Estimação Bayesiana de Parâmetros envolvidos em Modelos Determinísticos
|
|
- Isabela Sales Cordeiro
- 8 Há anos
- Visualizações:
Transcrição
1 Estimação Bayesiana de Parâmetros envolvidos em Modelos Determinísticos por Josiane da Silva Cordeiro Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Métodos Estatísticos 2009
2 Estimação Bayesiana de Parâmetros envolvidos em Modelos Determinísticos Josiane da Silva Cordeiro Dissertação submetida ao Corpo Docente do Instituto de Matemática - Departamento de Métodos Estatísticos da Universidade Federal do Rio de Janeiro - UFRJ, como parte dos requisitos necessários à obtenção do grau de Mestre em Estatística. Aprovada por: Prof a. Alexandra M. Schmidt. PhD - IM - UFRJ - Orientadora. Prof. Cláudio J. Struchiner PhD - PROCC - FIOCRUZ - Co-Orientador. Prof. Hélio S. Migon PhD - IM - UFRJ. Prof. Dirceu Silveira Reis Jr. PhD - DEHID - FUNCEME. ii
3 FICHA CATALOGRÁFICA Cordeiro, Josiane da Silva. Estimação Bayesiana de Parâmetros envolvidos em Modelos Determinísticos / Josiane da Silva Cordeiro. Rio de Janeiro: UFRJ, IM, DME, Dissertação - Universidade Federal do Rio de Janeiro, IM, DME. 1. Introdução. 2. Modelos Determinísticos. 3. Estimação Bayesiana de Parâmetros envolvidos em Modelos Determinísticos. 4. Estimação Bayesiana de Parâmetros envolvidos em Equações a Diferenças Finitas: Uma Aplicação à Modelagem de Chuva-Vazão. 5. Conclusões e Trabalhos Futuros. (Mestrado-UFRJ/IM/DME) I. Schmidt, Alexandra II. Universidade Federal do Rio de Janeiro III. Título. iii
4 iv Ao Criador, meu Pai Celestial.
5 Agradecimentos A Deus, pelo seu grande amor. Em particular, este amor tem sido revelado através do seu cuidado, das oportunidades surgidas e a clareza necessária para enxergá-las e, principalmente, o fortalecimento para prosseguir. Agradeço a Deus também, por cada pessoa que faz parte da minha vida. À minha família pelo amor. Aos meu pais, Josias e Maria, pelo cuidado e carinho demonstrados de forma muito peculiar, segundo o jeito de ser de cada um. Ao meu irmão Welington, pela paciência e por me dar a certeza de que fiz a escolha certa quanto ao meu curso de mestrado. E ao meu irmão Welton, também pela paciência e pelos vários momentos descontraídos. Ao Felipe, pelo amor e apoio. E também, por ter contribuído para que meu ano de dissertação fosse um ano mais feliz. Às minhas avós (in memorian), pelo amor que, enquanto possível, foi dado a mim. Aos meus tios, tias, primos e primas que de diversas maneiras me amaram e incentivaram ao longo da minha vida. Aos meus amigos, aos atualmente presentes e aos ausentes fisicamente, mas que de maneiras distintas me apoiaram muito. Aos meus companheiros e amigos do DME, que compartilharam comigo momentos de angústia, de satisfação e de alegria, nestes dois anos de intensa convivência. E, é claro, obrigada pelos grandes momentos no laboratório casamenteiro, o LPGE. Em especial, a minha turma Denise, Mariana, Nícia, Patrícia, Vera e Alexandre, e a Valmária, João, Targino e Vinícius. À minha orientadora Alexandra Schmidt, por todo incentivo desde quando ainda não v
6 era aluna da UFRJ. Agradeço pela dedicação como orientadora e, pelo compartilhamento de conhecimento e experiências científicas. Ao meu atual co-orientador Cláudio Struchiner, pela orientação acadêmica dada, desde o ensino médio, com liberaridade e, também pela transmissão de um pouco, que foi muito para mim, do seu conhecimento científico. Aos meus professores do DME-IM/UFRJ e do DEMAT/UFRuralRJ que, em diferentes etapas, foram essenciais para meu crescimento através do conhecimento passado e da constante motivação. Ao Hélio Migon e ao Dirceu Reis pela cordialidade e colaboração científica. A todos os vinculados a UFRJ, pela colaboração para promover um ambiente de estudo de qualidade. A todos os profissionais do PROCC/FIOCRUZ, pelo ambiente agradável e pela disponibilidade em diversos momentos. À FUNCEME pela concessão dos dados utilizados nesta dissertação. À CAPES e à FAPERJ, pela bolsa especial, que possibilitaram o prosseguimento dos meus estudos com mais entusiasmo. vi
7 Resumo Neste trabalho, temos interesse em investigar procedimentos de inferência bayesiana de parâmetros originalmente envolvidos em modelos determinísticos que descrevem problemas reais. A fim de acoplar incerteza ao estudo determinístico, assumimos que a solução determinística é a média de uma realização da distribuição normal. Desta forma, especificamos a função de verossimilhança e, sob o paradigma bayesiano, atribuímos uma distribuição a priori para os parâmetros, assim obtendo a distribuição a posteriori. Devido à complexidade destes modelos, surge a necessidade de métodos computacionais para obtermos amostras desta distribuição. Neste contexto, escolhemos algoritmos baseados em dois métodos específicos, a saber, o Monte Carlo via cadeias de Markov e o Monte Carlo sequencial. Particularmente, objetivamos comparar estes métodos para a estimação dos parâmetros relacionados a um modelo determinístico que descreve interações entre espécies de presas e de predadores. Os resultados atingidos via todos os algoritmos utilizados mostraram que tais procedimentos são razoáveis neste contexto de estimação, embora a descrição da incerteza, associada à distribuição a posteriori dos parâmetros, reportada por ambos os métodos tenham sido distintas. Outro interesse específico neste trabalho, assumindo um modelo determinístico da vazão de uma bacia hidrográfica, é ajustar o modelo estatístico proposto a conjuntos de dados de três bacias do estado do Ceará, cedidos pela FUNCEME. Neste caso, obtivemos um ajuste razoável do modelo aos diferentes conjuntos de dados atingindo distribuições a posteriori informativas para os parâmetros de interesse. Palavras Chaves: Modelos Determinísticos, Estimação Bayesiana, Monte Carlo via cadeias de Markov, Monte Carlo sequencial. vii
8 Abstract In this work, we are interested in investigating Bayesian inference procedures of parameters related to deterministic models which describe real problems. In order to account for uncertainty estimation into the deterministic study, we assume the deterministic solution as the mean of a normal distribution. In this way, we specify the likelihood function and, under the Bayesian paradigm, we assign a prior distribution to the parameters, hence obtaining a posterior distribution. Due to the complexity of these models, it emerges the need of computational methods to obtain samples of the resultant posterior distribution. In this context, we choose algorithms based on two specific methods, Markov chain Monte Carlo and sequential Monte Carlo algorithms. Particularly, we aim to compare these methods to estimate parameters involved in a deterministic model that describes interactions between prey species and predator species. The achieved results through all the algorithms showed that these procedures are reasonable in this context of estimation, although the description of uncertainty, associated with the posterior distribution of the parameters, reported by both methods have been distinct. Another specific aim of this work is to model the runoff of a hydrographic basin through a deterministic model. The proposed statistical model is fitted to datasets from three basins in the State of Ceará, made available by FUNCEME. In this case, we obtained a reasonable fit of the model to the different datasets reaching informative posterior distributions to the parameters of interest. Key Words: Deterministic Models, Bayesian Estimation, Markov Chain Monte Carlo, Sequential Monte Carlo. viii
9 Sumário 1 Introdução 1 2 Modelos Determinísticos Equações a Diferenças Finitas Equações Diferenciais Ordinárias Métodos Numéricos de Aproximação de Solução de EDO Método de Euler Método de Runge-Kutta Métodos de Passos Múltiplos Método da Colocação Calibração e Estimação de Parâmetros no contexto de Modelos Determinísticos Estimação Bayesiana de Parâmetros envolvidos em Modelos Determinísticos MCMC MCS CBA-MCS CBA-CRP Estudo Simulado: Uma Aplicação em um Modelo Clássico de EDO Função de Verossimilhança Geração dos Dados Artificiais Formulação Bayesiana ix
10 3.3.4 Implementação Computacional Resultados Estimação Bayesiana de Parâmetros envolvidos em Equações a Diferenças Finitas: Uma Aplicação à Modelagem de Chuva-Vazão Modelo SMAP Função de Verossimilhança Formulação Bayesiana Estudo Simulado Geração dos Dados Artificiais Resultados através do MCMC Dados Reais Bacia Bacia Bacia Conclusões e Trabalhos Futuros 68 x
11 Lista de Tabelas 3.1 Parâmetros do CBA-MCS ajustados SMAP/Bacia Estimativas pontual (mediana a posteriori) e intervalar (intervalo de credibilidade de 90%) para cada parâmetro SMAP/Bacia Estimativas pontual (mediana a posteriori) e intervalar (intervalo de credibilidade de 90%) para cada parâmetro SMAP/Bacia Estimativas pontual (mediana a posteriori) e intervalar (intervalo de credibilidade de 90%) para cada parâmetro xi
12 Lista de Figuras 3.1 Traços das cadeias dos parâmetros α e β (colunas), para as diferentes observações com N=16, N=51 e N=151 (linhas), e supondo a priori 3 via MCMC. A linha horizontal preta é o valor verdadeiro do parâmetro Mediana (ponto cheio) e intervalos de credibilidade de 90% da distribuição a posteriori de α e β supondo a priori 1 (P1), priori 2 (P2) e priori 3 (P3), tanto via MCMC (em azul) quanto via CBA-MCS (em vermelho), com N=16, N=51 e N=151 (linhas) I.C. de 90% (linhas tracejadas) e a mediana (linhas cheias) da distribuição preditiva das populações de presas e predadores, obtidos a partir dos valores das cadeias dos parâmetros via MCMC (em azul) e via CBA-MCS (em vermelho), assumindo a priori 3, e para as diferentes amostras com N=16, N=51 e N=151 (linhas). Os círculos representam os dados observados Gráficos de Dispersão entre α e β, no caso da priori 3, via MCMC (primeira coluna) e CBA-MCS (segunda coluna), e para os diferentes conjuntos de dados gerados N=16, N=51 e N=151 (linhas 1, 2 e 3, respectivamente) Mediana (ponto cheio) e intervalos de credibilidade de 90% da distribuição a posteriori de α e de β via CBA-MCS (em azul) e CBA-MCS com B = 10 (em vermelho), a partir das amostras de tamanhos N=16 (N16), N=51 (N51) e N=151 (N151) xii
13 3.6 I.C. de 90% (linha tracejada) e a mediana (linha cheia) da distribuição preditiva das populações de presas e de predadores, obtidos a partir dos valores das cadeias dos parâmetros via CBA-MCS, com B = 10, assumindo a priori 3, e para as diferentes amostras com N=16, N=51 e N=151 (linhas). Os círculos representam os dados observados Mediana (ponto cheio) e intervalos de credibilidade de 90% da distribuição a posteriori de α e de β via CBA-MCS (em azul) e CBA-CRP (em vermelho), a partir das amostras de tamanhos N=16 (N16), N=51 (N51) e N=151 (N151) I.C. de 90% (linha tracejada) e a mediana (linha cheia) da distribuição preditiva das populações de presas e de predadores, obtidos a partir dos valores das cadeias dos parâmetros via CBA-CRP assumindo a priori 3. Os círculos representam os dados observados com N=16, N=51 e N=151 (linhas) Mediana (ponto cheio) e intervalos de credibilidade de 90% da distribuição a posteriori de α e de β via CBA-MCS (em azul) e CBA-CRP com o núcleo de transição para trás sub-ótimo (em vermelho), a partir das amostras de tamanhos N=16 (N16), N=51 (N51) e N=151 (N151) I.C. de 90% (linha tracejada) e a mediana (linha cheia) da distribuição preditiva das populações de presas e de predadores, obtidos a partir dos valores das cadeias dos parâmetros via CBA-CRP, com o núcleo de transição para trás sub-ótimo, assumindo a priori 3. Os círculos representam os dados observados com N=16, N=51 e N=151 (linhas) Diagrama do modelo SMAP SMAP/Dados Artificiais - Traços das cadeias dos parâmetros (via formulação 1). A linha horizontal preta é o valor verdadeiro do parâmetro SMAP/Dados Artificiais - Traços das cadeias dos parâmetros (via formulação 2). A linha horizontal preta é o valor verdadeiro do parâmetro.. 48 xiii
14 4.4 SMAP/Dados Artificiais - Histogramas dos parâmetros (via formulação 1). A linha vertical vermelha é o valor verdadeiro do parâmetro SMAP/Dados Artificiais - Histogramas dos parâmetros (via formulação 2). A linha vertical vermelha é o valor verdadeiro do parâmetro SMAP/Dados Artificiais - I.C. de 90% (linha tracejada) e a mediana (linha cheia em azul) da distribuição preditiva da vazão obtidos a partir dos valores das cadeias dos parâmetros via MCMC e assumindo a formulação 1. Os círculos representam os dados observados SMAP/Dados Artificiais - I.C. de 90% (linha tracejada) e a mediana (linha cheia em azul) da distribuição preditiva da vazão obtidos a partir dos valores das cadeias dos parâmetros via MCMC e assumindo a formulação 2. Os círculos representam os dados observados SMAP/Bacia Traços das cadeias dos parâmetros SMAP/Bacia Histogramas dos parâmetros SMAP/Bacia Mediana (linha tracejada preta) da distribuição preditiva da vazão obtidos a partir dos valores das cadeias dos parâmetros via MCMC e os dados observados da bacia (linha cheia azul) SMAP/Bacia Quantis de 25% e de 75% da distribuição preditiva da vazão a partir das cadeias dos parâmetros, e os dados observados da bacia (linha cheia azul) SMAP/Bacia Histogramas dos parâmetros SMAP/Bacia Mediana (linha tracejada preta) da distribuição preditiva da vazão obtidos a partir dos valores das cadeias dos parâmetros via MCMC e os dados observados da bacia (linha cheia azul) SMAP/Bacia Quantis de 25% e de 75% da distribuição preditiva da vazão a partir das cadeias dos parâmetros, e os dados observados da bacia (linha cheia azul) SMAP/Bacia Histogramas dos parâmetros xiv
15 4.16 SMAP/Bacia Mediana (linha tracejada preta) da distribuição preditiva da vazão obtidos a partir dos valores das cadeias dos parâmetros via MCMC e os dados observados da bacia (linha cheia azul) SMAP/Bacia Quantis de 25% e de 75% da distribuição preditiva da vazão a partir das cadeias dos parâmetros, e os dados observados da bacia (linha cheia azul) xv
16 Capítulo 1 Introdução Modelos matemáticos determinísticos são um conjunto de equações ou inequações matemáticas, organizadas de forma que, conhecidas algumas condições deste sistema, é possível obter sua solução em um dado momento. Estes modelos são utilizados em diversas áreas de pesquisas científicas, tais como biologia, química e física. Equações do tipo diferenciais (ordinárias, parciais ou com retardo), integro-diferenciais, e a diferenças finitas, têm sido amplamente utilizadas nestes contextos. Em modelagem matemática, podemos também estar interessados na calibração dos parâmetros que definem o modelo determinístico adotado. A calibração dos parâmetros de um modelo determinístico consiste em buscar um conjunto de valores para estes parâmetros até que se alcance uma melhor representação do problema de estudo. Desta forma, ajustamos o modelo determinístico aos dados em relação aos parâmetros que o definem. O crescente uso da modelagem determinística e o aumento da complexidade dos modelos, para descrever problemas de diversas áreas, vêm acentuando a necessidade de métodos de calibração mais robustos neste contexto. Particularmente, no caso de parâmetros que definem equações diferenciais ordinárias não-lineares, a calibração pode ser feita linearizando-se estas estruturas. Neste contexto, o método dos mínimos quadrados não-lineares têm sido amplamente aplicado. Por outro lado, diversos procedimentos estatísticos mais elaborados, clássicos e bayesianos, para estimar parâmetros envolvidos em modelos determinísticos têm sido propos- 1
17 tos na literatura. Veja, por exemplo, Poole e Raftery (2000); Cancré et al. (2000); Huang et al. (2006); Ramsay et al. (2007); Campbell (2007); Toni et al. (2008). Neste trabalho, temos interesse em revisar e investigar métodos de estimação bayesiana em modelos originalmente expressos de forma determinística. Neste contexto, adicionamos incerteza ao estudo determinístico. Desta forma, assumimos que a solução determinística entra como, por exemplo, a média de uma realização de uma distribuição de probabilidade bem definida. Além disto, seguindo o paradigma de Bayes, obtemos como resultado da análise uma distribuição de probabilidade a posteriori para os parâmetros de interesse. Dessa forma a incerteza inerente ao procedimento de estimação e a informação observada é naturalmente descrita. Em diversos casos, devido a complexidade dos modelos, a distribuição a posteriori resultante não tem forma analítica fechada. Portanto, surge a necessidade de métodos eficazes para a geração de amostras desta distribuição. Em particular, selecionamos métodos de amostragem baseados em Monte Carlo via cadeias de Markov e em Monte Carlo sequencial, sob a perspectiva da estatística bayesiana. Nosso objetivo específico é comparar a eficiência destes dois métodos em diversos cenários. A seguir, descrevemos a organização deste texto. No capítulo 2, fazemos uma revisão de literatura sobre modelos determinísticos. Em particular, apresentamos conceitos e resultados matemáticos relacionados as duas classes de modelos determinísticos estudados aqui, equações a diferenças finitas e equações diferenciais ordinárias. Além disto, discutimos alguns dos métodos mais conhecidos para aproximar soluções de equações diferenciais ordinárias. Finalmente, na seção 2.4, fornecemos uma visão geral sobre os métodos de calibração de parâmetros pertencentes a modelos determinísticos, propostos na literatura. No capítulo 3 concentra-se o foco deste trabalho, que são os métodos computacionais bayesianos para estimar parâmetros envolvidos em modelos determinísticos. Primeiro, discutimos brevemente o que tem sido proposto na literatura. Em seguida, nas seções 3.1 e 3.2, apresentamos os métodos bayesianos de amostragem que temos interesse em investigar, inclusive descrevemos os algoritmos para implementá-los. Mais especificamente, elegemos os métodos de Monte Carlo via cadeias de Markov e o de Monte Carlo 2
18 sequencial, adaptados ao contexto do nosso estudo. Na seção 3.3, utilizamos os métodos discutidos num estudo simulado. Escolhemos um modelo especificado por um sistema de duas equações diferenciais ordinárias não-lineares, que visa descrever dinâmicas populacionais entre uma espécie de presas e seus predadores. Já no capítulo 4, aplicamos a metodologia estudada, através de um dos métodos de estimação de interesse, a um modelo hidrológico descrito por um sistema de equações a diferenças finitas no tempo, proposto por Lopes et al. (1981). Este modelo tem sido amplamente utilizado por especialistas em hidrologia, e é conhecido como Soil Moisture Accounting Procedure (SMAP). Ajustamos o modelo estatístico proposto a um conjunto de dados artificialmente gerados. Além disto, três conjuntos de dados coletados no estado do Ceará, cedidos pelo grupo de pesquisa da Fundação Cearense de Meteorologia e Recursos Hídricos (FUNCEME), também foram ajustados. Estes conjuntos de dados diferem principalmente em relação à quantidade de observações que compõem suas séries temporais. Finalmente, no capítulo 5, concluímos nosso estudo apresentando uma discussão sobre os métodos e resultados obtidos. Além disto, indicamos possíveis extensões deste trabalho, apontando tópicos de nosso interesse de prosseguimento nesta linha de pesquisa. 3
19 Capítulo 2 Modelos Determinísticos Modelos matemáticos determinísticos são um conjunto de equações ou inequações matemáticas, organizadas de forma que, conhecidas algumas condições deste sistema, é possível obter sua solução em um momento desejado. Portanto, dadas as mesmas condições do sistema, a solução é sempre igual. Mais especificamente, aqui definimos um modelo determinístico M como uma função que, para cada t em [0, T ], relaciona um conjunto de parâmetros θ Θ R m a um conjunto de variáveis de saída M(θ, t) R p, dada as condições de entrada deste sistema. Desta forma, modelos determinísticos não levam em conta nenhuma aleatoriedade. Isto é, dado um conjunto de entradas do modelo, sua saída é unicamente determinada. Em particular, são modelos determinísticos sistemas de equações a diferenças finitas (discreto) e sistemas de equações diferenciais ordinárias (EDO s) (contínuo), os quais temos interesse neste trabalho. Exemplos de condições de entrada, que não são parâmetros do modelo, são as condições iniciais do sistema, M(θ, 0), no caso de EDO s. Estas condições são necessárias para obtermos uma solução única. 2.1 Equações a Diferenças Finitas Bassanezi (2002) sugere que o uso de equações a diferenças finitas em modelagem é apropriado quando, por exemplo, o crescimento populacional, entre gerações sucessivas, ocorre em etapas discretas e sem sobreposição de gerações da espécie analisada. Várias 4
20 aplicações desta classe de equações são apresentadas em Bassanezi (2002), assim como um estudo introdutório desta teoria é visto em Lima (2006). Segue abaixo a definição matemática destas equações. Definição Uma equação a diferenças de 1 a ordem é uma equação da forma x t+1 = f(x t ), (2.1) onde f é uma função determinada e t {0, 1,..., N,...}. A solução da equação a diferenças finitas em (2.1) é uma sequência, cujos termos satisfazem a relação definida por f, da forma (x 0, x 1,..., x N,...). Além disto, segundo Lima (2006), supondo conhecido o ponto inicial x 0, ou primeiro termo da sequência, então a equação em (2.1) possui uma única solução. 2.2 Equações Diferenciais Ordinárias A vasta aplicabilidade dos conceitos do cálculo diferencial para resolver problemas práticos tem movido vários pesquisadores, desde o final do século XVII quando I. Newton e G. W. Leibnitz, motivados por problemas físicos e geométricos, o desenvolveram. A seguir, apresentamos alguns conceitos indispensáveis para uma melhor compreensão desta classe de equações, inclusive sua definição. Definição Seja f uma função definida num aberto Ω que associa cada par (t, x) Ω (R R n ) a um ponto pertencente ao R n com dx dt = f(t, x), (2.2) então, dizemos que (2.2) é uma equação diferencial ordinária em R n definida por f. Uma solução da EDO em (2.2) é uma função derivável φ : I R n com (t, φ(t)) Ω, para todo t I R, I intervalo. Além disto, supondo conhecido um ponto da solução, digamos x(t 0 ) = x 0, temos um problema de valor inicial (PVI), também chamado de problema de Cauchy. 5
21 A fim de garantir a existência de soluções de EDO s definidas no R n, basta que a função f seja contínua. Entretanto, para garantir unicidade de solução de um PVI é preciso assumir outras hipóteses além da continuidade da função f. O teorema abaixo trata deste problema, e sua demonstração pode ser apreciada em Doering e Lopes (2007). Teorema 2.1 (Teorema de Existência e Unicidade de Solução) Seja f : Ω R n uma função contínua definida num aberto Ω R n+1. Suponhamos que a derivada parcial espacial, f x, seja também contínua neste aberto. Então, para cada (t 0, x 0 ) Ω existem um intervalo aberto I contendo t 0 e uma única função diferenciável φ : I R n com (t, φ(t)) Ω, para todo t I, que é solução do problema de valor inicial dx dt = f(t, x), x(t 0 ) = x 0. Se escrevermos x(t) = (x 1 (t),..., x n (t)), e f(t, x) = (f 1 (t, x),..., f n (t, x)), então podemos interpretar a equação diferencial vetorial dx dt = f(t, x) Rn como um sistema de equações diferenciais escalares da forma dx 1 dt dx 2 dt = f 1 (t, x 1 (t),..., x n (t)), = f 2 (t, x 1 (t),..., x n (t)),. dx n dt = f n (t, x 1 (t),..., x n (t)). Uma solução deste sistema é dada por um conjunto de funções deriváveis φ l : I R, l = 1,..., n, tais que, para cada t I dφ l dt = f l (t, φ 1 (t),..., φ n (t)). Equivalentemente, o vetor φ = (φ 1, φ 2,..., φ n ) representa a solução da equação vetorial dx = f(t, x) R n. Desta forma, o teorema de existência e unicidade de soluções dt apresentado acima para uma equação diferencial ordinária vetorial com condição inicial conhecida, também garante a existência e unicidade de solução para um sistema de equações diferenciais escalares em R dada sua condição inicial. Neste caso, uma condição inicial é dada por x 1 (t 0 ) = x 0 1,..., x n (t 0 ) = x 0 n. 6
22 2.3 Métodos Numéricos de Aproximação de Solução de EDO No início do desenvolvimento das equações diferenciais, a principal preocupação dos pesquisadores era a obtenção da solução destas equações de forma explícita. Entretanto, logo se verificou que a quantidade de equações que podiam ser resolvidas analiticamente era muito pequena. Segundo Figueiredo e Neves (2005), com a rigorosidade da análise matemática, surgida mais formalmente no século XIX, passou-se a se considerar primeiro a existência e unicidade de soluções. Além disto, vários estudos vêm sendo realizados ao longo dos anos, em favor de métodos para solução destas equações. Quando a equação é linear, a solução torna-se mais simples, podendo ser resolvida analiticamente. outro lado, quando a equação apresenta algum termo não-linear, em geral, não conseguimos resolvê-la exatamente. Neste contexto, métodos numéricos de aproximação de soluções surgem como ferramentas poderosas, principalmente com o advento e grande progresso da capacidade computacional. No caso de EDO s, dada sua condição inicial, alguns dos métodos mais conhecidos são o método de Euler (e alguns aprimoramentos deste método), o método de Runge-Kutta, o método da colocação e métodos de passos múltiplos. Estes métodos são descritos, por exemplo, em Boyce e DiPrima (2001) e Burden e Faires (1993). Vários softwares matemáticos possuem pacotes com alguns destes métodos implementados, que são de fácil manipulação. A fim de fazermos uma breve introdução dos métodos numéricos citados, vamos considerar o caso mais simples. Seja uma equação diferencial ordinária não-linear da forma dx dt = f(t, x), tais que (t, x) (R R) e com condição inicial x(t 0 ) = x 0. Além disto, vamos supor que f e a derivada parcial com relação à segunda variável, f, sejam contínuas. Daí, pelo teorema 2.1, existe uma única solução do problema dado x num intervalo aberto I, contendo t 0. O primeiro passo para utilizarmos um método numérico consiste em definir N subintervalos do intervalo I. Denotaremos estes N subintervalos por [t n 1, t n ], n = 1,..., N. O Por 7
23 próximo passo é aproximar a solução dentro de cada um destes subintervalos Método de Euler Embora o método de Euler seja raramente utilizado em aplicações reais, sua importância teórica para o entendimento de vários outros métodos mais robustos justifica sua apresentação. Este é um método iterativo, no qual devemos calcular recursivamente a seguinte equação x n = x n 1 + hf(t n 1, x n 1 ), n = 1,..., N, tal que h é o tamanho dos subintervalos [t n 1, t n ], n = 1,..., N. Este é o método de Euler mais simples, pois consideramos aqui o tamanho dos intervalos igual para todos. Desta forma, obtemos uma sequência de pares (t 0, x 0 ),..., (t N, x N ) que aproximam a solução alvo no intervalo I = [t 0, t N ]. Embora a utilização de métodos numéricos seja extremamente útil, esta solução obtida sofre algumas penalizações devido a erros de aproximação. Os principais erros de aproximação nestes casos são os erros de truncamento e de arredondamento. Basicamente, o erro de arredondamento está relacionado à limitação computacional no sentido de que os cálculos são restritos a um número finito de dígitos. Já o erro de truncamento origina-se do fato de que em cada passo somente utilizamos uma fórmula aproximada para obter cada x n, e, além disto, supondo este valor correto, o utilizamos para obter o próximo termo da sequência. Em particular, chamamos de erro de truncamento local o erro efetuado em cada passo. Para uma vasta classe de métodos numéricos é possível obter estimativas destes erros. O método de Euler pode também ser visto como um caso particular dos métodos de série de Taylor, com a presença apenas do termo de primeira ordem (primeira derivada). Na prática, estes métodos com ordens superiores são dificilmente empregados pois requerem as avaliações de derivadas também de ordens superiores, que nem sempre existem, ou ainda, tornam a implementação mais complexa. 8
24 2.3.2 Método de Runge-Kutta O método de Runge-Kutta também pode ser considerado uma generalização do método de Euler. Neste método, podemos variar o tamanho dos subintervalos tomados para a aproximação. Dentre as várias formas deste método, o mais amplamente utilizado é o método de Runge-Kutta de quarta ordem, e sua fórmula de recorrência é dada por ( ) kn 1,1 + 2k n 1,2 + 2k n 1,3 + k n 1,4 x n = x n 1 + h, n = 1,..., N, 6 tais que k n 1,1 = f(t n 1, x n 1 ), k n 1,2 = f(t n h, x n hk n 1,1), k n 1,3 = f(t n h, x n hk n 1,2), k n 1,4 = f(t n h, x n hk n 1,3), para n = 1,..., N. O termo que acompanha h pode ser interpretado como uma média ponderada de valores de f(t, x) em diferentes pontos do intervalo [t n 1, t n ], ou ainda como um coeficiente angular médio. A ampla utilização deste método pode ser explicada devido a ser um método razoavelmente simples de ser manipulado e que retorna uma aproximação satisfatória em muitos casos Métodos de Passos Múltiplos Métodos que utilizam informação de mais de um passo anterior são chamados de métodos de passos múltiplos. Deste modo, os métodos anteriores não fazem parte desta classe de métodos. Entretanto, existem vários métodos que apresentam esta característica. Como ilustração, vejamos um destes métodos, conhecido como método de Adams. A idéia básica deste método é aproximar f(t, x) por um polinômio P k (t) de grau k 1, e usar este polinômio para calcular a integral tn+1 t n f(t, x) dt = x n+1 x n. 9
Cláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisa 1 x 1 +... + a n x n = b,
Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisSomatórias e produtórias
Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +
Leia maisAs 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 maisO 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 maisCapítulo 2 - Problemas de Valores Fronteira para Equações Diferenciais Ordinárias
Capítulo 2 - Problemas de Valores Fronteira para Equações Diferenciais Ordinárias Departamento de Matemática balsa@ipb.pt Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia 1 o
Leia maisx0 = 1 x n = 3x n 1 x k x k 1 Quantas são as sequências com n letras, cada uma igual a a, b ou c, de modo que não há duas letras a seguidas?
Recorrências Muitas vezes não é possível resolver problemas de contagem diretamente combinando os princípios aditivo e multiplicativo. Para resolver esses problemas recorremos a outros recursos: as recursões
Leia mais9. Derivadas de ordem superior
9. Derivadas de ordem superior Se uma função f for derivável, então f é chamada a derivada primeira de f (ou de ordem 1). Se a derivada de f eistir, então ela será chamada derivada segunda de f (ou de
Leia maisKarine Nayara F. Valle. Métodos Numéricos de Euler e Runge-Kutta
Karine Nayara F. Valle Métodos Numéricos de Euler e Runge-Kutta Professor Orientador: Alberto Berly Sarmiento Vera Belo Horizonte 2012 Karine Nayara F. Valle Métodos Numéricos de Euler e Runge-Kutta Monografia
Leia maisA MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1
A MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1 A IMPORTÂNCIA DA MATEMÁTICA O desenvolvimento das sociedades tem sido também materializado por um progresso acentuado no plano científico e nos diversos domínios
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maiscomputador-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 maisMAT1154 ANÁLISE QUALITATIVA DE PONTOS DE EQUILÍBRIO DE SISTEMAS NÃO-LINEARES
MAT1154 ANÁLISE QUALITATIVA DE PONTOS DE EQUILÍBRIO DE SISTEMAS NÃO-LINEARES VERSÃO 1.0.2 Resumo. Este texto resume e complementa alguns assuntos dos Capítulo 9 do Boyce DiPrima. 1. Sistemas autônomos
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisCÁLCULO 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 maisCapítulo 1. x > y ou x < y ou x = y
Capítulo Funções, Plano Cartesiano e Gráfico de Função Ao iniciar o estudo de qualquer tipo de matemática não podemos provar tudo. Cada vez que introduzimos um novo conceito precisamos defini-lo em termos
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisMétodos 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 mais5 Equacionando os problemas
A UA UL LA Equacionando os problemas Introdução Nossa aula começará com um quebra- cabeça de mesa de bar - para você tentar resolver agora. Observe esta figura feita com palitos de fósforo. Mova de lugar
Leia mais2. 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 mais6 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 maisDefinição. A expressão M(x,y) dx + N(x,y)dy é chamada de diferencial exata se existe uma função f(x,y) tal que f x (x,y)=m(x,y) e f y (x,y)=n(x,y).
PUCRS FACULDADE DE ATEÁTICA EQUAÇÕES DIFERENCIAIS PROF. LUIZ EDUARDO OURIQUE EQUAÇÔES EXATAS E FATOR INTEGRANTE Definição. A diferencial de uma função de duas variáveis f(x,) é definida por df = f x (x,)dx
Leia mais2. 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 maisMÓDULO 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 maisPARTE 2 FUNÇÕES VETORIAIS DE UMA VARIÁVEL REAL
PARTE FUNÇÕES VETORIAIS DE UMA VARIÁVEL REAL.1 Funções Vetoriais de Uma Variável Real Vamos agora tratar de um caso particular de funções vetoriais F : Dom(f R n R m, que são as funções vetoriais de uma
Leia maisAnálise 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 maisO Problema do Troco Principio da Casa dos Pombos. > Princípios de Contagem e Enumeração Computacional 0/48
Conteúdo 1 Princípios de Contagem e Enumeração Computacional Permutações com Repetições Combinações com Repetições O Problema do Troco Principio da Casa dos Pombos > Princípios de Contagem e Enumeração
Leia maisINTRODUÇÃO AO ESTUDO DE EQUAÇÕES DIFERENCIAIS
INTRODUÇÃO AO ESTUDO DE EQUAÇÕES DIFERENCIAIS Terminologia e Definições Básicas No curso de cálculo você aprendeu que, dada uma função y f ( ), a derivada f '( ) d é também, ela mesma, uma função de e
Leia maisAula 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 maisDiferenciais Ordinárias (EDO)
Resolução Numérica de Equações Diferenciais Ordinárias (EDO) Ivanovitch Medeiros Dantas da Silva Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação DCA0399
Leia maisUniversidade Federal de Uberlândia Brasil
s de s do Universidade Federal de Uberlândia Brasil Índice s de 1 2 3 4 5 Índice s de 1 2 3 4 5 s de Quando surge uma praga em uma lavoura, os agricultores utilizam de inseticidas eficientes ao maior número
Leia mais1 Descrição do Trabalho
Departamento de Informática - UFES 1 o Trabalho Computacional de Algoritmos Numéricos - 13/2 Métodos de Runge-Kutta e Diferenças Finitas Prof. Andréa Maria Pedrosa Valli Data de entrega: Dia 23 de janeiro
Leia maisMetodologias de Desenvolvimento de Sistemas. Analise de Sistemas I UNIPAC Rodrigo Videschi
Metodologias de Desenvolvimento de Sistemas Analise de Sistemas I UNIPAC Rodrigo Videschi Histórico Uso de Metodologias Histórico Uso de Metodologias Era da Pré-Metodologia 1960-1970 Era da Metodologia
Leia maisEquações diferencias são equações que contém derivadas.
Equações diferencias são equações que contém derivadas. Os seguintes problemas são exemplos de fenômenos físicos que envolvem taxas de variação de alguma quantidade: Escoamento de fluidos Deslocamento
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisIntrodução 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 maisProblemas de Valor Inicial para Equações Diferenciais Ordinárias
Problemas de Valor Inicial para Equações Diferenciais Ordinárias Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados
Leia maisMatemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel.
Matemática Essencial Equações do Segundo grau Conteúdo Matemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel.br/matessencial/ 1 Introdução
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR Assuntos: Matrizes; Matrizes Especiais; Operações com Matrizes; Operações Elementares
Leia maisModelagem no Domínio do Tempo. Carlos Alexandre Mello. Carlos Alexandre Mello cabm@cin.ufpe.br 1
Carlos Alexandre Mello 1 Modelagem no Domínio da Frequência A equação diferencial de um sistema é convertida em função de transferência, gerando um modelo matemático de um sistema que algebricamente relaciona
Leia maisDadas 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 maisSimulação 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 maisNotas de Cálculo Numérico
Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo
Leia maisBC-0005 Bases Computacionais da Ciência. Modelagem e simulação
BC-0005 Bases Computacionais da Ciência Aula 8 Modelagem e simulação Santo André, julho de 2010 Roteiro da Aula Modelagem O que é um modelo? Tipos de modelos Simulação O que é? Como pode ser feita? Exercício:
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisMaterial Teórico - Módulo de Divisibilidade. MDC e MMC - Parte 1. Sexto Ano. Prof. Angelo Papa Neto
Material Teórico - Módulo de Divisibilidade MDC e MMC - Parte 1 Sexto Ano Prof. Angelo Papa Neto 1 Máximo divisor comum Nesta aula, definiremos e estudaremos métodos para calcular o máximo divisor comum
Leia maisErros. Número Aproximado. Erros Absolutos erelativos. Erro Absoluto
Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo. A análise dos resultados
Leia mais¹CPTL/UFMS, Três Lagoas, MS,Brasil, oliveiralimarafael@hotmail.com. ²CPTL/UFMS, Três Lagoas, MS, Brasil.
Encontro de Ensino, Pesquisa e Extensão, Presidente Prudente, 22 a 25 de outubro, 2012 36 INTRODUÇÃO A CRIPTOGRAFIA RSA Rafael Lima Oliveira¹, Prof. Dr. Fernando Pereira de Souza². ¹CPTL/UFMS, Três Lagoas,
Leia maisIvan Guilhon Mitoso Rocha. As grandezas fundamentais que serão adotadas por nós daqui em frente:
Rumo ao ITA Física Análise Dimensional Ivan Guilhon Mitoso Rocha A análise dimensional é um assunto básico que estuda as grandezas físicas em geral, com respeito a suas unidades de medida. Como as grandezas
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia maisIntrodução 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 mais1. 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 maisTópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções
Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções 1. INTRODUÇÃO Ao se obter uma sucessão de pontos experimentais que representados em um gráfico apresentam comportamento
Leia maisE A D - S I S T E M A S L I N E A R E S INTRODUÇÃO
E A D - S I S T E M A S L I N E A R E S INTRODUÇÃO Dizemos que uma equação é linear, ou de primeiro grau, em certa incógnita, se o maior expoente desta variável for igual a um. Ela será quadrática, ou
Leia maisCURSO 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 maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos
Leia maisCI202 - Métodos Numéricos
CI202 - Métodos Numéricos Lista de Exercícios 2 Zeros de Funções Obs.: as funções sen(x) e cos(x) devem ser calculadas em radianos. 1. Em geral, os métodos numéricos para encontrar zeros de funções possuem
Leia maisO ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2
3.2 O Espaço Nulo de A: Resolvendo Ax = 0 11 O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 Esta seção trata do espaço de soluções para Ax = 0. A matriz A pode ser quadrada ou retangular. Uma solução imediata
Leia maisSociedade Brasileira de Matemática Mestrado Profissional em Matemática em Rede Nacional. n=1
Sociedade Brasileira de Matemática Mestrado Profissional em Matemática em Rede Nacional MA Números e Funções Reais Avaliação - GABARITO 3 de abril de 203. Determine se as afirmações a seguir são verdadeiras
Leia maisAULAS 13, 14 E 15 Correlação e Regressão
1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de
Leia maisMATEMÁTICA 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 maisAlgoritmos Computacionais ( Programas )
Algoritmos Computacionais ( Programas ) A partir deste tópico, consideramos a utilização do universo Computacional na solução de problemas. Para tanto devemos lembrar que a transposição de problemas do
Leia mais1 Introdução 1.1. Motivação e conceitos básicos
1 Introdução 1.1. Motivação e conceitos básicos Uma seguradora ou companhia de seguros, segundo o Dicionário de Seguros, define-se como uma instituição que tem como objetivo indenizar prejuízos involuntários.
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia maisQUADRADO MÁGICO - ORDEM 4
CONCEITO Partindo da definição original, os QUADRADOS MÁGICOS devem satisfazer três condições: a) tabela ou matriz quadrada (número de igual ao número de ); b) domínio: com elementos assumindo valores
Leia maisCálculo 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)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR
6LPXODomR GH6LVWHPDV )HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR #5,6. Simulador voltado para análise de risco financeiro 3RQWRV IRUWHV Fácil de usar. Funciona integrado a ferramentas já bastante conhecidas,
Leia maisOpções Reais. Processos Estocásticos. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos
Modelando Incerteza Opções Reais A incerteza em um projeto pode ter mais do que apenas dois estados. Na prática, o número de incertezas pode ser infinito Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio
Leia mais3 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 maisINTRODUÇÃO AOS MÉTODOS FACTORIAIS
Capítulo II INTRODUÇÃO AOS MÉTODOS FACTORIAIS A Análise Factorial de Correspondências é uma técnica simples do ponto de vista matemático e computacional. Porém, devido ao elevado suporte geométrico desta
Leia maisIntrodução 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 maisResposta Transitória de Circuitos com Elementos Armazenadores de Energia
ENG 1403 Circuitos Elétricos e Eletrônicos Resposta Transitória de Circuitos com Elementos Armazenadores de Energia Guilherme P. Temporão 1. Introdução Nas últimas duas aulas, vimos como circuitos com
Leia maisCAP5: 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 maisREVISÃO E AVALIAÇÃO DA MATEMÁTICA
2 Aula 45 REVISÃO E AVALIAÇÃO DA 3 Vídeo Arredondamento de números. 4 Arredondamento de números Muitas situações cotidianas envolvendo valores destinados à contagem, podem ser facilitadas utilizando o
Leia maisPodemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em um projeto.
Discussão sobre Nivelamento Baseado em Fluxo de Caixa. Item aberto na lista E-Plan Podemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o
Leia maisObjetivos. Apresentar as superfícies regradas e superfícies de revolução. Analisar as propriedades que caracterizam as superfícies regradas e
MÓDULO 2 - AULA 13 Aula 13 Superfícies regradas e de revolução Objetivos Apresentar as superfícies regradas e superfícies de revolução. Analisar as propriedades que caracterizam as superfícies regradas
Leia maisSó Matemática O seu portal matemático http://www.somatematica.com.br FUNÇÕES
FUNÇÕES O conceito de função é um dos mais importantes em toda a matemática. O conceito básico de função é o seguinte: toda vez que temos dois conjuntos e algum tipo de associação entre eles, que faça
Leia maisEstudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana
Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana Leandro Alves Pereira - FAMAT, UFU Rogerio de Melo Costa Pinto - FAMAT, UFU 2 Resumo: Os insetos-pragas
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisSimulação Computacional de Sistemas, ou simplesmente Simulação
Simulação Computacional de Sistemas, ou simplesmente Simulação Utilização de métodos matemáticos & estatísticos em programas computacionais visando imitar o comportamento de algum processo do mundo real.
Leia maisAula 13 Técnicas de Integração
Aula 13 Técnicas de Integração Objetivos da Aula Estudar técnicas especiais de integração: integração por substituição e por partes, mostrando que estes processos são ferramentas poderosas para facilitar
Leia maisEstudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:
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 maisBCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 04: Análise de Algoritmos (Parte 1) Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Ciência da Computação, DECOM Website: www.decom.ufop.br/reifortes
Leia maisCapítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho
20 Capítulo 3 Avaliação de Desempenho Este capítulo aborda como medir, informar e documentar aspectos relativos ao desempenho de um computador. Além disso, descreve os principais fatores que influenciam
Leia maisModelagem e Simulação
AULA 11 EPR-201 Modelagem e Simulação Modelagem Processo de construção de um modelo; Capacitar o pesquisador para prever o efeito de mudanças no sistema; Deve ser próximo da realidade; Não deve ser complexo.
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisCorrelação Canônica. Outubro / 1998. Versão preliminar. Fabio Vessoni. fabio@mv2.com.br (011) 30642254. MV2 Sistemas de Informação
Correlação Canônica Outubro / 998 Versão preliminar Fabio Vessoni fabio@mv.com.br (0) 306454 MV Sistemas de Informação Introdução Existem várias formas de analisar dois conjuntos de dados. Um dos modelos
Leia maisOrganização e Arquitetura de Computadores I
Organização e Arquitetura de Computadores I Aritmética Computacional Slide 1 Sumário Unidade Lógica e Aritmética Representação de Números Inteiros Aritmética de Números Inteiros Representação de Números
Leia maisXI Encontro de Iniciação à Docência
4CCENDFMT01 EXEMPLO DE APLICAÇÃO DE UMA METODOLOGIA PARA A SOLUÇÃO DE PROBLEMAS DE FÍSICA E MATEMÁTICA Erielson Nonato (1) e Pedro Luiz Christiano (3) Centro de Ciências Exatas e da Natureza/Departamento
Leia maisMétodo de Monte Carlo e ISO
Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia maisCapítulo 7 Medidas de dispersão
Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).
Leia maisPesquisa com Professores de Escolas e com Alunos da Graduação em Matemática
Pesquisa com Professores de Escolas e com Alunos da Graduação em Matemática Rene Baltazar Introdução Serão abordados, neste trabalho, significados e características de Professor Pesquisador e as conseqüências,
Leia maisMAT 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 maisφ(x,y,y',y'',y''',..., d n y/dx n ) = 0 (1) Esta equação é de n-ésima ordem e tem somente uma variável independente, x.
245 Capítulo 15 Resolução numérica de equações diferenciais Para podermos investigar exemplos de simulação que surgem na Física, Engenharia, Biomatemática etc., estudamos, neste capítulo, alguns métodos
Leia maisO ENSINO DE CÁLCULO NUMÉRICO: UMA EXPERIÊNCIA COM ALUNOS DO CURSO DE CIÊNCIA DA COMPUTAÇÃO
O ENSINO DE CÁLCULO NUMÉRICO: UMA EXPERIÊNCIA COM ALUNOS DO CURSO DE CIÊNCIA DA COMPUTAÇÃO Prof. Leugim Corteze Romio Universidade Regional Integrada URI Campus Santiago-RS leugimcr@urisantiago.br Prof.
Leia mais