UNIVERSIDADE DE SÃO PAULO Instituto de Física. FNC Laboratório de Estrutura da Matéria II MOVIMENTO BROWNIANO

Tamanho: px
Começar a partir da página:

Download "UNIVERSIDADE DE SÃO PAULO Instituto de Física. FNC Laboratório de Estrutura da Matéria II MOVIMENTO BROWNIANO"

Transcrição

1 UNIVERSIDADE DE SÃO PAULO Insttuto de Físca FNC Laboratóro de Estrutura da Matéra II MOVIMENTO BROWNIANO

2 FÍSICA EXPERIMENTAL - VI (Lab. de Estrutura da Matéra) MOVIMENTO BROWNIANO ÍNDICE - Estudo do Movmento Brownano... I. Introdução... II. Experênca... III. Reerêncas Bblográcas Apêndce A... 4 Determnação de <x> pelo método de mínmos quadrados.. 4 Processos para mnmzar χ... 5 Processo para avalar o erro... 5 Caso geral de uma unção com város parâmetros Apêndce B Correção para o valor da vscosdade do ar... 9 Gráco para estmatva do rao da gota

3 I. Introdução ESTUDO DO MOVIMENTO BROWNIANO O movmento Brownano já deve ter sdo observado na experênca de Mllkan: algumas gotas tnham movmento caótco, sem dreção preerencal, que chegava a perturbar a medda dos tempos de percurso. A causa deste movmento está relaconada com a natureza dscreta do gás atmosérco; o ar não e um ludo unorme, mas e ormado de moléculas. A gota está sujeta a choques com as moléculas em todas as dreções. Se a gota or sucentemente pequena, o número de choques num dado ntervalo de tempo, num dado sentdo, pode não ser exatamente compensado pelo número de choques no sentdo oposto, daí o deslocamento. A requênca com que ocorrem as colsões, ou as dstâncas percorrdas entre colsões sucessvas estão relaconadas também com as característcas íscas do meo, que dão conta do movmento térmco das moléculas que o compõem. Consulte as reerêncas bblográcas (re. [1 a 6]). A teora cnétca dos gases também prevê uma dstrbução de energa das moléculas; a energa méda é proporconal ao produto kt (equpartção de energa). Assm, a energa cnétca das moléculas aumenta com a temperatura e aumenta também a energa transerda num choque. O movmento caótco da gotnha de óleo no ar está relaconado com a agtação das moléculas do ar e com o número de moléculas por undade de volume. A medda do deslocamento médo da gotnha permte calcular o numero de Avogadro. Para uma análse estatístca, consulte o apêndce A e as reerêncas [3,8 e 9]. II.- Experênca O nstrumental é o mesmo que o utlzado para a experênca de Mllkan. Uma gotnha de óleo de tamanho convenente é equlbrada entre as placas do condensador e são observados seus movmentos numa dada dreção. Os ajustes do aparelho e da lumnação devem ser etos da manera já conhecda. A análse quanttatva do movmento da gotnha permte calcular o número de Avogadro através da expressão: RTt N = A 3πηa x Onde R e a constante dos gases peretos (=8.37x10 7 erg/mol K), T a temperatura absoluta do sstema (K), η o coecente de vscosdade do ar, a o rao da gota, t o ntervalo de tempo em que são observados os deslocamentos e <x > o deslocamento quadrátco médo (veja por exemplo as reerêncas [1 a 6]). As questões a segur devem ser usadas como orentação para a realzação da experênca: - Qual a melhor dreção a ser escolhda para observação do movmento Brownano (vertcal ou horzontal)?

4 - Levando em conta o processo que produz esse movmento, aça uma estmatva do tamanho da gota escolhda. - Reportando-se a experênca de Mllkan, qual a grandeza mensurável que pode ornecer o rao da gotnha? (veja apêndce B para estmatva ncal do rao da gota). Procure uma gotnha de modo que seu rao possa ser determnado com erro da ordem de 5%. - Observe o movmento da gota na dreção escolhda e aça uma coleção de meddas de sua posção, tendo em vsta obter <x > (x o deslocamento em cada ntervalo de tempo) com um erro menor que 10%. Faça pelo menos 00 meddas de deslocamento, usando ntervalos de tempo de 10s. - Construa hstogramas de deslocamento para ntervalos de 10s, 0s e 30s. Obtenha σ para os três hstogramas, usando os métodos descrtos no apêndce A. - O numero de Avogadro N A deve ser calculado usando σ ou <x >? Justque sua resposta. - Calcule o número de Avogadro N A e analse a necessdade de correção para o coecente de vscosdade. Ver apêndce B para obter a vscosdade. - Calcule o erro assocado à determnação de N A e dscuta a nluênca dos atores sgncatvos. - Faca uma ntrodução ao trabalho baseada na bblograa ctada e no desenvolvmento da parte expermental realzada. Procure justcar o método utlzado e o calculo do numero de Avogadro. II. Reerêncas Bblográcas 1) A. Ensten - Brownan Moton ) Tppler - Foundatons o Modern Physcs 3) Re - Fundamentals o Statstcal and Thermal Physcs 4) Max Born - Fsca Atomca 6) Harnell e Lvngood - Expermental Atomc Physcs 7) Mllkan - Electrons + and - 8) Evans - The Atomc Nucleus 9) Bevngton - Data Reducton and Error Analyss or the Physcal Scences. 10) Squres - Pratcal Physcs 11) Lavenda, B.H. - Brownan Moton - Sc. Amer. p. 56 (ev. 1985) 1) Schumacher, R.T. - Am. J. Phys. 54, 137 (1986) 13) Feder, J. - Fractals - Plenum Press N.Y. (1988) 14) Mandelbrot, B.B. - The Fractal Geometry o Nature, Freeman (198) 15) Voss, R.F. - n: The Scence o Fractal Images, ed. Henz Otto - Petgen, Sprnger Verlag (1988) 3

5 APÊNDICE A Determnação de <x > pelo método dos mínmos quadrados. Os métodos descrtos abaxo não se restrngem à experênca de movmento Brownano, mas podem ser aplcados em geral, para ajuste de uma unção arbtrára de n parâmetros. Como o vsto acma, o número de Avogadro, cuja obtenção é um dos objetvos desta experênca, pode ser expresso como: N A = RTt 3πηa x Vamos tratar da avalação de <x >: <x > ou o desvo quadrátco médo, pode ser calculado dretamente da lutuação dos deslocamentos. De ato, lembrando a denção de varânca: σ = x ( x) N (1) = x x e lembrando que a méda <x> é nula (não há dreção preerencal para o mov-mento), temos x = σ, calculado dretamente dos dados. Esta é uma prmera estmatva e deve ser encarada como tal. Deve-se tratar o problema de um modo mas complexo, mas que pode ser generalzado para avalação de parâmetros de uma curva qualquer. Os deslocamentos de dstrbuem de acordo com uma gaussana de méda zero e varânca x = σ. A gaussana normalzada é dada pela expressão: P( x) = 1 e πσ O hstograma dos deslocamentos tem como passo utlzado no exo x dos deslocamentos, y é o número de vezes que um deslocamento x é observado e N é o número total de meddas ( N = ). Supondo uma dstrbução gaussana para os y deslocamentos e sabendo que a área sob o hstograma expermental é N, o hstograma expermental deve ser comparado com a gaussana (x) dada por: ( x ) = x σ N e πσ x σ O melhor ajuste dará σ, ou seja <x >. O melhor valor de σ pode ser estmado pelo método dos mínmos quadrados, que consste em mnmzar a expressão: N χ = = 1 y ( x ) y (3) (4) (5) () 4

6 onde y é o número de meddas no canal de hstograma centrado em x e (x ) o valor da gaussana no canal centrado em (ver re. [4]). Neste caso, poder-se-a colocar χ = 0 e resolver a equação em σ, mas esta é σ não lnear e complcada. Este problema pode ser contornado da manera descrta a segur. O uso de y no denomnador de (5) pressupõe que o erro assocado ao valor do canal seja y, ou seja, que a contagem no canal y se dstrbu segundo uma curva de Posson. Esta aproxmação é razoável, mas tende a superestmar o erro (a dstrbução correta é a bnomal). Processo para mnmzar o χ. O método para mnmzar o χ nos casos em que a equação χ = 0 não pode σ ser resolvda sem grandes dculdades é o segunte: - calcula-se o χ para város valores do parâmetro da curva teórca, no caso σ, em torno do valor de uma prmera estmatva (aqu a varânca, σ ). - az-se um gráco dos χ s em unção do parâmetro varado σ. - localza-se no gráco o mínmo, e repete-se o procedmento em torno do mínmo, renando o valor do parâmetro (σ). Achado este valor (σ o ), deve-se determnar seu erro. Esta tarea é bem mas complcada. Processos para avalar o erro. São apresentados três métodos usualmente empregados para esta naldade. Processo 1: (Especcamente para o caso de curvas que dependem de apenas um parâmetro) Calcula-se o erro por propagação: ε σ = σ ε = y σ y já que ε =y no nosso caso. A dculdade deste método, no presente caso, está em avalar σ, já que não temos σ em unção de y. Mas a condção de mnmzação de y χ, χ σ = 0, pode ser dervada em relação a y : χ = 0 y σ Pode-se então separar χ. Mas o cálculo é longo. y y 5

7 Processo : (este processo, mas numérco, é mas requentemente utlzado em programas de computador) A re. [9] trata do ajuste por mínmos quadrados de unções lneares ou não 1 nos parâmetros. Demonstra-se que o erro ε de um parâmetro a j é ε j = α 1 jj onde α jj é o elemento dagonal da matrz nversa usada na expressão: α jk = 1 σ ( x ) ( x ) a a (Veja também a apostla do prmero bmestre de Lab. Estrutura da Matéra I) No nosso caso, só ha um parâmetro, σ. Portanto: j k α 11 1 ( x ) = y σ A dervada σ ε α 1 = α = ( x ) y σ é trval. Este processo que dá valores exatos para uma unção lnear nos parâmetros, ornece bons valores se calculado na stuação em que χ é mínmo em todos os parâmetros. Processo 3: (estmatva utlzada em stuações complcadas) Quando o cálculo do erro se torna demasadamente complexo, é comum em ísca expermental, se usar a segunte regra (re. [9]): - achado o valor mínmo (σ o ) com χ =χ o, procura-se o valor de σ tal que χ σ=χ o+1. Em geral há dos valores, um neror e um superor. Estes delmtam uma axa de ncerteza e pode-se estmar ε σ como a metade deste ntervalo. Do mesmo modo que o possível avalar <x > a partr dos dados, exste a possbldadede avalar o erro de <x >. De ato, quando se az uma medda repetdas vezes, espera-se que os valores se dstrbuam segundo uma gaussana, com largura gual ao erro. É possível achar um erro do erro dado por: ε σ = σ N (re. [10], pg. 18) onde σ é o erro da medda. Veja a semelhança com a experênca realzada. Tentar medr a posção da gota que sore movmento Brownano leva a uma ndetermnação grande da posção. Mas o nteresse não está na posção, mas na lutuação da posção, ou seja no erro da posção, que sera dado por <x >. então o erro de <x > nada mas é que o erro do erro e pode-se escrever: 6

8 ε σ = x N É claro que, do mesmo modo que σ = x, é uma prmera aproxmação que deve ser encarada como tal, como ponto de partda e ordem de grandeza. Caso geral de uma unção de város parâmetros Desde o níco, o mposto, como justcatva que a dstrbução tnha méda zero e área N. No entanto, pode acontecer que por alguma razão haja uma dreção preerencal: vento, capactor não nvelado etc. Além dsso, a curva pode ter uma deormação e sua área não ser N mas um outro valor próxmo (embora seja dícl acetar que a área não seja o número de dados tomados!). Mas para eeto de exemplo, vamos consderar que os três parâmetros não sejam determnados (embora seja necessáro ter valores ncas estmados). A re. [9], cap. 11, trata de város modos de determnar estes parâmetros. O processo mas smples é o da grade, descrto a segur. A unção que queremos ajustar é: com valores ncas σ = x ( x ) = N e πσ x ( µ ) σ ε σ, N o número de dados e µ=<x>. - xa-se dos parâmetros (por exemplo σ e N) - vara-se o parâmetro lvre (no caso a posção µ) até achar o mínmo χ. - xa-se este parâmetro no valor correspondente ao mínmo χ, µ o e mantendo um dos outros xos (p. ex. N), vara-se s até achar o novo χ mínmo. - xa-se σ em σ o (no mínmo) e vara-se o tercero parâmetro (N) até encontrar o menor χ. - volta-se ao níco, recomeçando-se com o novo (e melhor) conjunto de parâmetros. O processo é repetdo até que os parâmetros não varem sgncatvamente de uma teração para outra, assm como o valor de χ mínmo. Tem-se então, o melhor valor para os três parâmetros smultaneamente. Este método pode ser estenddo a n parâmetros mas torna-se tedoso e de convergênca lenta. Para avalar o erro pode-se usar o processo, montando-se a matrz α no mínmo χ e nvertendo-a. Ou então, o processo 3, para cada parâmetro, mantendo os outros xos em seus pontos de mínmo. Caso os dados apresentem uma méda sgncatvamente não nula (em relação à largura da dstrbução), deve-se mnmzar o χ em σ e µ smultaneamente como descrto logo acma. No caso de µ=<x> ser desprezível em relação a σ, o processo de um parâmetro, σ, pode ser usado. No caso de µ 0, o que se usa na equação (1) para calcular N A, σ ou <x >? Justque. 7

9 APÊNDICE B I - Correção para o valor da vscosdade do ar Tendo em vsta que o dâmetro da gota é comparável com o lvre camnho médo das moléculas no ar (L ~ 10-5 cm), não se pode desprezar a não homogenedade do ludo. Desta manera, requer-se eetuar uma correção no coecente de vscosdade do ar: b η = η p. a onde p é a pressão atmosérca, η 0 o coecente de vscosdade à temperatura ambente e b= (cm de Hg) cm, quando a pressão or medda em cm Hg. Os valores de h 0 em unção da temperatura estão representados no gráco segunte. 1 1,89 1,88 1,87 1,86 ν (cgs) 1,85 1,84 1,83 1,8 1,81 1, Temperatura (C) Varação do coecente de vscosdade (ν o ) com a temperatura do ar. 8

10 II - Estmatva do rao da gota Rao da gota (cm ) t c (s -1 ) Representação do rao da gota em unção do tempo de queda. O tempo representado na abcssa corresponde a um espaço percorrdo de 1mm. 9

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

UNIVERSIDADE DE SÃO PAULO. Experimentos de Millikan e movimento browniano

UNIVERSIDADE DE SÃO PAULO. Experimentos de Millikan e movimento browniano UNIVERSIDADE DE SÃO PAULO Insttuto de Físca Físca Expermental 5-4300313 Expermentos de Mllkan e movmento brownano 014 Esta apostla cobre dos expermentos que, embora dstntos, estão profundamente relaconados:

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Representação e Descrição de Regiões

Representação e Descrição de Regiões Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são

Leia mais

Introdução às Medidas em Física a Aula

Introdução às Medidas em Física a Aula Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca

Leia mais

EXPANSÃO TÉRMICA DOS LÍQUIDOS

EXPANSÃO TÉRMICA DOS LÍQUIDOS Físca II Protocolos das Aulas Prátcas 01 DF - Unversdade do Algarve EXPANSÃO ÉRMICA DOS ÍQUIDOS 1 Resumo Estuda-se a expansão térmca da água destlada e do glcerol utlzando um pcnómetro. Ao aquecer-se,

Leia mais

Experiência V (aulas 08 e 09) Curvas características

Experiência V (aulas 08 e 09) Curvas características Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de

Leia mais

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013)

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013) Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,

Leia mais

Robótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016

Robótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016 Robótca Prof. Renaldo Banch Centro Unverstáro FEI 2016 6 a Aula IECAT Objetvos desta aula Momentos Lneares, angulares e de Inérca. Estátca de manpuladores: Propagação de forças e torques. Dnâmca de manpuladores:

Leia mais

Universidade Estadual do Sudoeste da Bahia

Universidade Estadual do Sudoeste da Bahia Unversdade Estadual do Sudoeste da Baha Departamento de Cêncas Exatas e Naturas 5 - Rotações, Centro de Massa, Momento, Colsões, Impulso e Torque Físca I Ferrera Índce 1. Movmento Crcular Unformemente

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min) PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.

Leia mais

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

Parênteses termodinâmico

Parênteses termodinâmico Parênteses termodnâmco Lembrando de 1 dos lmtes de valdade da dstrbução de Maxwell-Boltzmann: λ

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. Aula 8 Regressão Linear Simples Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

V.1. Introdução. Reações Químicas.

V.1. Introdução. Reações Químicas. V.1. Introdução. Reações Químcas. V. Balanços Materas a Processos com Reação Químca Uma equação químca acertada ornece muta normação. Por exemplo, a reação de síntese do metanol: CO (g) + 3H (g) CH 3 OH

Leia mais

Cap. 11 Correlação e Regressão

Cap. 11 Correlação e Regressão Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa

Leia mais

2. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO

2. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO Materal elaborado por Mara Tereznha Marott, Rodrgo Coral e Carla Regna Kuss Ferrera Atualzado por Mlton Procópo de Borba. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO Para melhor caracterzar um conjunto

Leia mais

3 Animação de fluidos com SPH

3 Animação de fluidos com SPH 3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)

Leia mais

Regressão Linear Simples by Estevam Martins

Regressão Linear Simples by Estevam Martins Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Capítulo 9. Colisões. Recursos com copyright incluídos nesta apresentação:

Capítulo 9. Colisões. Recursos com copyright incluídos nesta apresentação: Capítulo 9 Colsões Recursos com copyrght ncluídos nesta apresentação: http://phet.colorado.edu Denremos colsão como uma nteração com duração lmtada entre dos corpos. Em uma colsão, a orça externa resultante

Leia mais

Problema Real (avião, carro,...) Validação

Problema Real (avião, carro,...) Validação Modelo Físco/ (EFD)? Problema Real? (avão, carro,...) Modelo Matemátco (CFD) Túnel de Vento Modelo Condções de Frontera Escala Approx. nas eqs., (ν t ) Equações (modelo de turbulênca) Instrumentos de Medda

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

CQ110 : Princípios de FQ

CQ110 : Princípios de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 0 Estatístca Descrtva e Análse Eploratóra Realzadas em etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de grande quantdade de dados e

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

Flambagem. Cálculo da carga crítica via MDF

Flambagem. Cálculo da carga crítica via MDF Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca

Leia mais

Resumos Numéricos de Distribuições

Resumos Numéricos de Distribuições Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas

Leia mais

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma

Leia mais

Ângulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)

Ângulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s) 4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

Trabalho e Energia. Curso de Física Básica - Mecânica J.R. Kaschny (2005)

Trabalho e Energia. Curso de Física Básica - Mecânica J.R. Kaschny (2005) Trabalho e Energa Curso de Físca Básca - Mecânca J.R. Kaschny (5) Lembrando nosso epermento de queda lvre... z z 1 v t 1 z = z - v t - gt ( ) z- z v = g = t Contudo, se consderarmos obtemos: v z z 1 t

Leia mais

Classificação de Padrões

Classificação de Padrões Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente

Leia mais

INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA

INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

Métodos Avançados em Epidemiologia

Métodos Avançados em Epidemiologia Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R

Leia mais

Física I p/ IO FEP111 ( )

Física I p/ IO FEP111 ( ) ísca I p/ IO EP (4300) º Semestre de 00 Insttuto de ísca Unversdade de São Paulo Proessor: Antono Domngues dos Santos E-mal: adsantos@.usp.br one: 309.6886 4 e 6 de setembro Trabalho e Energa Cnétca º

Leia mais

Variável discreta: X = número de divórcios por indivíduo

Variável discreta: X = número de divórcios por indivíduo 5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Associação entre duas variáveis quantitativas

Associação entre duas variáveis quantitativas Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco

Leia mais

F r. PASES 2 a ETAPA TRIÊNIO o DIA GAB. 1 5 FÍSICA QUESTÕES DE 11 A 20

F r. PASES 2 a ETAPA TRIÊNIO o DIA GAB. 1 5 FÍSICA QUESTÕES DE 11 A 20 PSES 2 a ETP TRIÊNIO 2004-2006 1 o DI G. 1 5 FÍSI QUESTÕES DE 11 20 11. onsdere um sstema consttuído por duas partículas. Uma das partículas está ncalmente se movendo e colde nelastcamente com a outra

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

Covariância na Propagação de Erros

Covariância na Propagação de Erros Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

Aula Características dos sistemas de medição

Aula Características dos sistemas de medição Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

Leia mais

Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas

Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão

Leia mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D. Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.

Leia mais

Gabarito para a prova de 1º Ano e 8ª serie (atual 9º Ano)

Gabarito para a prova de 1º Ano e 8ª serie (atual 9º Ano) Gabarto para a prova de 1º Ano e 8ª sere (atual 9º Ano) 1. t t c F 5 3 9 ; t c 451 3 5 9 o ; tc 33 C ΔS. a) Δ t 5 s V 4, 1 mnuto possu 6 s, portanto, dos 5 s temos: 8 mnutos (equvale a 48 s) e sobram segundos.

Leia mais

γ = C P C V = C V + R = q = 2 γ 1 = 2 S gas = dw = W isotermico

γ = C P C V = C V + R = q = 2 γ 1 = 2 S gas = dw = W isotermico Q1 Um clndro feto de materal com alta condutvdade térmca e de capacdade térmca desprezível possu um êmbolo móvel de massa desprezível ncalmente fxo por um pno. O rao nterno do clndro é r = 10 cm, a altura

Leia mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

Análise de influência

Análise de influência Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).

Leia mais

Dinâmica do Movimento de Rotação

Dinâmica do Movimento de Rotação Dnâmca do Movmento de Rotação - ntrodução Neste Capítulo vamos defnr uma nova grandeza físca, o torque, que descreve a ação gratóra ou o efeto de rotação de uma força. Verfcaremos que o torque efetvo que

Leia mais

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para

Leia mais

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015

Leia mais

2003/2004. então o momento total das forças exercidas sobre o sistema é dado por. F ij = r i F (e)

2003/2004. então o momento total das forças exercidas sobre o sistema é dado por. F ij = r i F (e) Resolução da Frequênca de Mecânca Clássca I/Mecânca Clássca 2003/2004 I Consdere um sstema de N partículas de massas m, =,..., N. a Demonstre que, se a força nterna exercda sobre a partícula pela partícula

Leia mais

Parte 1: Exercícios Teóricos

Parte 1: Exercícios Teóricos Cálculo Numérco SME0300 ICMC-USP Lsta 2: Sstemas Lneares Métodos Dretos Professora: Cyntha de O. Lage Ferrera Parte 1: Exercícos Teórcos 1. Consdere o sstema Ax = b, onde 1 α 3 α 1 4 ; x = 5 2 1 Para que

Leia mais

Capítulo XI. Teste do Qui-quadrado. (χ 2 )

Capítulo XI. Teste do Qui-quadrado. (χ 2 ) TLF 00/ Cap. XI Teste do Capítulo XI Teste do Qu-quadrado ( ).. Aplcação do teste do a uma dstrbução de frequêncas 08.. Escolha de ntervalos para o teste do.3. Graus de lberdade e reduzdo.4. Tabela de

Leia mais

4 Discretização e Linearização

4 Discretização e Linearização 4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Expansão livre de um gás ideal

Expansão livre de um gás ideal Expansão lvre de um gás deal (processo não quase-estátco, logo, rreversível) W=0 na expansão lvre (P e = 0) Paredes adabátcas a separar o gás das vznhanças Q = 0 ª Le U gás = Q + W = 0 U = U Para um gás

Leia mais

Métodos numéricos para o cálculo de sistemas de equações não lineares

Métodos numéricos para o cálculo de sistemas de equações não lineares Métodos numércos para o cálculo de sstemas de equações não lneares Introdução Um sstema de equações não lneares é um sstema consttuído por combnação de unções alébrcas e unções transcendentes tas como

Leia mais

Aerodinâmica I. Verificação de Códigos. Objectivo: verificar que o programa não tem erros

Aerodinâmica I. Verificação de Códigos. Objectivo: verificar que o programa não tem erros e Verfcação de Códgos Objectvo: verfcar que o programa não tem erros - O erro numérco tende para zero quando o tamanho da malha / passo no tempo tendem para zero? p ( φ ) = φ φ e + αh exact - A ordem de

Leia mais

Análise Descritiva com Dados Agrupados

Análise Descritiva com Dados Agrupados Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas

Leia mais

3 Método Numérico. 3.1 Discretização da Equação Diferencial

3 Método Numérico. 3.1 Discretização da Equação Diferencial 3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

8 - Medidas Descritivas

8 - Medidas Descritivas 8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.

Leia mais

Ajuste dos Mínimos Quadrados

Ajuste dos Mínimos Quadrados TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. IV Análise estatística de incertezas aleatórias TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda

Leia mais

1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples.

1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples. Departamento de Físca ICE/UFJF Laboratóro de Físca II Prátca : Medda da Aceleração da Gravdade Objetvo da experênca: Medr o módulo da aceleração da gravdade g no nosso laboratóro com ajuda de um pêndulo

Leia mais

Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7

Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7 Escola Superor de Tecnologa de Vseu Fundamentos de Estatístca 006/00 Fcha nº. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo: MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no

Leia mais

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos Mecânca Estatístca Tal como a Termodnâmca Clássca, também a Mecânca Estatístca se dedca ao estudo das propredades físcas dos sstemas macroscópcos. Tratase de sstemas com um número muto elevado de partículas

Leia mais

Análise Numérica (4) Equações não lineares V1.0, Victor Lobo, 2004

Análise Numérica (4) Equações não lineares V1.0, Victor Lobo, 2004 Análse Numérca (4 V.0, Vctor Lobo, 004 Não Lneares Problema da determnação de zeros de funções f(=0 Aparece em mutas stuações! Determnar pontos de equlíbro térmco, químco, de forças... Soluções analítcas

Leia mais

1º Exame de Mecânica Aplicada II

1º Exame de Mecânica Aplicada II 1º Exame de Mecânca Aplcada II Este exame é consttuído por 4 perguntas e tem a duração de três horas. Justfque convenentemente todas as respostas apresentando cálculos ntermédos. Responda a cada pergunta

Leia mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores. MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo

Leia mais

TEORIA CINÉTICA DOS GASES

TEORIA CINÉTICA DOS GASES TEORIA CIÉTICA DOS GASES Hpóteses: y t A z ; V ta q = m de uma molécula antes da colsão q = -m depos da colsão q m De todas as moléculas V taˆ V m Atˆ p F A A q t V m ou que pv m em todas as moléculas

Leia mais