Problemas de Programação Não-Linear

Save this PDF as:
 WORD  PNG  TXT  JPG

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.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Sobre aproximações polinomiais de raízes reais de cúbicas

Sobre aproximações polinomiais de raízes reais de cúbicas Notas de Aula Sobre aproxmações polomas de raízes reas de cúbcas Edgar Rechtschaffe UNIFESO O problema de se obter as raízes de uma equação do tercero grau abrevadamete uma cúbca fo resolvdo o século XVI

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

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

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

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

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ] ( ) ( 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

( 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

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

16 - PROBLEMA DO TRANSPORTE

16 - PROBLEMA DO TRANSPORTE Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

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 4- Método de Dfereças Ftas Aplcado às Eqações Dferecas Parcas. 4.- Apromação de Fções. 4..- Apromação por Polômos. 4..- Aste de Dados: M ímos Qadrados.

Leia mais

Estimação pontual, estimação intervalar e tamanho de amostras

Estimação pontual, estimação intervalar e tamanho de amostras Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de

Leia mais

TEORIA DE ERROS MEDIDAS E GRÁFICOS

TEORIA DE ERROS MEDIDAS E GRÁFICOS Uversdade Federal de Juz de Fora Isttuto de Cêcas Eatas Departameto de Físca TEORIA DE ERROS MEDIDAS E GRÁFICOS Prof. Carlos R. A. Lma Edção Março de 010 ÌNDICE CAPÍTULO 1 - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA

Leia mais

Arquitetura da ART Controle 1 Controle 2

Arquitetura da ART Controle 1 Controle 2 Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme

Leia mais

Engenharia Civil/Mecânica Cálculo 3-3º semestre de 2012 Profa Gisele A.A. Sanchez

Engenharia Civil/Mecânica Cálculo 3-3º semestre de 2012 Profa Gisele A.A. Sanchez Engenhara Cvl/Mecânca Cálclo - º semestre de 01 Proa Gsele A.A. Sanchez 4ª ala: Dervadas Dreconas e Gradente Gradentes e dervadas dreconas de nções com das varáves As dervadas parcas de ma nção nos dão

Leia mais

Oitava Lista de Exercícios

Oitava Lista de Exercícios Uversdade Federal Rural de Perambuco Dscpla: Matemátca Dscreta I Professor: Pablo Azevedo Sampao Semestre: 07 Otava Lsta de Exercícos Lsta sobre defções dutvas (recursvas) e prova por dução Esta lsta fo

Leia mais

UM MÉTODO PRIMAL-DUAL DE PONTOS INTERIORES E EXTERIORES BARREIRA LOGARÍTMICA MODIFICADA COM ESTRATÉGIAS DE EXTRAPOLAÇÃO CÚBICA E CONVERGÊNCIA GLOBAL.

UM MÉTODO PRIMAL-DUAL DE PONTOS INTERIORES E EXTERIORES BARREIRA LOGARÍTMICA MODIFICADA COM ESTRATÉGIAS DE EXTRAPOLAÇÃO CÚBICA E CONVERGÊNCIA GLOBAL. Blucher Mechacal Egeerg Proceedgs May 4, vol., um. www.proceedgs.blucher.com.br/eveto/wccm UM MÉODO PRIMAL-DUAL DE PONOS INERIORES E EXERIORES BARREIRA LOGARÍMICA MODIFICADA COM ESRAÉGIAS DE EXRAPOLAÇÃO

Leia mais

2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais

2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais 48 Procedmetos para Ajuste e Tratameto Estatístco de Dados Expermetas. Itrodução Modelos matemátcos desevolvdos para descrever eômeos íscos a partr de observações expermetas devem ser baseados em dados

Leia mais

NÚMEROS COMPLEXOS. z = a + bi,

NÚMEROS COMPLEXOS. z = a + bi, NÚMEROS COMPLEXOS. DEFINIÇÃO No cojuto dos úmeros reas R, temos que a = a. a é sempre um úmero ão egatvo para todo a. Ou seja, ão é possível extrar a ra quadrada de um úmero egatvo em R. Dessa mpossbldade

Leia mais

PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS

PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS Prof José Leoardo Noroha M Eg Departameto de Egehara de Prodção Escola Federal de Egehara de Itabá EFEI RESUMO: Neste trabalho

Leia mais

Centro de massa, momento linear de sistemas de partículas e colisões

Centro de massa, momento linear de sistemas de partículas e colisões Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,

Leia mais

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;

Leia mais

Adotando-se as seguintes variáveis e parâmetro adimensionais: i 1 i i i i i 1

Adotando-se as seguintes variáveis e parâmetro adimensionais: i 1 i i i i i 1 Lsta de eercícos (Capítulo 4) ) Em dos reatores taque de mstura perfeta é coduzda a reação em fase líquda: A+BC+D de forma sotérmca. Os balaços estacoáros de massa do reagete A este sstema são descrtos

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos iterativos. Capítulo O Método de Jacobi Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método

Leia mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta

Leia mais

3- Autovalores e Autovetores.

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

Leia mais

Econometria: 4 - Regressão Múltipla em Notação Matricial

Econometria: 4 - Regressão Múltipla em Notação Matricial Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x

Leia mais

Mecânica Computacional no Balanceamento

Mecânica Computacional no Balanceamento 4 Mecâca Comptacoal o Balaceameto 4. Hstórco A grade maora das téccas exstetes para se fazer balaceameto de seções geológcas é baseada em metodologas empírcas, o seja, parte-se de premssas geológcas e

Leia mais

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada

Leia mais

2. INTRODUÇÃO AOS MÉTODOS FACTORIAIS

2. INTRODUÇÃO AOS MÉTODOS FACTORIAIS . NRODUÇÃO AOS MÉODOS FACORAS CONCEOS GEOMÉRCOS. NÉRCA. Os métodos factoras de Aálse de Dados permtem descreer matrzes (segdo o modelo do Qadro Q da Fg..) de dmesão (, p) qe represetam os alores tomados

Leia mais

Capítulo 3. Interpolação Polinomial

Capítulo 3. Interpolação Polinomial EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Capítulo 3 Iterpolação Polomal Teorema de Weerstrass: se f( é uma fução cotíua em um tervalo fechado [a, b], etão para cada >,

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: AGR116 Boestatístca Proessor: Celso Luz Borges de Olvera Assuto: Estatístca Descrtva Tema: Meddas de Posção e Meddas de

Leia mais

CAPÍTULO 9 - Regressão linear e correlação

CAPÍTULO 9 - Regressão linear e correlação INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação

Leia mais

Testes à Estabilidade dos Parâmetros de um Modelo de Regressão: Uma Aplicação Especial dos Regressores Dummy

Testes à Estabilidade dos Parâmetros de um Modelo de Regressão: Uma Aplicação Especial dos Regressores Dummy R EVISTA DE E STATÍSTICA 4ª P A GINA º QUADRIMESTRE DE Testes à Establdade dos Parâmetros de m Modelo de Regressão: Uma Aplcação Especal dos Regressores Dmm Atores: Patríca Oom do Valle Efgéo Rebelo VOLUME

Leia mais

M = C( 1 + i.n ) J = C.i.n. J = C((1+i) n -1) MATEMÁTICA FINANCEIRA. M = C(1 + i) n BANCO DO BRASIL. Prof Pacher

M = C( 1 + i.n ) J = C.i.n. J = C((1+i) n -1) MATEMÁTICA FINANCEIRA. M = C(1 + i) n BANCO DO BRASIL. Prof Pacher MATEMÁTICA 1 JUROS SIMPLES J = C.. M C J J = M - C M = C( 1 +. ) Teste exemplo. ados com valores para facltar a memorzação. Aplcado-se R$ 100,00 a juros smples, à taxa omal de 10% ao ao, o motate em reas

Leia mais

Previsão de demanda quantitativa Regressão linear Regressão múltiplas Exemplos Exercícios

Previsão de demanda quantitativa Regressão linear Regressão múltiplas Exemplos Exercícios Objetvos desta apresetação Plaejameto de produção: de Demada Aula parte Mauro Osak TES/ESALQ-USP Pesqusador do Cetro de Estudos Avaçados em Ecooma Aplcada Cepea/ESALQ/USP de demada quattatva Regressão

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

Escola Básica e Secundária Dr. Ângelo Augusto da Silva

Escola Básica e Secundária Dr. Ângelo Augusto da Silva Escola Básica e Secdária Dr. Âgelo Agsto da Silva Teste de MATEMÁTICA A º Ao Dração: 9 mitos Maio/ 9 Nome Nº T: Classificação O Prof. (Lís Abre) ª PARTE Para cada ma das segites qestões de escolha múltipla,

Leia mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

Introdução ao problema de escalonamento e pré-despacho

Introdução ao problema de escalonamento e pré-despacho Itrodção ao problema de escaloameto e pré-despacho potametos para a dscpla de DOSE Mael tóo Matos FEU 2000 ídce. INTRODUÇÃO... 2. DESCRIÇÃO DO ROBLEM... 2.. CUSTOS... 2.2. RESTRIÇÕES...3 2.3. CONTRTOS

Leia mais

Exercícios de Cálculo Numérico Interpolação Polinomial e Método dos Mínimos Quadrados

Exercícios de Cálculo Numérico Interpolação Polinomial e Método dos Mínimos Quadrados Eercícos e Cálculo Numérco Iterpolação Polomal e Métoo os Mímos Quaraos Para a ução aa, seja,, 6 e, 9 Costrua polômos e grau, para apromar, 5, e ecotre o valor o erro veraero a cos b c l Use o Teorema

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Estatística Básica - Continuação

Estatística Básica - Continuação Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas

Leia mais

Í N D I C E. Séries de Pagamentos ou Rendas Renda Imediata ou Postecipada Renda Antecipada Renda Diferida...

Í N D I C E. Séries de Pagamentos ou Rendas Renda Imediata ou Postecipada Renda Antecipada Renda Diferida... Curso: Pós-graduação / MBA Campus Vrtual Cruzero do Sul - 2009 Professor Resposável: Carlos Herque de Jesus Costa Professores Coteudstas: Carlos Herque e Douglas Madaj UNIVERSIDADE CRUZEIRO DO SUL Cohecedo

Leia mais

Parte 3 - Regressão linear simples

Parte 3 - Regressão linear simples Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:

Leia mais

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual

Leia mais

Números Complexos Sumário

Números Complexos Sumário Números Complexos Sumáro. FORMA ALGÉBRICA DOS NÚMEROS COMPLEXOS.. Adção de úmeros complexos... Propredades da operação de adção.. Multplcação de úmeros complexos... Propredades da operação de multplcação..

Leia mais

( ) Editora Ferreira - Toque de Mestre. Olá Amigos!

( ) Editora Ferreira - Toque de Mestre. Olá Amigos! Olá Amgos! Hoje coloco à dsposção de vocês aqu a seção Toque de Mestre da Edtora Ferrera (www.edtoraferrera.com.br) as questões de Matemátca Facera cobradas o últmo cocurso da axa Ecoômca Federal (EF),

Leia mais

Condutos livres Escoamento uniforme em canais

Condutos livres Escoamento uniforme em canais J. Gabrel F. Smões Pro. Egehero Codutos lres Escoameto uorme em caas O escoameto uorme em caas obedece as segutes codções: prouddade da água, a área da seção trasersal, a dstrbução das elocdades em todas

Leia mais

ÌNDICE APÊNDICE A - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA

ÌNDICE APÊNDICE A - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA ÌNDICE APÊNDICE A - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA ------------------------------------------------------------------------------- 03 A.- Itrodução ----------------------------------------------------------------------------------------------------------------------------

Leia mais

Matemática. Resolução das atividades complementares. M18 Noções de Estatística

Matemática. Resolução das atividades complementares. M18 Noções de Estatística Resolução das atvdades complemetares Matemátca M8 Noções de Estatístca p. 3 (UFRJ) Dos estados do país, um certo ao, produzem os mesmos tpos de grãos. Os grácos de setores lustram a relação etre a produção

Leia mais

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04 MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de

Leia mais

Medidas Numéricas Descritivas:

Medidas Numéricas Descritivas: Meddas Numércas Descrtvas: Meddas de dspersão Meddas de Varação Varação Ampltude Ampltude Iterquartl Varâca Desvo absoluto Coefcete de Varação Desvo Padrão Ampltude Medda de varação mas smples Dfereça

Leia mais

Caracterização de Partículas. Prof. Gerônimo

Caracterização de Partículas. Prof. Gerônimo Caracterzação de Partículas Prof. Gerômo Aálse Graulométrca de partículas Tabela: Sére Padrão Tyler Mesh Abertura Lvre (cm) âmetro do fo () 2 ½ 0,7925 0,088 0,6680 0,070 ½ 0,56 0,065 4 0,4699 0,065

Leia mais

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL 3 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL Como vto em amotragem o prmero bmetre, etem fatore que fazem com que a obervação de toda uma população em uma pequa eja mpratcável, muta veze em vrtude

Leia mais

FINANCIAMENTOS UTILIZANDO O EXCEL

FINANCIAMENTOS UTILIZANDO O EXCEL rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas

Leia mais

Uma abordagem de geração de colunas para o Problema Generalizado de Atribuição

Uma abordagem de geração de colunas para o Problema Generalizado de Atribuição XXIV Ecotro ac. de Eg. de Produção - Floraópols, SC, Brasl, 03 a 05 de ov de 2004 Uma abordagem de geração de coluas para o Problema Geeralzado de Atrbução Edso Luz Fraça See (UESP/FEG) elfsee@feg.uesp.br

Leia mais

3 Fundamentação Teórica

3 Fundamentação Teórica 3 Fudametação Teórca A segur são apresetados os fudametos teórcos os quas é embasado o desevolvmeto do trabalho. 3.. Espectros de Resposta De acordo com Sampao [3], é descrta a resposta máxma de um osclador

Leia mais

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20 . MEDIDAS DE TENDÊNCIA CENTRAL (OU DE POSIÇÃO) Coceto: São aquelas que mostram o alor em toro do qual se agrupam as obserações.. MÉDIA ARITMÉTICA ( ) Sea (x, x,..., x ), uma amostra de dados: Se os dados

Leia mais

Métodos tipo quadratura de Gauss

Métodos tipo quadratura de Gauss COQ-86 Métodos Numércos ara Sstemas Algébrcos e Dferecas Métodos to quadratura de Gauss Cosderado a tegração: Método de quadratura de Gauss com otos teros I f d a ser comutada com a maor recsão ossível

Leia mais