AV1 MODELAGEM E SIMULAÇÃO DOS SISTEMAS

Prévia do material em texto

MODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
 
 1. Ref.: 3388491 Pontos: 1,00 / 1,00 
 
Dentre as aplicações da Inteligência Artificial, muito se fala do Big Data. As soluções de Big 
Data são feitas para lidar com um grande volume de dados não-estruturados. Ferramentas 
"comuns", feitas para analisar dados estruturados, como os preços dos supermercados de uma 
região, não são capazes de analisar dados não-estruturados. 
Assinale a alternativa que apresenta características do Big Data. 
 
 
Capacidade limitada de analisar grande volume de dados. 
 
Análise sem interpretação de grandes volumes de dados. 
 Análise e a interpretação de grandes volumes e variedade de dados. 
 
Focar apenas nos volumes de dados, sem considerar sua variedade. 
 
Processamento limitado de dados. 
 
 
 2. Ref.: 3389299 Pontos: 0,00 / 1,00 
 
A lógica Nebulosa tem, dentre outros, o objetivo de aproximar a análise das informações ao 
processamento intelectual humano, capaz de compreender e analisar os dados de uma forma 
mais complexa. Dentre as alternativas assinale aquela que apresenta todos os exemplos de 
como a Lógica Fuzzy se assemelha com o intelecto humano. 
 
 
Quente, frio / Sim, não, talvez / Preto, branco, cinza. 
 Quente, morno, frio / Sim, não, talvez / Preto, branco, cinza. 
 
Quente, morno, frio / Sim, não / Preto, branco, cinza. 
 Quente, morno, frio / Sim, não, talvez / Preto, branco. 
 
Quente, morno, frio / Sim, não / Preto, branco. 
 
 
 3. Ref.: 3579427 Pontos: 0,00 / 1,00 
 
Determine a pertinência resultante da união dos conjuntos A e B. 
A=[0,10,0,41,1,02]A=[0,10,0,41,1,02] 
B=[0,40,0,23]B=[0,40,0,23] 
μA∪B(x)=max[μA(x),μB(x)]μA∪B(x)=max[μA(x),μB(x)] 
 
 A∪B=[0,10,0,41,1,02,0,23]A∪B=[0,10,0,41,1,02,0,23] 
 A∪B=[0,41,1,02,0,23]A∪B=[0,41,1,02,0,23] 
 A∪B=[0,40,0,41,1,02,0,23]A∪B=[0,40,0,41,1,02,0,23] 
 A∪B=[0,10,0,11,0,12,0,13]A∪B=[0,10,0,11,0,12,0,13] 
 A∪B=[0,00,0,41,1,02,0,23]A∪B=[0,00,0,41,1,02,0,23] 
 
 
 4. Ref.: 3583339 Pontos: 1,00 / 1,00 
 
A relação entre os elementos de dois conjuntos pode ser 
condicionada e restringida por alguma regra, onde os pares 
ordenados das relações são subconjuntos do produto cartesiano. 
Tal relação não considera todos os pares ordenados, logo a matriz 
relacional apresentará 0 para elementos são ¿não relacionados¿, 
seguindo a função característica: 
μR(x,y)={1,(x,y)∈R0,(x,y)∉RμR(x,y)={1,(x,y)∈R0,(x,y)∉R 
Considerando os conjuntos A e B abaixo, determine a matriz 
de relação R. 
A={a,b,c,d}A={a,b,c,d} 
B={v,w,z}B={v,w,z} 
R={(a,v);(b,v);(b,z);(c,w);(d,w);(d,z)}R={(a,v);(b,v);(b,z);(c,
w);(d,w);(d,z)} 
 
 R=⎡⎢ 
⎢ 
⎢⎣000001010011⎤⎥ 
⎥ 
⎥⎦R=[000001010011] 
 R=⎡⎢ 
⎢ 
⎢⎣011010101100⎤⎥ 
⎥ 
⎥⎦R=[011010101100] 
 R=⎡⎢ 
⎢ 
⎢⎣111101000011⎤⎥ 
⎥ 
⎥⎦R=[111101000011] 
 R=⎡⎢ 
⎢ 
⎢⎣100101010011⎤⎥ 
⎥ 
⎥⎦R=[100101010011] 
 R=⎡⎢ 
⎢ 
⎢⎣100010001000⎤⎥ 
⎥ 
⎥⎦R=[100010001000] 
 
 
 5. Ref.: 3585474 Pontos: 0,00 / 1,00 
 
Determinar a relação de implicação r entre os conjuntos A e B, onde Y é o conjunto universo 
dado por Y={b,c,d}Y={b,c,d}. 
A={1a,0e,1i,0o,1u}A={1a,0e,1i,0o,1u} 
B={1b,0c,1d}B={1b,0c,1d} 
 
 R=⎡⎢ 
⎢ 
⎢ 
⎢ 
⎢ 
⎢⎣101111101111101⎤⎥ 
⎥ 
⎥ 
⎥ 
⎥ 
⎥⎦R=[101111101111101] 
 R=⎡⎢ 
⎢ 
⎢ 
⎢ 
⎢ 
⎢⎣101000101000101⎤⎥ 
⎥ 
⎥ 
⎥ 
⎥ 
⎥⎦R=[101000101000101] 
 R=⎡⎢ 
⎢ 
⎢ 
⎢ 
⎢ 
⎢⎣000111000111000⎤⎥ 
⎥ 
⎥ 
⎥ 
⎥ 
⎥⎦R=[000111000111000] 
 R=⎡⎢ 
⎢ 
⎢ 
⎢ 
⎢ 
⎢⎣010000010000010⎤⎥ 
⎥ 
⎥ 
⎥ 
⎥ 
⎥⎦R=[010000010000010] 
 R=⎡⎢ 
⎢ 
⎢ 
⎢ 
⎢ 
⎢⎣111111111111111⎤⎥ 
⎥ 
⎥ 
⎥ 
⎥ 
⎥⎦R=[111111111111111] 
 
 
 6. Ref.: 3578838 Pontos: 0,00 / 1,00 
 
 
A figura apresenta a função de pertinência do conjunto de pessoas altas. Analise a figura e 
assinale a alternativa que apresenta os conceitos válidos sobre a classificação das pessoas altas. 
 
 
Pessoas com altura maior que 0,5m e menores que 1,6m podem ser consideradas altas. 
 Qualquer pessoa com altura superior a 1,6m pode ser considerada alta. 
 Somente Pessoas com altura superior a 1,8m podem ser consideradas altas. 
 
Uma pessoa com 1,59m é alta. 
 
Somente Pessoas com altura inferior a 1,8m podem ser consideradas altas. 
 
 
 7. Ref.: 3578894 Pontos: 0,00 / 1,00 
 
Pode-se definir alguns parâmetros a serem analisados para a melhor seleção do Método de 
Defuzzificação a ser empregado, onde faz-se necessário analisar o conceito de continuidade do 
método . 
Para a seleção do melhor método a ser empregado, o seguinte fator deve ser avaliado. 
 
 Aplicações em malha fechada. 
 
Velocidade de processamento linguístico. 
 Capacidade de processamento de máquina. 
 
Complexidade numérica da variável linguística. 
 
Tamanho da matriz de valores discretos. 
 
 
 8. Ref.: 3579379 Pontos: 0,00 / 1,00 
 
A inferência Fuzzy pode ser aplicada em um modelo linguístico para calcular o significado de 
termos compostos por modificação linguística. 
Considere que o modificador "Muito" seja α=α2α=α2 num modelo linguístico em que Carlos 
apresenta os graus de pertinência "idoso" de 0,6 e "jovem" de 0,1. 
Calcule o grau de pertinência de Carlos para a classe "não é jovens e não é muito velho". 
 
 μ=0,36μ=0,36 
 μ=0,26μ=0,26 
 μ=0,324μ=0,324 
 μ=0,64μ=0,64 
 μ=1,00μ=1,00 
 
 
 9. Ref.: 3598047 Pontos: 1,00 / 1,00 
 
Considerando o modelo matemático do neurônio para aplicação computacional com função de 
ativação linear g(⋅):y=ug(⋅):y=u, assinale a opção que determina o valor de saída do 
neurônio yy pelas entradas x1=1,x2=−0.2 e x3=0.7x1=1,x2=−0.2 e x3=0.7, relacionadas 
respectivamente aos pesos w1=0.3,w2=0.6 e w3=0.3w1=0.3,w2=0.6 e w3=0.3, com o 
bias θ=−0.2θ=−0.2. 
Modelo do neurônio: y=g(3∑i=1xiwi−θ)y=g(∑i=13xiwi−θ) 
 
 
0,51 
 
0,59 
 
0,39 
 0,19 
 
0,11 
 
 
 10. Ref.: 3595745 Pontos: 0,00 / 1,00 
 
As decisões tomadas em qualquer situação, quase sempre levam em consideração fatores 
empíricos, como experiências anteriores e situações similares. Nem sempre, ao considerar as 
probabilidades, toma-se uma decisão acertada. 
Assinale a alternativa que apresenta um exemplo de como a lógica nebulosa pode colaborar 
para trazer mais confiabilidade ao processo decisório. 
 
 Problemas analisados como "Verdadeiro ou Falso". 
 
Análise superficial de dados robustos. 
 
Compreensão dual de possibilidades. 
 
Eliminação de interpretação linguística. 
 Modelos não-booleanos.