticos

Complemento IV Introdução aos Algoritmos Genéticos Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e

Leia mais

Avaliação de Desempenho de Sistemas Discretos

Avaliação de Desempenho de Sistemas Discretos Avaliação de Desempenho de Sistemas Discretos Parte IV: Simulação Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Parte 4 Simulação P A R T E Etapas básicas em um estudo de simulação Geração de números

Leia mais

Análise de Arredondamento em Ponto Flutuante

Análise de Arredondamento em Ponto Flutuante Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto

Leia mais