Site de documentação da Maurinsoft
Site de documentação da Maurinsoft
Imagine que, em vez de simplesmente “dar as respostas” para seus alunos, você está ajudando eles a descobrirem por conta própria. Isso é o que significa ser um mediador no ensino. Seu papel é orientar e facilitar o aprendizado, incentivando os alunos a pensar de forma crítica, a fazer perguntas e a resolver problemas por conta própria.
Quando você media o aprendizado, o aluno passa a ser o protagonista. Ele deixa de ser um receptor passivo e começa a se envolver de forma ativa. Isso ajuda a:
Vamos pensar em como você, como mediador, pode atuar de maneira prática:
No ensino técnico, o foco não está apenas em saber o que algo faz, mas em como fazer. Você ajuda os alunos a aplicar a teoria na prática, e isso é muito importante para formar profissionais competentes.
Agora, vamos criar juntos uma ideia de aula em que você age como mediador. O tema será “Introdução à Programação em Python”.
Esse tipo de aula não apenas ensina o conteúdo, mas também ajuda os alunos a desenvolverem a habilidade de pensar de forma crítica e resolver problemas. Eles aprendem a aplicar o conhecimento de forma prática, que é exatamente o que se espera de profissionais no mercado de trabalho.
Resumindo: O professor mediador não dá respostas, mas orienta o aluno a encontrar as soluções. Isso ajuda a desenvolver profissionais mais independentes e críticos, prontos para resolver problemas de forma criativa e prática.
Agora que você entende o conceito, pode imaginar como isso pode funcionar na prática no seu dia a dia de ensino?
Se precisar de mais detalhes ou tiver alguma dúvida, estou aqui para explicar!
As Metodologias Ativas de Aprendizagem são estratégias que colocam o aluno no centro do processo de aprendizado. Isso significa que, ao invés do professor ser a única fonte de informação, os alunos participam ativamente, colaboram entre si, resolvem problemas e criam soluções. O papel do professor é orientar, guiar e facilitar o aprendizado.
Conforme os eletrons orbitam em camadas K,L,M
Os semi condutores tem configuração de valência (mais distantes do núcleo)
Os condutores possuem valência quase vazia.
Os isolantes valência cheia ou completa
Os semicondutores, possuem a camada de valência incompleta, permitindo conduzir corrente eletrica.
Cada átomo compartilha um e de valência c cada um dos seus 4 átomos vizinhos, formando 4 ligações covalentes.
Para criar um controller no laravel, utilize a seguinte sintaxe:
php artisan make:controller <nomecontroller>Os controller serão criados na pasta:
.\app\Http\Controllers
Conforme o exemplo abaixo:
<?php
namespace App\Http\Controllers;
use Illuminate\Http\Request;
class welcomeController extends Controller
{
//Metodo de visualização
public function welcome(){
return view('welcome');
}
} É necessário criar o mesmo na rota (web.php):
<?php
use Illuminate\Support\Facades\Route;
use App\Http\Controllers\WelcomeController;
Route::get('/', function () {
$controller = new welcomeController();
return $controller->welcome();
});
Link do trabalho:
Aluno: Marcelo Maurin Martins
Número FATEC: 2840612223009
e-mail:marcelo.martins34@fatec.sp.gov.br
Base do Codigo
import numpy as np
import matplotlib.pyplot as plt
import os
import cv2
import numpy as np
from scipy.io import loadmat
from IPython.display import HTML
from base64 import b64encode
from matplotlib import pyplot as plt
import ipywidgets as widgets
from IPython.display import displayExercício 1
# Carregar a imagem
image_path = 'xc.tif' # Substitua pelo caminho da sua imagem
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# Verificar se a imagem foi carregada corretamente
if image is None:
raise ValueError("A imagem não pôde ser carregada. Verifique o caminho fornecido.")
# Calcular o histograma
histogram = cv2.calcHist([image], [0], None, [256], [0, 256])
# Plotar o histograma
plt.figure()
plt.title("Histograma")
plt.xlabel("Intensidade")
plt.ylabel("Número de Pixels")
plt.plot(histogram)
plt.xlim([0, 256])
plt.show()
# Sliders para ajustar os valores de c e b
c_slider = widgets.FloatSlider(value=1.0, min=0.1, max=3.0, step=0.1, description='c')
b_slider = widgets.IntSlider(value=0, min=-100, max=100, step=1, description='b')
# Interagir com os sliders
widgets.interact(update_image, c=c_slider, b=b_slider)
# Carregar a imagem
image_path = 'xc.tif' # Substitua pelo caminho da sua imagem
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# Verificar se a imagem foi carregada corretamente
if image is None:
raise ValueError("A imagem não pôde ser carregada. Verifique o caminho fornecido.")
# Calcular o histograma
histogram = cv2.calcHist([image], [0], None, [256], [0, 256])
# Plotar o histograma
plt.figure()
plt.title("Histograma")
plt.xlabel("Intensidade")
plt.ylabel("Número de Pixels")
plt.plot(histogram)
plt.xlim([0, 256])
plt.show()
# Função para ajustar os valores de c e b e aplicar na imagem
def adjust_image(c, b):
adjusted_image = cv2.convertScaleAbs(image, alpha=c, beta=b)
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title("Imagem Ajustada")
plt.imshow(adjusted_image, cmap='gray')
plt.axis('off')
# Calcular o histograma da imagem ajustada
adjusted_histogram = cv2.calcHist([adjusted_image], [0], None, [256], [0, 256])
plt.subplot(1, 2, 2)
plt.title("Histograma Ajustado")
plt.xlabel("Intensidade")
plt.ylabel("Número de Pixels")
plt.plot(adjusted_histogram)
plt.xlim([0, 256])
plt.show()
# Sliders para ajustar os valores de c e b
c_slider = widgets.FloatSlider(value=1.0, min=0.1, max=3.0, step=0.1, description='c')
b_slider = widgets.IntSlider(value=0, min=-100, max=100, step=1, description='b')
# Interagir com os sliders
widgets.interact(adjust_image, c=c_slider, b=b_slider)
import numpy as np
import matplotlib.pyplot as plt
import cv2
import ipywidgets as widgets
from IPython.display import display
# Carregar a imagem
image_path = 'tomo.tif' # Substitua pelo caminho da sua imagem
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# Verificar se a imagem foi carregada corretamente
if image is None:
raise ValueError("A imagem não pôde ser carregada. Verifique o caminho fornecido.")
# Função para ajustar os valores de c e b e aplicar na imagem
def adjust_image(c, b):
adjusted_image = cv2.convertScaleAbs(image, alpha=c, beta=b)
plt.figure(figsize=(12, 6))
plt.subplot(1, 3, 1)
plt.title("Imagem Ajustada")
plt.imshow(adjusted_image, cmap='gray')
plt.axis('off')
# Calcular o histograma da imagem ajustada
adjusted_histogram = cv2.calcHist([adjusted_image], [0], None, [256], [0, 256])
plt.subplot(1, 3, 2)
plt.title("Histograma Ajustado")
plt.xlabel("Intensidade")
plt.ylabel("Número de Pixels")
plt.plot(adjusted_histogram)
plt.xlim([0, 256])
# Aplicar efeito negativo
negative_image = 255 - adjusted_image
negative_histogram = cv2.calcHist([negative_image], [0], None, [256], [0, 256])
plt.subplot(1, 3, 3)
plt.title("Imagem Negativa")
plt.imshow(negative_image, cmap='gray')
plt.axis('off')
plt.figure(figsize=(6, 4))
plt.title("Histograma da Imagem Negativa")
plt.xlabel("Intensidade")
plt.ylabel("Número de Pixels")
plt.plot(negative_histogram)
plt.xlim([0, 256])
plt.show()
# Sliders para ajustar os valores de c e b
c_slider = widgets.FloatSlider(value=1.0, min=0.1, max=3.0, step=0.1, description='c')
b_slider = widgets.IntSlider(value=0, min=-100, max=100, step=1, description='b')
# Interagir com os sliders
widgets.interact(adjust_image, c=c_slider, b=b_slider)
Exercicio 3 – Restauração da Imagem
# Função para ajustar brilho e contraste
def ajustar_brilho_contraste(imagem, alpha, beta):
nova_imagem = cv2.convertScaleAbs(imagem, alpha=alpha, beta=beta)
return nova_imagem
# Carregar a imagem
imagem = cv2.imread('xc.tif', cv2.IMREAD_GRAYSCALE)
# Ajuste de brilho e contraste
alpha = 0.002 # Contraste
beta = 0.002 # Brilho
imagem_ajustada = ajustar_brilho_contraste(imagem, alpha, beta)
# Plotar as imagens e os histogramas
fig, axs = plt.subplots(2, 2, figsize=(12, 8))
# Imagem original
axs[0, 0].imshow(imagem, cmap='gray')
axs[0, 0].set_title('Imagem Original')
axs[0, 0].axis('off')
# Histograma da imagem original
axs[0, 1].hist(imagem.ravel(), bins=256, range=(0, 256), color='gray')
axs[0, 1].set_title('Histograma Original')
# Imagem ajustada
axs[1, 0].imshow(imagem_ajustada, cmap='gray')
axs[1, 0].set_title('Imagem Ajustada')
axs[1, 0].axis('off')
# Histograma da imagem ajustada
axs[1, 1].hist(imagem_ajustada.ravel(), bins=256, range=(0, 256), color='gray')
axs[1, 1].set_title('Histograma Ajustado')
plt.tight_layout()
plt.show()
EAS 02 – Ambulatório
Conjunto de dados para EAS da equipe 02: AMBULATÓRIO
▪ 𝐵𝑎𝑐𝑘𝑙𝑜𝑔 = 𝐻𝐻 𝑂𝑆 𝑃𝑙𝑎𝑛𝑒𝑗𝑎𝑑𝑎𝑠 = 32 𝐻𝐻 𝑂𝑆 𝑃𝑒𝑛𝑑𝑒𝑛𝑡𝑒𝑠 = 15 𝐻𝐻 𝑂𝑆 𝑃𝑟𝑜𝑔𝑟𝑎𝑚𝑎𝑑𝑎𝑠 = 16 𝐻𝐻 𝑂𝑆 𝐸𝑥𝑒𝑐𝑢𝑡𝑎𝑑𝑎𝑠 = 13
▪ Custo do EMH parado = R$ 1.200,00 por hora
▪ Hora Homem Total = 18 horas ▪ Fator de Produtividade = 0,42
▪ Custo Total de Manutenção = R$ 520.000,00
▪ Faturamento Bruto = R$ 2.300.000,00
▪ Custo Específico de Manutenção EMH = R$ 850,00
▪ Valor de Compra EMH Novo = 35.000,00
▪ 𝐷𝑎𝑑𝑜𝑠 𝑑𝑒 𝑀𝑎𝑛𝑢𝑡𝑒𝑛çã𝑜 = 07 𝑀𝐶 =914 𝑀𝑃 =706 𝑀𝑃𝑑 =234 𝐸𝑛𝑔.𝜀 𝑀𝑒𝑙ℎ𝑜𝑟𝑖𝑎𝑠 = 108
Início: 03.06.2024 • Fim: 17.06.2024 • Entrega: 24.06.2024 IMPRESSO & pdf
Cada equipe (grupo de alunos) deve se colocar como um EAS de determinada atividade de saúde para a qual receberá um conjunto de dados numéricos qualitativos concernentes à atividade específica de cada EAS.
Com esses dados, cada equipe deverá cumprir a tarefa do projeto 02: exercitar o ferramental matemático que envolve os OITO principais indicadores de Gestão de Manutenção.
Cada Equipe deve elaborar um texto introdutório que justifique a relevância do projeto;
A tarefa compreende um documento de encaminhamento impresso para toda a tarefa da encomenda explicitada a seguir.
A gestão eficiente de serviços de saúde, especialmente em ambientes ambulatoriais de segunda linha (EAS2), exige uma abordagem sistemática na monitorização e análise de indicadores de desempenho. Esses indicadores são essenciais para assegurar a qualidade, eficiência e segurança no atendimento aos pacientes. A NBR 5462, que trata de confiabilidade e mantenabilidade, fornece uma estrutura valiosa para a gestão desses indicadores. A seguir, são apresentados os aspectos gerais que justificam a importância da manutenção de indicadores no contexto de EAS2 e em conformidade com a NBR 5462.
A NBR 5462 enfatiza a importância de se estabelecer uma abordagem estruturada para monitorar e analisar o desempenho dos sistemas e equipamentos. Isso inclui a implementação de práticas que garantam:
Em um ambulatório de segunda linha, a manutenção de indicadores é fundamental para atender às necessidades específicas de um ambiente de saúde dinâmico e exigente:
import matplotlib.pyplot as plt
# Dados fornecidos
backlog_hh_os_planejadas = 32
backlog_hh_os_pendentes = 15
backlog_hh_os_programadas = 16
backlog_hh_os_executadas = 13
custo_emh_parado = 1200 # h
hora_homem_total = 18 # horas
fator_produtividade = 0.42
custo_total_manutencao = 520000 # R$
faturamento_bruto = 2300000 # R$
custo_especifico_manutencao_emh = 850 # h
valor_compra_emh_novo = 35000 # h
mc = 914 #Manutenção corretiva
mp = 706 #Manutenção preventiva
mpd = 234 #Manutenção preditiva
eng_melhorias = 108MTBF: Tempo médio entre falhas;
# Calculando o número de falhas
horas_operacao = mc + mp + mpd + eng_melhorias
print(f"Horas de Operacao Total:{horas_operacao}")
nprodutivo = (1-fator_produtividade) * horas_operacao
print(f"Horas não produtivas:{nprodutivo}")
# Calculando o MTBF
mtbf = horas_operacao / custo_especifico_manutencao_emh
# Exibindo o valor do MTBF
print(f"O Tempo Médio Entre Falhas (MTBF) é: {mtbf:.2f} horas")Resultado:
Horas de Operacao Total:1962
Horas não produtivas:1137.96
O Tempo Médio Entre Falhas (MTBF) é: 2.31 horas
nrointervencoes = mc + mp+ mpd
print(f"Nro de intervenções:{nrointervencoes}")
MTTR = backlog_hh_os_executadas / nrointervencoes
print(f"MTTR:{MTTR}")Resultado:
Nro de intervenções:1854 MTTR:0.007011866235167206
disponibilidade = mtbf / (MTTR + mtbf)
print(f"disponibilidade:{disponibilidade}")disponibilidade:0.9969714394405742
# Calculando a taxa de falhas (lambda)
taxa_falhas = 1 / mtbf
# Definindo o tempo para o qual queremos calcular a confiabilidade (em horas)
t = 100
# Calculando a confiabilidade
confiabilidade = math.exp(-taxa_falhas * t)
# Exibindo os resultados
print(f"O Tempo Médio Entre Falhas (MTBF) é: {mtbf:.2f} horas")
print(f"A Confiabilidade do sistema após {t} horas é: {confiabilidade:.4f}")O Tempo Médio Entre Falhas (MTBF) é: 2.31 horas A Confiabilidade do sistema após 100 horas é: 0.0000
HHCarteira = backlog_hh_os_planejadas +backlog_hh_os_pendentes + backlog_hh_os_programadas +backlog_hh_os_executadas
print(f"HHCarteira:{HHCarteira}")
Backlog = (HHCarteira / (hora_homem_total * fator_produtividade)) * 100
print(f"Backlog:{Backlog}")HHCarteira:76 Backlog:1005.2910052910054
cmf = custo_total_manutencao / faturamento_bruto
print(f"cmf:{cmf}")cmf:0.22608695652173913
cpmv = custo_total_manutencao / valor_compra_emh_novo
print(f"cpmv:{cpmv}")cpmv:14.857142857142858
# Calculando a distribuição por tipos de manutenção
total_manutencao = mc + mp + mpd + eng_melhorias
percentual_mc = (mc / total_manutencao) * 100
percentual_mp = (mp / total_manutencao) * 100
percentual_mpd = (mpd / total_manutencao) * 100
percentual_eng_melhorias = (eng_melhorias / total_manutencao) * 100
# Dados para o gráfico de pizza
labels = ['Manutenção Corretiva', 'Manutenção Preventiva', 'Manutenção Preditiva', 'Melhorias de Engenharia']
sizes = [percentual_mc, percentual_mp, percentual_mpd, percentual_eng_melhorias]
colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue']
explode = (0.1, 0, 0, 0) # Destacar o primeiro segmento
# Plotando o gráfico de pizza
plt.figure(figsize=(8, 8))
plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', shadow=True, startangle=140)
plt.axis('equal') # Assegura que o gráfico de pizza seja desenhado como um círculo
plt.title('Distribuição por Tipos de Manutenção')
plt.show()
Para encontrar a equação de Vo em função das tensões de entrada Va, Vb, Vc, Vd, aplicamos a superposição das contribuições de cada tensão de entrada no amplificador operacional. A equação geral para um somador inversor é dada por:
Vo = – ( (Rf/Ra) Va + (Rf/Rb) Vb + (Rf/Rc) Vc + (Rf/Rd) Vd )
Dado:
Podemos escrever a equação de Vo como:
Vo = – ( (300 kΩ/40 kΩ) Va + (300 kΩ/10 kΩ) Vb + (300 kΩ/20 kΩ) Vc + (300 kΩ/40 kΩ) Vd )
Vo = – ( 7.5 Va + 30 Vb + 15 Vc + 7.5 Vd )
Substituindo os valores na equação encontrada:
Vo = – ( 7.5 * 2 + 30 * 2 + 15 * 3 + 7.5 * (-4) )
Vo = – ( 15 + 60 + 45 – 30 )
Vo = – ( 90 )
Vo = -90V
Substituindo os valores na equação encontrada:
Vo = – ( 7.5 * (-4) + 30 * 3 + 15 * 5 + 7.5 * (-6) )
Vo = – ( -30 + 90 + 75 – 45 )
Vo = – ( 90 )
Vo = -90V
Substituindo os valores na equação encontrada:
Vo = – ( 7.5 * (-3) + 30 * 4 + 15 * (-2) + 7.5 * 7 )
Vo = – ( -22.5 + 120 – 30 + 52.5 )
Vo = – ( 120 )
Vo = -120V
Para que Vo não sature, precisamos garantir que Vo fique dentro da faixa de alimentação do amplificador operacional, que geralmente é de ±15V.
Substituindo Va, Vc e Vd na equação e isolando Vb:
Vo = – ( 7.5 * (-4) + 30 * Vb + 15 * 5 + 7.5 * (-6) )
Simplificando:
Vo = – ( -30 + 30 Vb + 75 – 45 )
Vo = – ( 30 Vb )
Como Vo deve estar entre -15V e +15V:
-15V ≤ – ( 30 Vb ) ≤ 15V
-15V ≤ – 30 Vb ≤ 15V
– (15V/30) ≤ Vb ≤ (15V/30)
-0.5V ≤ Vb ≤ 0.5V
Então, Vb deve variar entre -0.5V e 0.5V para que a saída Vo não sature.
Exercício 2
Para encontrar a equação de Vo considerando Rf = 10,0 kΩ e Rs = 4,0 kΩ, usamos a fórmula do amplificador inversor:
Vo = – ( (Rf/Rs) Vs )
Dado:
Portanto, a equação de Vo é:
Vo = – ( 10,0 kΩ / 4,0 kΩ ) Vs
Vo = – ( 2.5 Vs )
Substituindo Vs = 2V na equação encontrada:
Vo = – ( 2.5 * 2 )
Vo = – 5V
Substituindo Vs = 5V na equação encontrada:
Vo = – ( 2.5 * 5 )
Vo = – 12.5V
Substituindo Vs = 8V na equação encontrada:
Vo = – ( 2.5 * 8 )
Vo = – 20V
Para que Vo não sature, precisamos garantir que Vo fique dentro da faixa de alimentação do amplificador operacional, que geralmente é de ±15V.
Usando a equação Vo = -2.5 Vs:
-15V ≤ -2.5 Vs ≤ 15V
Dividindo todos os termos por -2.5 (e invertendo a desigualdade):
6V ≥ Vs ≥ -6V
Então, Vs deve variar entre -6V e 6V para que a saída Vo não sature.
Exercício 3
Para encontrar a equação de Vo considerando um amplificador inversor com os resistores Rf e Rs, usamos a fórmula do amplificador inversor:
Vo = – ( (Rf/Rs) Va )
Dado:
Portanto, a equação de Vo é:
Vo = – ( 47 kΩ / 4,7 kΩ ) Va
Vo = – ( 10 Va )
Substituindo Va = 2V na equação encontrada:
Vo = – ( 10 * 2 )
Vo = – 20V
Substituindo Va = -4,5V na equação encontrada:
Vo = – ( 10 * -4,5 )
Vo = 45V
Substituindo Va = 6V na equação encontrada:
Vo = – ( 10 * 6 )
Vo = – 60V
Para que Vo não sature, precisamos garantir que Vo fique dentro da faixa de alimentação do amplificador operacional, que geralmente é de ±12V.
Usando a equação Vo = -10 Va:
-12V ≤ -10 Va ≤ 12V
Dividindo todos os termos por -10 (e invertendo a desigualdade):
1.2V ≥ Va ≥ -1.2V
Então, Va deve variar entre -1.2V e 1.2V para que a saída Vo não sature.
Exercício 4
Para encontrar a equação de Vo considerando um amplificador inversor com os resistores Rf e Rs, usamos a fórmula do amplificador inversor:
Vo = – ( (Rf/Rs) Va )
Dado:
Portanto, a equação de Vo é:
Vo = – ( 47 kΩ / 4,7 kΩ ) Va
Vo = – ( 10 Va )
Substituindo Va = 2V na equação encontrada:
Vo = – ( 10 * 2 )
Vo = – 20V
Substituindo Va = -4,5V na equação encontrada:
Vo = – ( 10 * -4,5 )
Vo = 45V
Substituindo Va = 6V na equação encontrada:
Vo = – ( 10 * 6 )
Vo = – 60V
Para que Vo não sature, precisamos garantir que Vo fique dentro da faixa de alimentação do amplificador operacional, que geralmente é de ±12V.
Usando a equação Vo = -10 Va:
-12V ≤ -10 Va ≤ 12V
Dividindo todos os termos por -10 (e invertendo a desigualdade):
1.2V ≥ Va ≥ -1.2V
Então, Va deve variar entre -1.2V e 1.2V para que a saída Vo não sature.
Neste artigo, iremos publicar um gráfico (Dashboard) que expoem um grafico de algebra linear.
A álgebra linear é um ramo da matemática que lida com vetores, matrizes e sistemas lineares de equações. É uma ferramenta fundamental em muitas áreas da ciência e engenharia devido à sua capacidade de representar e resolver problemas em múltiplas dimensões de forma eficiente.
A álgebra linear fornece as ferramentas para modelar e resolver problemas complexos de maneira eficiente e precisa. Sua aplicação pervasiva em várias disciplinas a torna uma habilidade essencial para cientistas, engenheiros, analistas de dados e muitos outros profissionais. Compreender e aplicar conceitos de álgebra linear é fundamental para inovar e resolver problemas em um mundo cada vez mais orientado por dados e tecnologia.
import streamlit as st
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
st.title('Regressão Linear Simples')
# Função para gerar dados de exemplo
def generate_data(n_samples=100):
np.random.seed(42)
X = 2 * np.random.rand(n_samples, 1)
y = 4 + 3 * X + np.random.randn(n_samples, 1)
return X, y
# Gerar dados
X, y = generate_data()
# Exibir os dados em um gráfico
st.subheader('Dados de Treinamento')
fig, ax = plt.subplots()
ax.scatter(X, y, color='blue')
ax.set_xlabel('X')
ax.set_ylabel('y')
st.pyplot(fig)
# Treinar o modelo de regressão linear
model = LinearRegression()
model.fit(X, y)
y_pred = model.predict(X)
# Exibir a linha de regressão
st.subheader('Linha de Regressão')
fig, ax = plt.subplots()
ax.scatter(X, y, color='blue', label='Dados')
ax.plot(X, y_pred, color='red', linewidth=2, label='Linha de Regressão')
ax.set_xlabel('X')
ax.set_ylabel('y')
ax.legend()
st.pyplot(fig)
# Exibir os coeficientes
st.subheader('Coeficientes do Modelo')
st.write(f'Intercepto: {model.intercept_[0]}')
st.write(f'Coeficiente: {model.coef_[0][0]}')
Portuguese 
English