Problemas de Programação Não-Linear

Tamanho: px
Começar a partir da página:

Download "Problemas de Programação Não-Linear"

Transcrição

1 Problemas de Programação Não-Lear Tpos de problemas Para qe m problema de programação matemátca sea caracterzado como de programação ão-lear, ele deve apresetar ma ção obetvo ão lear, o pelo meos ma das restrções caracterzada por ma ção ão lear. Os problemas de programação lear podem ser classcados, de acordo com o úmero de varáves e restrções em: a Problemas moo-varados sem restrção 6 4 M b Problemas mlt-varados sem restrção M, c Problemas moo-varados com restrção M s. a : l 4 d Problemas mlt-varados com restrção M s. a : z,,..., rs rs q rs δ rs, c w dw r, s, r, s Codções de otmaldade Para qe ma solção sea cosderada ótma para m problema de programação ão-lear, ela deverá satsazer m coto de codções atrbídas a Karsh, Kh e Tcer. Tas codções, são também cohecdas por codções de KKT. Sea o problema de otmzação ão lear dedo como: M s. a : z,,..., g,,...,,..., m ode,,..., e g,,..., são ções derecáves em cada ma das varáves,,...,, e sea m escalar assocado a restrção g,,...,. Etão,

2 * * * *,,..., pode ser ma solção ótma para o problema de programação ão-lear acma, somete se estem m úmeros,,... m cohecdos pelo ome de mltplcadores de Lagrage qe satsaçam todas as segtes codções: m * * a g b g *,..., m c,..., m d g m *,..., Se além destas codções a ção,,..., é covea e o coto de solções váves,,..., * * * * dedo pelas restrções g é coveo, etão,,..., é o mímo global o solção ótma do problema. Na gra abao é lstrada a codção de otmaldade para m problema de programação ão lear, ode a solção ótma é * S. Note-se qe estem mltplcadores e postvos, e para os qas as qatro codções de KKT são satsetas. Além dsto, a ção obetvo represetada pelas crvas de ível traceadas verde e o coto solção dedo pelo poledro azl são coveas. g g g g * S g Deção Uma ção,..., é covea se, e somete se, para qasqer dos potos,...,,..., dsttos, e, tem-se: λ,..., λ,..., ] λ,..., λ,..., [

3 para todo escalar λ. A covedade de ma ção também poderá ser vercada através da sa matrz hessaa H qe deverá ser semdeda postva, sto é, deverá satsazer a segte codção: v T H v... v v v [... ] v v v T para qalqer vetor v [ v v... v ]..., stação em qe a ção é covea. Se esta codção é satseta com desgaldade, etão a ção é dta ser estrtamete covea. Deção Um coto solção S é coveo se, e somete se, para qasqer dos potos dsttos,..., S e,..., S e para todo escalar λ, tem-se qe: λ,...,,..., S λ A tersecção de cotos coveos também é m coto coveo. Para o caso partclar de problemas qe ão possem restrções, as codções de KKT se resmem a codções de otmaldade bem cohecdas: Problemas mlt-varados sem restrção: sem restrções, as codções b, c e d de KKT ão estem, e a codção a é smplcada para: * Problemas moo-varados sem restrção: smplcado ada mas, para problemas moovarados tem-se: d * d e este caso em partclar a covedade da ção poderá ser cormada se: d d

4 Eemplo Determar a solção ótma para o segte problema de programação ão-lear: :. a s Ma Colocado este problema a orma padrão de m NLP, e assocado os respectvos mltplcadores lagrageaos, tem-se: :. a s M e costrdo as codções de KKT: a o b ] [ ] [ ] [ c d Bscado solções para o sstema de KKT, tem-se: a Se ;; ; ; tem-se sstema compatível; b Se ;; ; ; tem-se ; ; qe é vável; c Se ;; ; ; tem-se sstema compatível; d Se ;; ; ; tem-se ;; ; ; ;

5 e Se ; ; ;; tem-se ; ; qe é vável; Se ; ; ;; tem-se ; ; ; ; ; g Se ; ; ;; tem-se ; ; ;; ; h Se ; ; ;; tem-se sstema compatível. As solções correspodetes às tetatvas 4, 6 e 7, apresetadas acma, são potos qe satsazem as codções de KKT. Vercado a covedade da ção obetvo tem-se: v v [ v v ] v qe é egatvo para qalqer valor de v, e portato a ção ão é covea, e em prcípo ada se pode armar a respeto das solções ecotradas. Etretato, da aálse do coto de solções váves, cocl-se qe se trata de m poledro coveo compacto pode ser scrto em ma bola de dmesão ta. Dado esta partclardade, este poto de ótmo global, qe deve ser ma das solções pesqsadas acma. Vercado valor da ção obetvo em cada caso, cocl-se qe a solção ; ; ; ; ;;;; é a solção deseada, e o valor da ção obetvo correspodete é. Eercíco proposto Aplqe as codções de KKT para ecotrar a proeção de m poto o P, de coordeadas p, p,..., p sobre m coto coveo dedo por: S {,,..., b,,..., } Cosdere a proeção de P sobre o coto S, como sedo o poto de coordeada,,..., S mas prómo de P. Costra m algortmo a partr do qe você pode observar.

6 Métodos de Bsca Moo-Varados Método de Newto Em matemátca, a sére de Taylor de Broo Taylor de ma ção tamete derecável é a sére de potêcas dada por: a a! ode,! é o atoral de e a deota a -ésma dervada de o poto a. Se a, a sére também é chamada de Sére de Maclar de Col Maclar. Com essa errameta, podem ser moldadas ções trgoométrcas, epoecas e logarítmcas em polômos. Com base esta epasão de ções em sére, Newto propôs o segte método de bsca moo-varado sem restrções. Dado ma ção covea e m poto cal, epade-se a ção em ma ção qadrátca, através da sére de Taylor. Dervado a epressão acma em relação à varável, e galado a zero, tem-se: d d o, qe é ma apromação do poto de mímo, cosderado qe a ção orgal o sbsttda por ma sére de Taylor de segda ordem. O método cosste, etão, em repetr o processo, tomado como poto cal o valor do últmo calclado. Em otras palavras, calcla-se: até qe ε. Eemplo 6 4 M 5 Dervada prmera: Dervada segda: 4 6 6

7 ,5 9,969 9,65 84,75,89 -,68 6,7 7,85,974-7,78 9,6 88,,865-7,86,585 6,55 4,89-7,884,7 55,6 5,88-7,884, 54,794 6,88-7,884, 54,79 Na gra abao é lstrada a codção de otmaldade para m problema de programação ão lear, ode a solção ótma é * S. Note-se qe estem mltplcadores e postvos, e para os qas as qatro codções de KKT são satsetas ,5 -, -,5,,5,,5 - - Método da Bseção o de Bolzao Dado ma ção covea, e sa dervada prmera, e m tervalo de bsca [ a, b], calcla-se o poto médo c a b /, e o valor da dervada c este poto médo. Etão, se: c > descarta-se [ c, b], pos o poto de mímo se ecotra em [ a, c] ; c < descarta-se [ a, c], pos o poto de mímo se ecotra em [ b, c]. De ato, este método ão devera ser caracterzado como sedo aplcado a problemas sem restrções, vsto qe a bsca se restrge a m tervalo cal, sto é, a b, qe de ato é ma restrção. A déa cetral do método é redzr o tervalo pela metade a cada teração, garatdo qe a solção ótma deseada ão se ecotra a parte descartada, como mostra a gra abao. Todos os métodos baseados esta déa, são também cohecdos como métodos de redção tervalar.

8 Eemplo 6 4 M 5 Dervada prmera: Itervalo de bsca: [.5;.5] a b c c c -,5,5,, -,,,5,75-7,695-4,9,75,5,5-4,64 6,7,75,5,98-7,575 6,578 4,75,98,844-7,88,4 5,75,844,797-7,84 -,7 6,797,844,8-7,876 -,99 7,8,844,8-7,88 -, 8,8,844,88-7,884,5 9,8,88,85-7,884 -,45,85,88,86-7,884 -,65,86,88,87-7,884 -,5,87,88,88-7,884 -,5,88,88,88-7,884,5 4,88,88,88-7,884, Note-se qe a cada teração é ecessáro calclar apeas o valor da ção dervada, em m poto, o qe de ato az com qe o csto comptacoal sea mto bao, especalmete os casos em qe o cálclo da ção dervada é mas ácl de ser realzado qe da própra ção orgal. Método da Secção Area O método da secção area é aproprado para determar o poto de mímo em ções coveas, qado a ção dervada é descohecda o pode ão ser deda em todo tervalo de bsca. O método basea-se a proporção area tlzada pelos arqtetos gregos e ptores reascetstas em sas obras. Esta proporção, deda pela costate ϕ,68..., poss propredades matemátcas teressates. E pode ser obtda de dversas ormas:

9 a ϕ 5 b ϕ... c F ϕ lm, ode,,,,5,8,,..., F, F é a seqeca de Fboacc. F Os gregos a tlzavam por razões de modlarzação. Na gra ao lado, se escolhermos valores de a e b tas qe a / b ϕ, etão a proporção também se matém a relação a b / a, sto é, a b / a ϕ. Esta propredade pode ser tlzada para costrr ma seqeca de redções tervalares ecetes, ode a cada redção de tervalo a ção obetvo é avalada ma úca vêz. O método da secção area calcla dos ovos potos, e, serdos o tervalo correte [ l, ], como sege: l e ϕ l l ϕ Para estes dos potos são calclados os valores da ção, e, e a segte comparação é realzada: Se < matém-se o tervalo l, ]; [ Se > matém-se o tervalo [, ] ; Ao aplcar ovamete o procedmeto de redção tervalar, m dos ovos potos calclados cocde com m dos potos calclados a redção ateror, e para este o valor da ção á o calclado, como mostra a gra abao. Eemplo 6 4 M Itervalo de bsca: [.5;.5]

10 l -,5,5 -,54,54 4, -4,98 -,54,5,54,79-4,98-7,8,54,5,79,6-7,8-6,5,54,6,65,79-6,9-7,8 4,65,6,79,895-7,8-7,787 5,65,895,78,79-7,595-7,8 6,78,895,79,8-7,8-7,88 7,79,895,8,856-7,88-7,875 8,79,856,86,8-7,87-7,88 9,86,856,8,84-7,88-7,884,8,856,84,846-7,884-7,88,8,846,87,84-7,884-7,884,8,84,85,87-7,884-7,884,85,84,87,88-7,884-7,884 4,85,88,86,87-7,884-7,884 5,86,88,87,88-7,884-7,884 6,87,88,88,88-7,884-7,884 O método de Fboacc é ma varate do método da seção area, o qal a ração descartada é calclada pela proporção estete etre úmeros scessvos da seqeca de Fboacc ao vés de tlzar a costate ϕ. Em stações ode a varável do problema precsa ser tera, a escolha deste método pode trazer beeícos, caso o tervalo cal sea apropradamete escolhdo levado em cosderação os úmeros da seqüêca. Método de Armo É m dos métodos mas smples e qe ão reqer qe a ção sea covea. O método de Armo basea-se a bsca scessva do tamaho do passo a ser dado a dreção de decréscmo da ção. Na -ésma teração, a partr de m poto cal, escolhe-se m passo de tamaho s, e se s ão codzr a m valor de melhor, o passo é redzdo scessvamete por m ator < β <, dedo a pror, até qe a segte codção sea satseta, para o meor valor tero ão egatvo de : β s α β s Na epressão acma, < α < é escolhdo arbtraramete; este ator é sado para obter-se m reta secate da ção, o poto, como mostra a gra abao. Note-se qe, qado a codção or satseta, há garatas de qe a ção o poto β s é melhor qe em. Etão, az-se β s, e tomado-se este como poto cal da teração, repete-se o processo até qe ε, ode ε é m valor de precsão mérca, também escolhdo a pror.

11 Eemplo 6 4 M 5 Dervada prmera: Parâmetros: α, 7 β,6 ε, s s β s β s αβ s -,5 55,969-4,65 4,65 -, 4,87 7, -, 4,87-85,85 85,85 -,6,87,69 -,6,87-5,787 5,787 -,94 5,4 5,87 -,94 5,4 -,875,875 -,755,97,7 4 -,755,97 -,9,9 7 -,9,, ,9, -,88,88 5,748-7,686-5,644 6,748-7,686-4,74 4,74 9,79-7,85-7,89 7,79-7,85 -,95,95 9,84-7,869-7,866 8,84-7,869 -,7,7 9,87-7,88-7,88 9,87-7,88 -,596,596 9,8-7,88-7,88,8-7,88 -,77,77 9,85-7,884-7,884,85-7,884 -,6,6 9,87-7,884-7,884,87-7,884 -,57,57 9,87-7,884-7,884 Método das Pealdades Dado ma ção covea e m coto de restrções do tpo g,,..., m aplca-se a segte trasormação:

12 M P { m [ ; g ] } Com sto, o problema qe era restrto passa a ser tratado como m problema sem restrções. Aplca-se, etão, algm método de bsca moovarado sem restrções. Note-se qe o ator de pealdade P é ametada gradatvamete, de modo a torar a pealzação ora da área de vabldade cada vez maor, sedo qe para cada valor de P, ma ova bsca é realzada, de modo a ecotrar ma ova apromação para a solção ótma. Qado etre das terações scessvas deste método, á ão hover dereça sgcatva o valor da solção, terma-se a bsca. Eemplo 6 4 M s. a :,5 Problema trasormado pelo método de pealdades M 6 4 peal P {m;,5} P peal,,88-7,884-7,884,88,8-7,699-7,867,8,689-6,87-7,79,689,54-6, -6,96 4,55,55-5,86-5,8 5,5,5-5,784-5,786 6,5,5-5,78-5,78 7,5,5-5,78-5,78 5, P P P P, 5,, 5,, -,5 -, -,5,,5,,5, -5, -,

13 Método das Barreras Dado ma ção covea e m coto de restrções do tpo g,,..., m aplca-se a segte trasormação: M P g Com sto, dado ma solção cal vável, o problema qe era restrto passa a ser tratado como m problema sem restrções. Etão, o método realza a bsca resolvedo o problema trasormado para valores de P, scessvamete decrescetes, até qe em das terações segdas ão estam dereças sgcatvas o valor da solção. Eemplo 6 4 M s. a :,5 Problema trasormado pelo método de barreras M 6 4 P,5 P peal,,, -,75,,,45 -,67-4,776,45,,469-5,9-5,46,469,,49-5,578-5,68 4,49,,497-5,77-5,749 5,497,,499-5,76-5,77 6,499,,5-5,775-5,778 7,5,,5-5,779-5,78 5,, 5,, 5,, -,5 -, -,5,,5,,5, -5, -,

14 Métodos de Bsca Mlt-Varados Método do Gradete Dado ma ção covea derecável z,,..., e m poto,,...,, determa-se m ovo poto: α ode α é obtdo de orma qe: Eemplo z M [ α α ] M 4 Poto Gradete Novo Poto z, α z,,,, -, 4,,6, -,4,95, -,4,95,48,9,49,88 -,98,,88 -,98, -,46,4,8, -,99,, -,99,,6,,, -,, Método de Newto Dado ma ção z,,...,, covea e das vezes derecável, e m poto,,...,, determa-se m ovo poto: α d ode α é obtdo de orma qe: z M [ α d] α e d é ma dreção de bsca descedete obtda como sege: d H

15 Observações Se,...,, é ma ção qadrátca, etão o método de Newto coverge em ma teração, e o valor de α, a bsca -drecoal é gal a ; Este método é teressate qado os ecotramos prómo ao poto de mímo, ode toda ção tede a de comportar como ma ção qadrátca. Eemplo M 4 4 H,5,5 H Solção 4 4,5,5 d α α d O mímo da ção ] [ d α é obtdo com α. Etão: 4 o qe corma qe se trata de m poto de ótmo local.

16 Método das Dreções Váves Dado ma ção z,,...,, e m coto de restrções g,,..., b coveas e derecáves, e m poto,,...,, determa-se m ovo poto: α d ode α é obtdo de orma qe z M [ α d] s α. a : g α d b, e d é ma dreção de bsca vável, obtda através da solção do segte problema de programação lear: M s. a : d g d I d,..., ode I é o coto de ídces correspodetes às restrções atvas o poto I g b. { }, sto é, Método das Combações Coveas Fra-Wole Dado ma ção z,,...,, ão-lear, covea e derecável, e m coto compacto de restrções leares, sto é: M z,,..., s. a : a b,..., m,..., e m poto,,...,, resolve-se o segte PPL: M y s. a : a y b,..., m y,...,

17 Com a resolção do PPL acma, obtém-se a solção ótma,...,, y y y y. Assm, m ovo poto pode ser obtdo através da segte epressão: y α ode α é obtdo de orma qe ] [ y M z α α Note-se qe este método de bsca, a dreção de camhameto a cada teração é dada por y d, qe é ma dreção de melhorameto vável o poto.

18 Problema Prátco Nº Dado o problema abao: M z s.a: determe se os segtes potos satsazem as codções de Karsh-Kh-Tcer: a,, b,, c,, 4 Ecotre a solção ótma para o problema acma, sado os segtes métodos mércos: a método das combações coveas; b método das pealdades.

19 Problema Prátco Nº Eetar o aste da ção, sado o método dos mímos qadrados: c c c c, cosderado a sére de potos dados: 4 F,,,5,7,,4,,4,7,6 4,6,8 4,5 5,,,5 6,9,,5 7,5,9 4,4 8,7, 5, 9,9, 5,6,,6 5,

20 Problema Prátco Nº No caso de trasporte de passageros, atores como ar codcoado, caleação, poltroas leto, servço de bar, som ambete, televsor e vídeo a bordo, etre otros, passam a ter mportâca a dspta pelo mercado. Pode-se dzer qe os íves de servço estão relacoados com o coorto proporcoado ao passagero. Para a determação de como estes atores deverão tererr o comportameto da demada é possível tlzar modelos de dvsão de mercado, baseados em ções de tldade, qe deverão ser astadas a partr de dados obtdos através de pesqsas de mercado. Nestes modelos de dvsão de mercado, cosdera-se qe o sáro dspõe de m coto de alteratvas etre as qas deverá azer a sa escolha. Cada ma destas alteratvas apreseta característcas própras, as qas são deomadas de atrbtos. Etre os atrbtos relevates para o caso do trasporte rodováro de passageros, podem ser ctados, além dos atores de coorto acma apresetados, aspectos tas como: tempo de vagem, preço da passagem, magem da empresa o mercado, etc. Cosderado qe os aspectos acma costmam ser adtvos, é comm a tlzação de ções de tldade qe segem o modelo: U a Nesta epressão, U é a tldade da -ésma alteratva vagem dspoível, é o valor do -ésmo atrbto a -ésma alteratva, e a é m ator de poderação do -ésmo atrbto, o qal deverá ser astado a partr de pesqsas de mercado. Cosderado a tldade das alteratvas dspoíves, calcladas pela epressão acma, a probabldade de escolha de ma alteratva em partclar, por m sáro qalqer, deotada por P, poderá ser calclada, sado o modelo logt mltomal, ca epressão é a segte: P e U e U Em otras palavras, esta probabldade de escolha correspode ao percetal da demada qe deverá azer so de ma vagem em partclar, dado as característcas de coorto apresetadas pela mesma. Estes modelos de dstrbção de mercado, são bastate útes para as empresas determarem o ível deal de servço, especalmete os casos em qe este cocorrêca. Colocado em coroto as dversas alteratvas qe a empresa estda, e as estetes o mercado, será possível determar a pror os eetos de cada ma a dstrbção da demada. Com sto a empresa poderá melhor plaear ovas aqsções para a rota.

21 A realzação de pesqsas de mercado, a qal é observada a preerêca dos sáros, pode ser bastate útl para calbrar o modelo apresetado acma. Nestas pesqsa procra-se obter as ormações qe permtam determar os parâmetros do modelo de tldade, de modo a obter a ção qe melhor stqe os dados colhdos, e coseqüetemete, o comportameto do mercado. Para realzar o aste dos parâmetros do modelo de tldade é comm a tlzação do método dos mímos qadrados, segdo o qal a determação dos parâmetros é eta de modo qe a soma dos qadrados dos desvos etre os dados de demada observados e os determados pelo modelo seam mmzados. Cosdere, etão, os dados apresetados o qadro abao, ode estão apresetadas as característcas de 7 alteratvas dsttas de vagem, evolvedo váras operadoras empresas, etre das cdades, para as qas oram comptadas o úmero de passages veddas ao logo de m certo período. Nmero Atrbto das alteratvas de Ordem Coorto Rotero Preço Passageros Trasportados Covecoal Dreto,5 58 Covecoal Sem-Dreto, 45 Ar Cod Dreto 5, 55 4 Ar Cod Dreto 6, 4 5 Ar Cod Sem-Dreto, Leto Ar Cod Sem-Dreto 7, 6 7 Leto Ar Cod Dreto 9,5 9 Com ada de m pacote de otmzação ão lear, e cosderado ma ção de tldade lear, determe os parâmetros do modelo, aça ma aálse dos resltados obtdos e determe: a Qato, em méda, o passagero pagara a mas a passagem pelo ar codcoado stalado a bordo? b Qato, em méda, o passagero pagara a mas a passagem por ma vagem dreta? c Qato, em méda, o passagero pagara a mas a passagem por ma vagem em ôbs leto?

22 Problema Prátco Nº 4 Na gra abao está apresetado o gráco de ma ção típca do tempo de vagem em ma va rbaa, em ção do lo estete a va. Como pode ser percebdo, qato maor o lo, maor tede a ser o tempo de vagem ao logo da va. Tempo de vagem m Tempo Flo 5 5 Flo vph Esta crva pode ser apromada por ma ção do tpo: a ta a ta C a 4 ode: a lo a lgação a, em veíclos por hora vph; t a é o tempo de vagem a lgação a, em mtos; a C a é a capacdade omal da lgação a, em vph; e t a tempo de vagem com lo lvre, sto é, sem tráego a va, em mtos. Segdo o prcípo de Wardrop, "cada sáro teta mmzar o própro tempo de vagem, escolhedo a rota de meor dração etre a orgem e o desto". Na medda em qe cada sáro va escolhedo sa rota, os tempos de percrso sobre as vas se modcam, podedo azer com qe otras rotas meos cogestoadas, qe ates ão eram teressates, passem a ser cosderadas, dado orgem a ma troca de rotas por parte dos sáros. O eqlíbro deste sstema é alcaçado qado ehm sáro pode dmr se tempo de vagem através de ma mdaça lateral de percrso. O lo resltate a codção de eqlíbro pode ser obtdo resolvedo-se o segte modelo ão-lear * : a M z ta w dw a o * Pode-se demostrar, aplcado as codções de Karsh-Kh-Tcer, qe o poto de mímo deste modelo satsaz as codções de eqlíbro do prcípo de Wardrop.

23 rs s.a: q r s rs, a r s rs δ a, rs a rs, r, s ode: rs é o lo o -ésmo camho qe coecta a orgem r ao desto s ; q rs é a demada estete etre a orgem r ao desto s ; a, δ rs é gal a se o -ésmo camho qe coecta a orgem r ao desto s cotém o arco a, e é gal a zero em caso cotráro. Cosdere a rede, a demada por vages etre os pares O-D e os dados dos arcos apresetado abao. O D q rs vph a t a mtos C a vph Na codção de eqlbro do lo a rede, respoda: a Qal será o lo em cada trecho da rede? b Qal será o tempo de vagem etre todos os pares de orgem e o desto?

24 Problema Prátco Nº 5 P P C C C Cosdere o mercado abao qe comercalza ma úca commodte, o qal é ormado por dos prodtores, P e P, e três cosmdores, C, C e C. Para estas etdades são cohecdas, respectvamete, as crvas de csto margal, C m arg p, e as ções versas da demada, C m q D D D : arg arg C m, 8 q 45 d, 5, 48 d D 6 d, 5 c Além dsto, são cohecdos os cstos táros de trasporte etre os dversos prodtores e cosmdores, apresetados a matrz T : T,8 4,,7,5 4,8, Para este mercado determar os preços de eqlíbro e qatdades comercalzadas, os segtes casos: a os prodtores P e P pertecem aos mesmos acostas, e podem trasportar e veder a commodte dretamete os mercados cosmdores, recebedo pelo prodto veddo, o preço do mercado cosmdor, descotado os cstos do trasporte; b em cada local de prodção P e P estem mtos prodtores, e cada m poss ma capacdade mto peqea de prodção, e os arcos de trasporte correspodem possbldades de peddos dos mercados cosmdores, qe compram do prodtor qe apresetar meor csto; c P e P são dos grades prodtores, mas de acostas deretes, os qas vedem o prodto para os cosmdores, qe optam sempre pelo meor preço do mercado.

e represente as no plano Argand-Gauss.

e represente as no plano Argand-Gauss. PROFESSOR: Cládo Das BANCO DE QUESTÕES MATEMÁTICA ª SÉRIE ENSINO MÉDIO ============================================================================================== - Determe o módlo dos segtes úmeros

Leia mais

Apostila de Introdução Aos Métodos Numéricos

Apostila de Introdução Aos Métodos Numéricos Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste

Leia mais

Forma padrão do modelo de Programação Linear

Forma padrão do modelo de Programação Linear POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação

Leia mais

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais. MÉTODOS NM ÉRICOS PARA E QAÇÕES DIFEREN CIAIS PARCIAIS - Método de Dfereças Ftas Aplcado às Eqações Dferecas Parcas..- Apromação de Fções...- Apromação por Polômos...- Aste de Dados: M ímos Qadrados..-

Leia mais

5. Funções teste. L 2 ( )= {u :? ; Borel mensurável com u 2 dx < 8 }

5. Funções teste. L 2 ( )= {u :? ; Borel mensurável com u 2 dx < 8 } 5. Fções teste Até agora estvemos tratado tesvamete com a tegração. Uma cosa qe temos vsto é qe, cosderado espaços das, podemos pesar as fções como fcoas. Vamos rever brevemete esta déa. osdere a bola

Leia mais

CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES

CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES Itrodução Em dversos camos da Egehara é comum a ecessdade da determação de raízes de equações ão leares. Em algus casos artculares, como o caso de olômo, que

Leia mais

Se A = ( a ij ) é tal que aij = 0 para todo i e j então a matriz A é dita nula e é

Se A = ( a ij ) é tal que aij = 0 para todo i e j então a matriz A é dita nula e é ARIZES E VEORES PROGRAA DE ENGENHARIA QUÍICA/COPPE/UFRJ NIVELAENO -. Sc. - 6 Álgebra Vetoral e atrcal -)CONCEIOS BÁSICOS Os cálclos/operações assm como cocetos evolvedo matrzes e vetores costtem a base

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

Atividades relacionadas à ManjarBrancoG

Atividades relacionadas à ManjarBrancoG Atdades relacoadas à MajarBracoG Neste cojto de atdades está oblzado o estdo da ção ajar braco, sto é, a ção qe o doío é o teralo echado [0,] e asse alores o cojto dos úeros reas. Essa ção é deda coo o

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 2ª Atividade Formativa UC ECS Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

Como CD = DC CD + DC = 0

Como CD = DC CD + DC = 0 (9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 4- Método de Dereças Ftas Alcado às Equações Derecas Parcas. 4.- Aromação de Fuções. 4..- Aromação or Polômos: Iterolação. 4..- Ajuste de Dados: Mímos

Leia mais

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015 Cálculo Numérco Ajuste de Curvas Método dos Mímos Quadrados Profa. Vaessa Rolk º semestre 05 Ajuste de curvas Para apromar uma fução f por um outra fução de uma famíla prevamete escolhda (caso cotíuo)

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

CAMPUS DE GUARATINGUETÁ Computação e Cálculo Numérico: Elementos de Cálculo Numérico Prof. G.J. de Sena - Depto. de Matemática Rev.

CAMPUS DE GUARATINGUETÁ Computação e Cálculo Numérico: Elementos de Cálculo Numérico Prof. G.J. de Sena - Depto. de Matemática Rev. uesp CAMUS DE GUARATINGUETÁ Computação e Cálculo Numérco: Elemetos de Cálculo Numérco ro. G.J. de Sea - Depto. de Matemátca Rev. 5 CAÍTUO 4 INTEROAÇÃO 4. INTRODUÇÃO Cosdere a segute tabela relacoado calor

Leia mais

Capítulo 9 Problema 01 Problema 03 Problema 04

Capítulo 9 Problema 01 Problema 03 Problema 04 Bssab&Morett Caítlo Problema mod, orqe + mod, orqe + Problema a, m m, ( ) mod mod, ( ) mod mod, ( ) mod mod,...,,,,..., Portato, o eríodo esse caso é h. Problema a, m, m ( ) mod mod, ( ) mod mod, ( ) mod

Leia mais

2 - Derivadas parciais

2 - Derivadas parciais 8 - ervadas parcas Sea por eemplo: Estma-se qe a prodção semanal de ma ábrca sea dada pela nção Q 00 500 ndades onde representa o número de operáros qalcados e representa o número dos não-qalcados. Atalmente

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( )

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( ) NÚMEROS COMPLEXOS Forma algébrca e geométrca Um úmero complexo é um úmero da forma a + b, com a e b reas e = 1 (ou, = -1), chamaremos: a parte real; b parte magára; e udade magára. Fxado um sstema de coordeadas

Leia mais

CURSO DE NIVELAMENTO PEQ/COPPE/UFRJ M.Sc ÁLGEBRA MATRICIAL. Dra. Heloísa Lajas Sanches

CURSO DE NIVELAMENTO PEQ/COPPE/UFRJ M.Sc ÁLGEBRA MATRICIAL. Dra. Heloísa Lajas Sanches CURSO DE NIVELAMENO PEQ/COPPE/UFRJ M.Sc. 9 ÁLGEBRA MARICIAL Dra. Heloísa Laas Saches Arthr Cayley Nascmeto: 6 de Agosto de 8 em Rchmod, Srrey, Iglaterra Falecmeto: 6 de Jaero de 895 em Cambrdge, Cambrdgeshre,

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

Hipóteses do Modelo de Regressão Linear Clássico

Hipóteses do Modelo de Regressão Linear Clássico Uversdade Federal da Baha Facldade de Cêcas coômcas Departameto de cooma CO 66 Itrodção à coometra Hpóteses do Modelo de Regressão Lear Clássco Gerváso F. Satos Propredades dos estmadores de MQO As estmatvas

Leia mais

8 Programação linear 78

8 Programação linear 78 8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO HIPERGEOMÉTRICA 7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora

Leia mais

VI - Integração Numérica

VI - Integração Numérica V - tegração Numérca C. Balsa & A. Satos. trodução São, este mometo, coecdos dos aluos métodos aalítcos para o cálculo do tegral dedo b ( d a sedo ( cotíua e tegrável o tervalo [ ab] ;. Cotudo, algumas

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. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

Leia mais

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

Física do Calor - 24ª Aula. Prof. Alvaro Vannucci

Física do Calor - 24ª Aula. Prof. Alvaro Vannucci Físca do Calor - 24ª Ala Pro. Alvaro Vacc Na últma ala vmos : Problema evolvedo bolas de blhar 6 bolas meradas qe qeremos colocar as 6 caçaas de ma mesa de blhar. De qatas maeras cosegmos azer sto? Sedo

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se

Leia mais

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado

Leia mais

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida . MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +

Leia mais

Capítulo 3. Métodos para alocação de perdas. 3.1 Linearização dos trânsitos de potência. Capítulo 3

Capítulo 3. Métodos para alocação de perdas. 3.1 Linearização dos trânsitos de potência. Capítulo 3 Capítlo 3 Métodos para alocação de perdas Este capítlo, qe se ecotra fraccoado em três grades partes, apreseta m coto de metodologas qe permtem efectar a alocação de perdas das redes de dstrbção etre os

Leia mais

MATRIZES E VETORES 1) CONCEITOS BÁSICOS

MATRIZES E VETORES 1) CONCEITOS BÁSICOS PARE DO CURSO DE NIVELAMENO 9 - PEQ/COPPE/UFRJ PROF. EVARISO MARIZES E VEORES ÁLGEBRA VEORIAL E MARICIAL ) CONCEIOS BÁSICOS Os cálclos/operações assm como cocetos eoledo matrzes e etores costtem a base

Leia mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com

Leia mais

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

Leia mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor

Leia mais

Consideremos a fórmula que nos dá a área de um triângulo: = 2

Consideremos a fórmula que nos dá a área de um triângulo: = 2 6. Cálculo Derecal e IR 6.. Fução Real de Varáves Reas Cosdereos a órula que os dá a área de u trâulo: b h A( b h) Coo podeos vercar a área de u trâulo depede de duas varáves: base (b) e altura (h) Podeos

Leia mais

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA Polômos de Jacob e CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA III--)INTRODUÇÃO Para um melhor etedmeto do método da colocação ortogoal e sua relação com o método dos resíduos poderados (MRP),

Leia mais

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes UERJ CTC IE Departameto de Iormátca e Cêca da Computação Udade I - Erros as apromações umércas. I. - Cosderações geras. Há váras stuações em dversos campos da cêca em que operações umércas são utlzadas

Leia mais

Probabilidade II Aula 10

Probabilidade II Aula 10 Probabldade II Aula 0 Mao de 009 Môca Barros, D.Sc. Coteúdo Esperaça Matemá (Valores esperados) Mometos e Mometos Cetras Valores esperados de uma fução de Covarâca e Correlação Matrz de covarâca, matrz

Leia mais

CADERNO 1 (É permitido o uso de calculadora gráfica.)

CADERNO 1 (É permitido o uso de calculadora gráfica.) Nome: Ao / Trma: N.º: Data: - - Não é permtdo o so de corretor. Deves rscar aqlo qe pretedes qe ão seja classfcado. A prova cl m formláro. As cotações dos tes ecotram-se o fal do ecado da prova. CADERNO

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

Leia mais

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si. Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de

Leia mais

Capítulo 8. Método de Rayleigh-Ritz

Capítulo 8. Método de Rayleigh-Ritz Grupo : Gustavo de Souza Routma; Luís Ferado Hachch de Souza; Ale Pascoal Palombo Capítulo 8. Método de Raylegh-Rtz 8.. Itrodução Nos problemas de apromação por dfereças ftas, para apromar a solução para

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

1. Revisão Matemática

1. Revisão Matemática 1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado

Leia mais

Prof. Eugênio Carlos Stieler

Prof. Eugênio Carlos Stieler http://www.uemat.br/eugeo Estudar sem racocar é trabalho 009/ TAXA INTERNA DE RETORNO A taa tera de retoro é a taa que equalza o valor presete de um ou mas pagametos (saídas de caa) com o valor presete

Leia mais

Problema geral de interpolação

Problema geral de interpolação Problema geral de terpolação Ecotrar p() que verfque as codções: f j ( ) y,,,,,, j,,, m ( j) ( ) dervada de ordem j ós valores odas Eemplo: ecotrar p() que verfque:, f () 4 3, f( 3) 3, f'(3) 4 3 p() 3

Leia mais

Noções Básicas de Medidas e Algarismos Significativos

Noções Básicas de Medidas e Algarismos Significativos Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos

Leia mais

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0 EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()

Leia mais

Fundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques

Fundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques FUNÇÕES POLINOMIAIS4 Gl da Costa Marques Fudametos de Matemátca I 4.1 Potecação de epoete atural 4. Fuções polomas de grau 4. Fução polomal do segudo grau ou fução quadrátca 4.4 Aálse do gráfco de uma

Leia mais

Lista de exercícios Micro III 03/09/2008. Externalidades e Bens Públicos

Lista de exercícios Micro III 03/09/2008. Externalidades e Bens Públicos Lsta de exercícos Mcro III 03/09/008 Prof. Afonso A. de Mello Franco Neto Externaldades e Bens Públcos Exercícos Mas-Colell:.B a.b.5,.c.,.c.,.d. a.d.5,.d.7. QUESTÃO Nma economa exstem ma frma e dos consmdores.

Leia mais

3- Autovalores e Autovetores.

3- Autovalores e Autovetores. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Autovalores e Autovetores..- Autovetores e Autovalores de ua Matrz..- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. Cotuação da

Leia mais

Apêndice 1-Tratamento de dados

Apêndice 1-Tratamento de dados Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

Capítulo V - Interpolação Polinomial

Capítulo V - Interpolação Polinomial Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode

Leia mais

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;

Leia mais

CADERNO 1 (É permitido o uso de calculadora gráfica.)

CADERNO 1 (É permitido o uso de calculadora gráfica.) Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos

Leia mais

Capítulo 2. Aproximações de Funções

Capítulo 2. Aproximações de Funções EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Capítulo Aproações de Fuções Há bascaete dos tpos de probleas de aproações: ) ecotrar ua fução as sples, coo u polôo, para aproar

Leia mais

Exercícios - Sequências de Números Reais (Solução) Prof Carlos Alberto S Soares

Exercícios - Sequências de Números Reais (Solução) Prof Carlos Alberto S Soares Exercícos - Sequêcas de Números Reas (Solução Prof Carlos Alberto S Soares 1 Dscuta a covergêca da sequẽca se(2. Calcule, se exstr, lm se(2. Solução 1 Observe que se( 2 é lmtada e 1/ 0, portato lm se(2

Leia mais

Complexidade Computacional da Determinação da Correspondência entre Imagens

Complexidade Computacional da Determinação da Correspondência entre Imagens Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br

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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo. Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo

Leia mais

2. NOÇÕES MATEMÁTICAS

2. NOÇÕES MATEMÁTICAS . NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar

Leia mais

50 Logo, Número de erros de impressão

50 Logo, Número de erros de impressão Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES

SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de ovembro de 00 Ro de Jaero/RJ PROGRAMAÇÃO NÃO LINEAR COM PARÂMETROS FUZZY Luza Amala Pto Catão Akebo Yamakam DT FEEC UNICAMP CP: 60 3083-970 Campas SP

Leia mais

Programação Não Linear. Programação Não-Linear 1

Programação Não Linear. Programação Não-Linear 1 Proramação Não Lnear Proramação Não-Lnear Os modelos empreados em Proramação Lnear são, como o própro nome dz, lneares (tanto a unção-obetvo quanto as restrções). Este ato é, sem dúvda, a maor das restrções

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -

Leia mais

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ] ( ) ( k) ( k ) ( ) ( ) Questões tipo exame

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ] ( ) ( k) ( k ) ( ) ( ) Questões tipo exame Questões tpo eame Pá O poto U tem coordeadas (6, 6, 6) e o poto S pertece ao eo Oz, pelo que as suas coordeadas são (,, 6) Um vetor dretor da reta US é, por eemplo, US Determemos as suas coordeadas: US

Leia mais

Derivada Direcional e gradiente no plano

Derivada Direcional e gradiente no plano Dervada Dreconal e gradente no plano Sea m campo escalar no plano descrto por ma nção derencável a das varáves. Assm se =(,, então é o valor do campo escalar no ponto P=(,.Sea L ma reta no plano. Qando

Leia mais

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%

Leia mais

( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito.

( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito. PMR 40 Mecâca Computacoal Método Implícto No método mplícto as dfereças são tomadas o tempo ao vés de tomá-las o tempo, como o método explícto. O método mplícto ão apreseta restrção em relação ao valor

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais