O JOGO DA VIDA 1. INTRODUÇÃO
|
|
|
- Luciano de Vieira Franco
- 9 Há anos
- Visualizações:
Transcrição
1 484 O JOGO DA VIDA Paulo Sérgio Matias Júnior (Uni-FACEF) Amaury Carlos Silveira Moura (Uni-FACEF) Thales Freitas da Costa (Uni-FACEF) Orientador: Prof. Dr. Antônio Carlos da Silva Filho (Uni-FACEF) 1. INTRODUÇÃO Os autômatos celulares foram originalmente introduzidos por von Neumann e Ulam em 1948 e são exemplos de sistemas dinâmicos discretos que podem ser simulados exatamente no computador. Um autômato celular pode ser visualizado como um tabuleiro de xadrez, onde cada casa pode assumir diferentes cores dependendo do estado em que se encontra. Este estado é determinado por leis que indicam o estado subseqüente de cada casa baseado no estado atual da casa e de suas vizinhanças. Um dos autômatos celulares mais intrigantes foi inventado em 197 pelo matemático John Conway e recebeu o nome de Jogo da Vida. Atribui-se o valor 1 (também chamada viva ) ou (também chamada morta ) a cada célula. Lembrando que cada célula tem oito vizinhos imediatos, determina-se a soma dos valores das oito células vizinhas. As regras para este jogo são bastante simples: (a) uma célula viva permanece viva se a soma for igual a 2 ou 3; (b) uma célula morta passará a ser viva somente se a soma for igual a 3. O Jogo da Vida é um exemplo de uma máquina de calcular universal. 2. MATERIAIS E MÉTODOS Os autômatos estão sendo modelados no computador, usando o programa Matlab. Este trabalho investigará os diferentes padrões que emergem para o autômato em função das condições iniciais para cada célula. Variaremos a probabilidade p de ocupação de células vivas entre e 1 e analisaremos os vários comportamentos resultantes para o sistema. 484
2 48 3. RESULTADOS Os resultados ainda são parciais. Os programas já estão praticamente finalizados. Um primeiro objetivo é verificar se, dada uma probabilidade de ocupação, p, os estados finais resultantes da dinâmica do sistema irão depender ou não das condições iniciais. 1 Rede 3 x Probabilidade Inicial de Ocupação = 1% Porcentagem média final de ocupação = 1,98% Fig. 1. Rede 3x3 com Probabilidade inicial de ocupação = 1%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. 1 Rede 3 x Probabilidade Inicial de Ocupação = 2% Porcentagem média final de ocupação = 3,66% Fig. 2. Rede 3x3 com Probabilidade inicial de ocupação = 2%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. 48
3 486 1 Rede 3 x Probabilidade Inicial de Ocupação = 3% Porcentagem média final de ocupação = 3,29% Fig. 3. Rede 3x3 com Probabilidade inicial de ocupação = 3%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. 1 Rede 3 x Probabilidade Inicial de Ocupação = 4% Porcentagem média final de ocupação = 3,72% Fig. 4. Rede 3x3 com Probabilidade inicial de ocupação = 4%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. 486
4 487 1 Rede 3 x Probabilidade Inicial de Ocupação = % Porcentagem média final de ocupação = 3,92% Fig.. Rede 3x3 com Probabilidade inicial de ocupação = 6%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. 1 Rede 3 x Probabilidade Inicial de Ocupação = 6% Porcentagem média final de ocupação = 3,12% Fig. 6. Rede 3x3 com Probabilidade inicial de ocupação = 6%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. 487
5 488 1 Rede 3 x Probabilidade Inicial de Ocupação = 7% Porcentagem média final de ocupação = 1,9% Fig. 7. Rede 3x3 com Probabilidade inicial de ocupação = 7%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. 1 Rede 3 x Probabilidade Inicial de Ocupação = 8% Porcentagem média final de ocupação =,23% Fig. 8. Rede 3x3 com Probabilidade inicial de ocupação = 8%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. 488
6 489 1 Rede 3 x Probabilidade Inicial de Ocupação = 9% Porcentagem média final de ocupação =,% Fig. 9. Rede 3x3 com Probabilidade inicial de ocupação = 9%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. Rede 3 x Probabilidade Inicial de Ocupação de 1% a 9% Porcentagem média final de ocupação para cada probabilidade inicial 1 Redes com 3 gerações cada (para cada probabilidade) 4 porcentagem media de ocupação probabilidade : 1 Fig. 1. Rede 3x3 com Probabilidade inicial de ocupação de 1% a 9%. Resultado para a média de 1 condições iniciais diferentes, com 3 atualizações para cada uma. 489
7 49 Rede 3 x Probabilidade Inicial de Ocupação de 1% a 1% Porcentagem média final de ocupação para cada probabilidade inicial 1 Redes com 3 gerações cada (para cada probabilidade) 4 probabilidade final de ocupação Fig. 11. Rede 3x3 com Probabilidade inicial de ocupação de 1% a 1%. Resultado para a média de 1 condições iniciais diferentes, com 3 atualizações para cada uma. 1 Rede 1 x Probabilidade Inicial de Ocupação = 1% Porcentagem média final de ocupação = 2,7% Fig. 12. Rede 1x1 com Probabilidade inicial de ocupação = 1%. Resultado para 1 condições iniciais diferentes, com 3 atualizações para cada uma. 4 ANÁLISE E CONCLUSÃO O trabalho está em andamento, mas já pudemos obter alguns resultados preliminares. Numa rede 3x3 com condições fechadas de contorno, a maioria das 49
8 491 probabilidades de ocupação dos sítios com configurações iniciais aleatórias leva a uma ocupação final entre 3% e 4%. BIBLIOGRAFIA WOLFRAM, S. A New Kind of Science, Wolfram Media, Inc., 22. L.R. EMMENDORFER, L. R., RODRIGUES, l. A. D. Um modelo de Autômatos Celulares para o Espalhamento Geográfico de Epidemias. Tendências em Matemática Aplicada e Computacional, v.2, p. 73-8,
Física Estatística Computacional
Física Estatística Computacional Tereza Mendes IFSC USP http://lattice.ifsc.usp.br/cbpf.html Física Estatística Computacional Vamos trabalhar com sistemas estocásticos, em que um grande número de integrantes
Implementação de autômatos celulares com o uso de software livre
Implementação de autômatos celulares com o uso de software livre Daniel Vieira Franzolin Sônia Ternes 2 Concebida no campo da Ecologia, a modelagem baseada no indivíduo (MBI) é proposta como uma alternativa
Capítulo XII PROCESSOS E MODELOS DE CRESCIMENTO FRACTAL SUMÁRIO
Capítulo XII PROCESSOS E MODELOS DE CRESCIMENTO FRACTAL SUMÁRIO RESUMO...3 12. 1- Introdução...3 12. 2 - Modelos de crescimento...4 11.2.1 - Deposição Balística (Chuva de balas):...4 12. 3 - Agregação
COMPARAÇÃO DE DESEMPENHO ENTRE IMPLEMENTAÇÕES DO ALGORITMO JOGO DA VIDA COM PTHREAD E OPEMMP 1
COMPARAÇÃO DE DESEMPENHO ENTRE IMPLEMENTAÇÕES DO ALGORITMO JOGO DA VIDA COM PTHREAD E OPEMMP 1 Márcia Da Silva 2, Igor Gamste Haugg 3, Eliézer Silveira Prigol 4, Édson L. Padoin 5, Rogério S. M. Martins
Bancos de Dados Geográficos. Modelagem Dinâmica EspaçoTemporal para Análise do Uso e. Ocupação do Solo
Bancos de Dados Geográficos Modelagem Dinâmica EspaçoTemporal para Análise do Uso e Ocupação do Solo Prólogo Introdução Tradicionalmente, os Sistemas de Informação Geográfica são baseados em suposições
Modelo de Markov e Simulação de Monte Carlo do Jogo do Monopólio
Modelação e Simulação 2011/12 Trabalho de Laboratório nº4 Modelo de Markov e Simulação de Monte Carlo do Jogo do Monopólio Objectivo Após realizar este trabalho, o aluno deverá ser capaz de Construir um
Introdução aos Números Pseudo-aleatórios. Profa. Dra. Soraia Raupp Musse
Introdução aos Números Pseudo-aleatórios Profa. Dra. Soraia Raupp Musse Conceito: Um gerador de número pseudo-aleatório é um algoritmo que gera uma seqüência de números, os quais são aproximadamente independentes
Jogo do Feche a caixa
Programa PIBID/CAPES Departamento de Matemática Universidade de Brasília Objetivos Introduzir o conceito de probabilidade. Conteúdos abordados Raciocínio combinatório; Probabilidade; Inequações. Metodologia
Instituto de Emprego e Formação Profissional. Arquitectura Interna do Computador Trabalho de pesquisa sobre John Von Neumann. Formador: Pedro Santos
Instituto de Emprego e Formação Profissional Arquitectura Interna do Computador Trabalho de pesquisa sobre John Von Neumann Formador: Pedro Santos Formando: Humberto Santos, nº10 08-09-2011 Arquitectura
Simulação Social: Teoria de Jogos
Introdução à Modelagem do Sistema Terrestree (CST-317) Prof. Dr. Gilberto Câmara Modelo de Simulação Social: Teoria de Jogos Alunos(as): Lucía Chipponelli ([email protected]) Michelle Furtado ([email protected])
Medidas-Resumo. Tipos de Variáveis
Tipos de Variáveis Medidas-Resumo Exemplo 2.1 Um pesquisador está interessado em fazer um levantamento sobre alguns aspectos socioeconômicos dos empregados da seção de orçamentos da Companhia MB. Usando
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Hashing: conceitos. Hashing
Hashing: conceitos hashing é uma técnica conhecida como espalhamento, mapeamento ou randomização que tenta distribuir dados em posições aleatórias de uma tabela (array) associa cada objeto (de um determinado
Variáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte III 08 de Abril de 2014 Distribuição Binomial Negativa Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições
Apontamentos de Matemática 6.º ano
Apontamentos de Matemática.º ano Introdução noção de potência Exemplo Uma bactéria divide-se dando origem a duas novas bactérias. Suponha que havia inicialmente duas bactérias e que ocorreram sucessivamente
Métodos Estatísticos
Métodos Estatísticos 5 - Distribuição Normal Referencia: Estatística Aplicada às Ciências Sociais, Cap. 7 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 2002. Distribuição de Probabilidades A distribuição
A palavra ALGORITMO teve origem com um Matemático Persa, al. Khawarizmi. O seu trabalho mais famoso foi Al-jabr walmuquabalah,
A palavra ALGORITMO teve origem com um Matemático Persa, al Khawarizmi. O seu trabalho mais famoso foi Al-jabr walmuquabalah, ou a ciência das Equações que, em última análise suscitaram o desenvolvimento
Introdução aos Métodos Numéricos
Métodos Numéricos para Mecânica dos Fluidos Introdução aos Métodos Numéricos Introdução aos Métodos Numéricos Bibliografia: J. H. Ferziger and M. Peric, 'Computational Methods for Fluid Dynamics', Springer
Processamento Digital de Sinais. Convolução. Prof. Dr. Carlos Alberto Ynoguti
Processamento Digital de Sinais Convolução Prof. Dr. Carlos Alberto Ynoguti Convolução É uma operação matemática formal, assim como a soma. Soma: toma dois números e gera um terceiro. Convolução: toma
UNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática
2 a ETAPA exclusivo de curso (X) Eixo Comum ( ) Eixo Universal ( ) Curso: CIÊNCIA DA COMPUTAÇÃO ALGORITMOS E PROGRAMAÇÃO II ( 02 ) Sala de Aula 04 h/a ( 02 ) Laboratório ALGORITMOS E PROGRAMAÇÃO Estudo
Aprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
Painel para análise de circuitos resistivos CC. (Revisão 00) Lei de Kirchhoff
1 Painel para análise de circuitos resistivos CC (Revisão 00) Lei de Kirchhoff 1 2 Leis de Kirchhoff As leis de Kirchhoff, chamadas em homenagem ao cientista alemão Gustav Robert Kirchhoff. As duas leis
Algoritmos Probabilísticos
Algoritmos Probabilísticos Gilson Evandro Fortunato Dias Orientador: José Coelho de Pina Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC0499 p.
INF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 24 Aprendizado Por Reforço Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Seminário Semanal de Álgebra. Técnicas de Demonstração
UNIVERSIDADE FEDERAL DE GOIÁS CÂMPUS CATALÃO Seminário Semanal de Álgebra Técnicas de Demonstração Catalão, 26/11/2013. Universidade Federal de Goiás Campus Catalão Seminário Semanal de Álgebra Orientador:
Matemática Discreta - 06
Universidade Federal do Vale do São Francisco Curso de Engenharia da Computação Matemática Discreta - 06 Prof. Jorge Cavalcanti [email protected] www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav
Autômatos Celulares Aplicados à Modelagem da Expansão da Esquistossomose
Autômatos Celulares Aplicados à Modelagem da Expansão da Esquistossomose Danielle N. G. da Silva, Anderson M. da Silva, Bruno C. de Freitas, Elaine C. de Assis, Jones O. de Albuquerque, Silvana Bocanegra.
ESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Rita Henriques Flores. Celulares no Plano. Universidade do Minho Escola de Ciências. Rita Henriques Flores Medida de Complexidade em.
Rita Henriques Flores Medida de Complexidade em Autómatos Celulares no Plano UMinho 2012 Rita Henriques Flores Medida de Complexidade em Autómatos Celulares no Plano Universidade do Minho Escola de Ciências
Dinâmica Estocástica
Diâmica Estocástica Aula matriz Estocástica Balaceameto Detalhado Ifusp setembro de 6 Bibliografia: Capítulo 6 Diâmica estocástica e Irreversibilidade Tâia Tomé e Mário J. de Oliveira Edusp 4. Markov Adrei
1. Conceitos Básicos de Computação
Introdução à Computação I IBM1006 1. Conceitos Básicos de Computação Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 1.Conceitos Básicos de Computação 1.1.
Simulação de Sistemas. Adaptado de material de Júlio Pereira Machado (AULA 17)
Simulação de Sistemas Adaptado de material de Júlio Pereira Machado (AULA 17) Análise dos Dados de Saída Além das tarefas de modelagem e validação, devemos nos preocupar com a análise apropriada dos resultados
HORÁRIO ESCOLAR - CIÊNCIA DA COMPUTAÇÃO 2017 Atualizado 02/02/2017 INGRESSANTES A PARTIR DE 2010
HORÁRIO ESCOLAR - CIÊNCIA DA COMPUTAÇÃO 2017 Atualizado 02/02/2017 INGRESSANTES A PARTIR DE 2010 1 0 ANO - 1 0. SEMESTRE (Grade Curricular Nova) Cálculo Diferencial e Lógica Matemática Discreta Integral
O Método de Monte Carlo
.....Universidade Federal de Santa Maria...Centro de Ciências Naturais e Exatas Grupo de Teoria da Matéria Condensada O Método de Monte Carlo Aplicações do algoritmo de Metropolis no Modelo de Ising Mateus
Recursividade e relações de recorrência
Universidade Federal do Vale do São Francisco Curso de Engenharia da Computação Matemática Discreta - 06 Prof. Jorge Cavalcanti [email protected] www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav
ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS. Permite mensurar propriedades e relacionamentos considerando a localização espacial do fenômeno
ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS Permite mensurar propriedades e relacionamentos considerando a localização espacial do fenômeno Relação entre análise espacial e as teorias disciplinares Dados Físicos
Aula 06 - Máquina Multinível e Von Neumann
Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte Campus Currais Novos Instalação e Organização de Computadores Aula 06 - Máquina Multinível e Von Neumann Prof. Diego Pereira
Simulação: Pseudoaleatoriedade, um estudo sobre o método do meio do quadrado
Simulação: Pseudoaleatoriedade, um estudo sobre o método do meio do quadrado João Ferreira da Silva Júnior 1, Sérgio Francisco Tavares de Oliveira Mendonça 1, Edson Alves de Carvalho Júnior 2 1 Unidade
ATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS 7ª Série Linguagens Formais e Autômatos Ciência da Computação A atividade prática supervisionada (ATPS) é um método de ensino-aprendizagem desenvolvido por meio de um
Os computadores ditigais podem ser classificados em 5 grupos distintos:
Informática A informática engloba toda atividade relacionada ao uso dos computadores, permitindo aprimorar e automatizar tarefas em qualquer área de atuação da sociedade. Informática é a "Ciência do tratamento
Estatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
Resolução de Problemas. Hugo Barros
Resolução de Problemas Hugo Barros Resolução de Problemas Tópicos Conceitos Básicos Espaço de Estados Resolução de Problemas Dedica-se ao estudo e elaboração de algoritmos, capazes de resolver, por exemplo,
DISCIPLINA: PROBABILIDADE E ESTATÍSTICA TURMA: Informática de Gestão
Aula # 04 DISCIPLINA: PROBABILIDADE E ESTATÍSTICA TURMA: Informática de Gestão Escala de Medidas de Variáveis. Frequência absoluta e relativa de dados quantitativos. Professor: Dr. Wilfredo Falcón Urquiaga
Medidas resumo. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Medidas resumo Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 28/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Variáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades 01 de Abril de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Determinar probabilidades a partir de funções de probabilidade
Chamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
ESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
GAN Álgebra Linear. Turma B1 Profa. Ana Maria Luz Fassarella do Amaral
GAN 7 Álgebra Linear Turma B Profa. Ana Maria Luz Fassarella do Amaral Informações: Página da disciplina: http://www.professores.uff.br/anamluz/ensino/ +ConexãoUFF E-mail professora: [email protected] (no
Aprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Capítulo 1 - Erros e Aritmética Computacional
Capítulo 1 - Erros e Carlos Balsa [email protected] Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 2 o Ano - Eng. Civil e Electrotécnica Carlos Balsa 1/ 26 Sumário 1 Definição
Análise de Dados em Astronomia. 4. Simulações de Monte Carlo
1 / 22 Análise de Dados em Astronomia 4. Simulações de Monte Carlo Laerte Sodré Jr. AGA0505, 1o. semestre 2019 2 / 22 introdução aula de hoje: o método de Monte Carlo 1 introdução 2 variáveis aleatórias
Backtracking. Pequenos Bispos
Universidade Federal de Ouro Preto UFOP Instituto de Ciências Exatas e Biológicas ICEB Departamento de Computação DECOM Disciplina: BCC202 - Estruturas de Dados I Professores: Túlio A. Machado Toffolo
Teoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Sistemas de Computação. O Computador. Eng. Jorge Munguambe. Lic. em Engenharia Informática
O Computador Eng. Jorge Munguambe O que é um computador? É uma unidade Funcional programável, composta por uma ou mais unidades de processamento associadas e por equipamentos periférico, que é controlado
1 Variáveis Aleatórias
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis
Linguagens de Programação
Visão Geral Faculdade de Computação - UFU Agosto - 2009 1 Princípios 2 O que é uma linguagem de programação? Linguagens naturais facilitam a expressão e o intercâmbio de idéias entre as pessoas. Assim
UNIVERSIDADE ESTADUAL DE MARINGÁ DEPARTAMENTO DE INFORMÁTICA
UNIVERSIDADE ESTADUAL DE MARINGÁ DEPARTAMENTO DE INFORMÁTICA Máquina de Turing Prof. Yandre Maldonado - 1 Prof. Yandre Maldonado e Gomes da Costa [email protected] Teoria da Computação Ciência da Computação
Máquinas de Turing para construção: Foram encontrados dois modelos que se destacaram em nossas pesquisas.
Máquina de Turing É um dispositivo imaginário que formou a estrutura para fundamentar a ciência da computação moderna. Seu inventor, o matemático Alan Mathison Turing, mostrou que a computação das operações
Paridade. Katarine Emanuela Klitzke
Paridade Katarine Emanuela Klitzke 1 Introdução Estudaremos nesse breve material, um pouco sobre paridade. Esse assunto pode parecer bem fácil, afinal é uma das primeiras coisas que aprendemos em matemática,
