diff --git a/EP1.py b/EP1.py
new file mode 100644
index 0000000..2346c14
--- /dev/null
+++ b/EP1.py
@@ -0,0 +1,41 @@
+from statistics import mean
+import numpy as np
+import pandas as pd
+import warnings
+warnings.simplefilter(action='ignore', category=FutureWarning)
+
+filename = input("Nome do arquivo: ")
+rede = input("Tipo de rede: ")
+variante = input("Variante TOM (min ou mean): ")
+index1 = int(input("Index do primeiro gene: "))
+index2 = int(input("Index do segundo gene: "))
+
+file = pd.read_csv(filename, index_col=0)
+file = file.to_numpy(dtype="float")
+diag = np.diag(file)
+np.fill_diagonal(file, 0)
+
+# Computar TOM: O cálculo da TOM precisa do correto cálculo no denominado e no numerador. Analise a fórmula da TOM comentada na aula.
+
+# No numerador calculamos a multiplicação das adjacências para todo gene "i" e "j" com um gene vizinho "u". Se calcularmos para a matriz de adjacência completa, o cálculo fica representado por um "dot product".
+L = np.dot(file[index1], file[index2])
+
+# No denominador temos a conetividade para cada gene do par "i" e "j". A conetividade é a soma da adjacência do gene com todos os outros da matriz. Dado que a matriz é simétrica, vamos consider um gene das filas e o outro das colunas.
+ki = np.sum(file[index1])
+kj = np.sum(file[index2])
+np.fill_diagonal(file, diag)
+
+if variante == "min":  # cálculo do denominador quando a variante da TOM seleciona a mínima conetividade.
+  den = min(ki, kj) + 1 - abs(file[index1, index2])
+elif variante == "mean":
+  ks = [ki, kj]
+  den = mean(ks) + 1 - abs(file[index1, index2])
+  
+if rede == "unsigned":  # unsigned TOM, como descrito na fórmula
+  tom = (L + abs(file[index1, index2])) / den
+elif rede == "signed": # signed TOM, onde o numerador e a matriz de adjacência do denominador são transformados em valores positivos.
+  tom = (abs(L + file[index1, index2])) / den
+
+if index1 == index2:
+  tom = 1
+print(np.around(tom, decimals=4))
\ No newline at end of file