Capítulo 3. Interpolação Polinomial

Tamanho: px
Começar a partir da página:

Download "Capítulo 3. Interpolação Polinomial"

Transcrição

1 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 >, este um polômo de grau ( tal que: f( p ( < [a, b] Embora seja um teorema motvador para usar polômos, o valor de ( geralmete ão é cohecdo, prcpalmete quado f( ão é dada eplctamete. Outro motvo para usar polômos a apromação de fuções é que suas dervadas e tegras são fáces de determar e também são polômos. Como o polômo de Taylor, descrto o capítulo ateror, cocetra a sua precsão próma ao poto, ele ão é adequado para a maora das aplcações prátcas ode, geralmete, se deseja uma boa apromação em todo o tervalo de defção da fução f(. Cotudo, o polômo de Taylor é de grade utldade a aálse umérca para estmatvas de erros de téccas umércas. Portato, este capítulo são abordados polômos que utlzam dados em város potos do tervalo, chamados de polômos terpoladores. Dados + pares de valores {, f( }, =,,,...,, este um e somete um polômo p ( de grau o qual f( = p (, =,,,...,. Portato, embora estam váras fórmulas de terpolação polomal, se elas utlzarem as mesmas formações os potos odas {,,,..., }, etão os polômos obtdos serão os mesmos. Naturalmete, se f( for um polômo de grau, etão a apromação também será eata. Epressado o polômo terpolador a forma: p( c os coefcetes c são soluções do sstema abao de + equações algébrcas leares:

2 3. INTERPOLAÇÃO POLINOMIAL cujo determate da matrz dos coefcetes: c c c c f( c cc c f( c c c c f( V é chamado de determate de Vadermode, sedo ão-ulo se j j. O problema desta técca de determação dos coefcetes é a sua tedêca de propagar os erros de arredodameto à medda que os potos odas se apromam us dos outros, pos o determate de Vadermode tede a zero estas stuações, gerado um sstema de equações mal codcoado. Eercíco: mplemetar o códgo abao o MATLAB ou SCILAB para terpolar a fução y seh( f( seh( que é a solução aalítca do problema de reação com dfusão em um partícula catalítca esférca sotérmca com reação de prmera ordem ( é o rao admesoal e y é a cocetração admesoal. Utlzar como potos odas, potos gualmete espaçados etre, e,9, com espaçameto uforme de, para o caso (a e de,4 para o caso (b. Após obter o polômo, terpolar a fução os valores de a em tervalos de,. Note que etre e, e etre,9 e os valores serão etrapolados. Comparar os dos casos. d=.; % para o caso (a d=.4; % para o caso (b =[.:d:.9]'; % potos odas ph=5; y=sh(ph*./(*sh(ph; % valor da fução os potos odas =legth(; % úmero de potos c=[:.:]'; % potos para terpolação m=legth(c; yc(=ph/sh(ph; yc(:m=sh(ph*c(:m./(c(:m*sh(ph; % formação da matrz de Vadermode Um=oes(,; % vetor de tamaho com todos elemetos guas a M=Um; for =:- M=[M.^]; ed C=v(M*y; % coefcetes polomas (versão sem pvotameto % C=M\y; % coefcetes polomas (versão com pvotameto parcal

3 3. TABELA DE DIFERENÇAS DE NEWTON 3 p=c'*(um*c'.^([:-]'*oes(,m; % valores terpolados % % forma alteratva calcular os valores terpolados % %for =:m % p(=c(; % for j=-:-: % p(=p(*c(+c(j; % ed %ed codm=cod(m % úmero de codcoameto da matrz dos coefcetes plot(c,yc,'b:',c,p,'r',,y,'o'; leged('eato','polômo','potos'; O resultado do eercíco acma é mostrado a fgura abao, ode se observa o caso (b o efeto dos erros de arredodameto devdo à versão matrcal sem pvotameto do sstema de Vadermode que este caso é mal codcoado. Este problema ão ocorrera se fosse realzada a versão matrcal com pvotameto (parcal ou total..9.8 eato polômo potos.9.8 eato polômo potos Caso (a Caso (b Outro aspecto sobre a formulação p ( c é a sua forma efcete de cálculo de terpolação. A forma alteratva (ahada: p ( c ( c ( c ( c c requer um úmero bem meor de operações de multplcação ( cotra (+/ e pode ser mplemetada coforme o algortmo: p c Para =,,...,,,, faça p p + c

4 4 3. INTERPOLAÇÃO POLINOMIAL Este algortmo está mplemetado de forma cometada o códgo acma. As fórmulas de terpolação mas comumete usadas e que ão fazem uso do determate de Vadermode são a fórmula terpoladora das dfereças dvddas de Newto e os polômos terpoladores de Lagrage. 3. Tabela de dfereças de Newto Partdo do coceto de dervada: df f ( f( f( lm d f( f( a apromação f [, ] para é chamada de prmera dfereça dvdda ou dfereça dvdda de ordem com relação a e. Aplcado o teorema do valor médo dferecal: f ( b f( a f ( para f( C [a, b] e algum [a, b], etão: b a f[, ] f( para algum [, ], ou seja, f[, ] está relacoada com a dervada prmera de f(. Cosderado o problema da terpolação lear passado pelos potos {, f( } e {, f( }, temos: f ( p ( a f( como f ( p ( a a ( f ( p ( f( f( a ( a f( f( e f[, ], ou seja, p( f( f[, ] (. Usado a defção de erro (ou resíduo da apromação: f ( p ( R ( e sabedo que R ( deve se aular em e : R ( g( ( ( f( f( ou ada R( f( f( f[, ] ( ( f[, ] ( f[, ] f[, ] R ( f[, ] f[, ] ( ( ( f[, ] f[, ] ode f [,, ].

5 3. TABELA DE DIFERENÇAS DE NEWTON 5 Defdo a fução: Q( t f( t p ( t ( t ( t g( ela se aula pelo meos em t =, t = e t =, logo Q ( t deve se aular pelo meos duas vezes o tervalo [, ] e Q ( t deve se aular pelo meos uma vez em um poto t = [, ]: Q( f( p(! g( como p( (polômo de grau temos: f ( g (! Agora, se mas um poto {, f( } for cluído o cojuto de potos odas: f ( p ( a a ( a ( ( fca evdete pelo eposto acma que a = f[,, ] podedo também ser tomado como uma boa apromação para R ( se f ( for uma fução suave (que ão muda bruscamete para dferetes valores de. Isto mostra que as fórmulas das dfereças dvddas de Newto podem ser usadas para determar o grau aproprado do polômo terpolador em fução da qualdade desejada da apromação. f [, ] f[, ] Retomado a epressão: f[,, ] f[,, ] f( f( f( f( ( f( f( ( f( f( ( ( ( ( f( ( f( ( f( f[,, ] ( ( ( ou ada ( f( ( f( ( f( ( f( f[,, ] ( ( ( ( f( f( ( f( f( f[,, ] ( ( ( f( f( f( f( f[, ] f[, ] f[,, ] ou seja, f[,, ] = f[,, ] = f[,, ] = f[,, ] = f[,, ] = f[,, ], a ordem dos argumetos das fórmulas das dfereças dvddas é dferete. Das epressões acma, podemos observar também que: f[,, ] f( f( f( ( ( ( ( ( (

6 6 3. INTERPOLAÇÃO POLINOMIAL Geeralzado para potos odas, com a clusão da dfereça dvdda de ordem zero: f[ ] f( temos para a dfereça dvdda de ordem k: f [ k, k,,, ] f[ k, k,,, ] f[,,,,, ] k k, k =,, 3,..., k e ( k f ( f[, k,,,, ], [, ]. k! O erro da terpolação por um polômo de grau é: ou R ( f[,,,,,, ] ( ( f ( R( (, [, ] (! sedo que a seguda forma é útl somete quado a fução f( for dada eplctamete. Eemplo: obter o polômo terpolador de grau 3 usado as fórmulas das dfereças dvddas de Newto para os dados abao: y p ( f[ ] f[, ]( f[,, ]( ( f[,,, ]( ( ( 3 3 p 3 3 ( 5 6 ( ( ( ( 3( ( 7 5

7 3. TABELA DE DIFERENÇAS DE NEWTON 7 A tabela das dfereças dvddas de Newto é costruída da segute maera: y f[ ] f[, ] f[ ] f[,, ] f[ ] - f[ - ] f[, -, - ] f[, - ] f[ ] f[ 3,,, ] f[, -, -, -3 ] f[, -,...,, ] Para um qualquer etre e, a terpolação polomal de grau é obtda através das epressões: f f f, f f f,, mas:,, f f f,, f, f, f,,, mas:,,,, f f f,,, f,, f,, f,,, f,,,,,,,,,, f f,,,,,,,,,, f f f e, falmete: f,,,,,,,,,,,,, f f,,,,,,,,,,,,, f f f ode o últmo termo: f [,,,,, ] ( é o erro da terpolação, que pode ser estmado com o uso de um poto adcoal { +, f( + } prómo a. Eemplos:

8 8 3. INTERPOLAÇÃO POLINOMIAL a A tabela abao cotém os valores da vscosdade (em cetpose de uma solução cotedo 6% de sacarose a váras temperaturas. Costrua a Tabela de Dfereças destes dados. T ( o C (cetpose 3 3,9-5,7 56,7,755 -,69 -, ,,499 -,7 4,3 b Refaça a Tabela de Dfereças adotado l( o lugar de : T ( o C l( 3 4,7353 -, ,37774,93 -,5 -,4 3 3,56655,6 -, ,5877 Algortmo: Iterpolação polomal de Newto Dados + potos {, y }, deseja-se terpolar a fução em = * Para =,,,...,, faça A, y Para =,,...,, faça Para j =,,,...,, faça A j, A A j, - j, - j j p y * A, Para =,,...,, faça p ( * - p y * y * + p A, y - - A, A, A, A,- A,- A, A, A, A, A,- A,- A, A, A, A,- 3 3 A 3, A 3, A 3, - A -, A -, A -, - A -, A -, A,

9 3. INTERPOLAÇÃO DE LAGRANGE 9 Ao fal do algortmo y * cotém o valor terpolado de f( em = *. 3. Iterpolação de Lagrage Na dervação das fórmulas das dfereças dvddas fo adotada a forma polomal: p ( a a ( a ( ( a ( para a determação dos coefcetes a, =,,,...,. No caso da terpolação de Lagrage, a forma polomal adotada é a segute: p ( b ( ( ( b ( ( ( b ( ( ( ( ( b ( ( ( cujos coefcetes b, =,,,..., são determados dretamete pelas codções p ( = f(, =,,,...,, resultado em: f( b ( ( ( ( (, =,,,...,. Defdo os terpoladores de Lagrage: que são polômos de grau, temos: j (, =,,,..., j j j p ( ( f(. Pela defção de (, podemos observar que:, j ( j, j, j ou seja,,,,..., -, +,..., são as raízes de (. Se f( = k, etão k k ( para k =,,,...,, pos a apromação é eata se f( for um polômo de grau. Desta relação resulta para k = : (. Defdo o polômo odal, que tem como raízes =, =,,,...,, logo de grau + :

10 3. INTERPOLAÇÃO POLINOMIAL P ( a ( ( ( ( a ( j j e chamado de q( ( j o umerador de (, =,,,...,, resulta que: j j q ( P ( ( e a q( q (. P ( Aplcado o lmte para a seguda epressão: lm P (, temos: a q( P ( e P ( ( ( P (, =,,,...,. Sabedo que f( = p ( + R ( e que R ( deve se aular em, =,,,...,, etão R ( = P + ( G(, que procededo de maera aáloga à seção ateror, a fução: Qt ( f( t p( t P ( t G ( deve se aular em t =, =,,,..., e em t =, ou seja, em o mímo + vezes detro do tervalo [, ]. Portato, Q (+ (t deve se aular em pelo meos um poto este tervalo, t = : Q ( f ( p ( P ( G( ( ( ( ( como ( p ( (polômo de grau e P ( a (!, temos: ( f G ( a ( (! ( e ( f ( R( ( com [, ]. (! Eemplo: obter o polômo terpolador de Lagrage de grau para os segutes dados: y = f( ( ( ( ( 3 43 ( ( ( ( ( 3 3 ( ( ( ( 3 3 ( ( ( ((3 ( ( ( ( ( ( ( (3(3 6

11 3.3 ANÁLISE DE ERROS ( ( ( 5 ( ( 5 ( 4 5 p f Comparado com as dfereças dvddas de Newto, a terpolação de Lagrage tem como desvatages a sua dfculdade em obter uma estmatva do erro e a ecessdade de recostrur todos os terpoladores de Lagrage com a adção de ovos potos. Ou seja, ão é um método adequado quado o grau do polômo ão é cohecdo a pror. Além dsto, demada uma quatdade maor de cálculos quado váras terpolações precsam ser obtdas com o mesmo cojuto de potos odas. Uma maera de costrur os polômos de Lagrage de maera recursva para a clusão gradual de ovos potos até uma precsão desejada é através do uso do método de Nevlle (ão abordado aqu, mas pode ser ecotrado em Burde e Fares, 3. Algortmo: Iterpolação polomal de Lagrage Dados + potos {, y }, deseja-se terpolar a fução em = * Para =,,,...,, faça p Para j =,,,...,, faça Se j: p y * Para =,,,...,, faça y * y * + p y * j j p Ao fal do algortmo y * cotém o valor terpolado de f( em = *. 3.3 Aálse de erros Ao apromarmos uma fução f( pelo polômo de Taylor de grau, vmos que o erro de trucameto da apromação é dado por: ( f [ ( ] R ( ( (!, com [, ]. Cotudo, como o valor de ( f [ ( ] ão pode, geralmete, ser calculado por ão cohecermos a fução (, podemos apeas estabelecer um lmte superor para o erro da ( apromação, tomado o valor mámo de f ( o tervalo [a, b]. No caso da terpolação polomal, vmos que o erro da apromação é dado por: ( f [ ( ] R( ( com [, ] (!

12 3. INTERPOLAÇÃO POLINOMIAL e os mesmos cometáros acma se aplcam, com o agravate que este caso, geralmete, a ( fução f( ão é cohecda para podermos ecotrar o valor mámo de f (. Neste caso podemos recorrer ao uso da tabela de dfereças dvddas de Newto para ecotrarmos uma estmatva para o erro usado a relação: ( f [ ( ] (! e um valor adcoal de f( em um ovo poto +. f [,,,,,, ] de: Naturalmete, se f( for cohecda, etão R ( também pode ser obtda dretamete R ( = f( p ( Neste caso, uma formação útl é o erro médo quadrátco (MSE, Mea Square Error da apromação o tervalo [a, b]: MSE R ( d b a b a ou ormalzado para o tervalo [, ]: a y d = (b a dy, resulta em: b a MSE R ( y dy que pode ser usado para determar a melhor apromação para f( detre váras alteratvas. Eemplo: costrur os gráfcos das apromações de f( usado terpolações 5 polomas de ª, 3ª e ª graus com potos gualmete espaçados o tervalo [-, ], os gráfcos dos erros da terpolação e calcular o MSE.

13 3.3 ANÁLISE DE ERROS 3 Iterpolação Comparação da Fução Real com a Iterpolada Iterpolação Polomal de Y k Segudo Grau com Z k.5 Potos Igualmete Espaçados.38 Iterpolação Polomal de Y k Tercero Grau com Potos Igualmete Espaçados Z k.38.5 Iterpolação.846 Polomal de Y k Décmo Grau com Z k Potos Igualmete.55 Espaçados Iterpolação Polomal de Décmo Grau como Potos as Raízes do o Polômo de Chebyshev Y k Z k z k z k Erro da Iterpolação R ( d.5,7,595 z k z k,337 3,3-3 Neste eemplo foram usados potos gualmete espaçados para costrur os polômos terpoladores. Porém, é possível determar os potos odas que geram um polômo terpolador com o meor resíduo possível etre polômos de mesmo grau. Para determar estes potos odas ótmos, partmos da epressão do erro: ( ( f [ ( ] f [ ( ] (! (! R ( ( P ( ode P + ( é o polômo odal com a + =. Reescrevedo P + ( a forma: P ( c os + coefcetes c podem ser determados de maera a mmzar o MSE: sedo c arg m MSE( c c, c,..., c ( f [ ( ; c] MSE( c R(; c d c d (! Aplcado o teorema do valor médo da tegral:

14 4 3. INTERPOLAÇÃO POLINOMIAL ( f [ ( c] MSE( c c d (! Como o mímo do MSE(c ocorre quado cmse, temos: ( ( ( c c c k k MSE( c f [ ( ] df ( ( f [ ( ] P ( d ck [(!] d c (! P ( d, k =,,..., Se cosderarmos depedete de c [váldo quado f (+ ( for costate], etão, k P ( d, k =,,,..., O que permte coclur que P + ( é um polômo ortogoal o tervalo [, ] em relação à fução peso w( =. O polômo que satsfaz essa codção de ortogoaldade é o (, polômo de Jacob, P (, com = e =. Portato, uma boa apromação para os (, potos odas que mmzam o MSE são as raízes do polômo de Jacob P (. Se o tervalo utlzado fosse [-, ], etão teríamos o polômo de Legedre. 3.4 Crtéro de mmzação do erro mámo Até o mometo utlzamos as codções: f( = p (, =,,,..., para determarmos os coefcetes de p (. Outro crtéro que pode ser utlzado é a mmzação do erro absoluto mámo da apromação os potos dados: m ma f ( p ( c, c,, c ou para o caso de f( ser cohecda: m ma f ( p ( c, c,, c ab Este crtéro é cohecdo como prcípo mma de Chebyshev e o polômo obtdo é chamado de polômo ótmo ou mma. Normalzado z [a, b] para o tervalo [-, ]: z b a b a é possível observar que os moômos,,,..., de p ( c possuem magtude máma em = e míma em =, ão havedo uma dstrbução uforme dos erros. Logo, se for possível ecotrar um polômo que dstrbua os erros de forma mas uforme, a mmzação do erro mámo resultará a melhor apromação possível. Os polômos que apresetam esta propredade são os polômos de Chebyshev:

15 3.4 CRITÉRIO DE MINIMIZAÇÃO DO ERRO MÁXIMO 5 T ( = T ( = T ( = T 3 ( = T 4 ( = T 5 ( = T 6 ( = T 7 ( = T 8 ( = T 9 ( = Fórmula de Recorrêca: T ( T ( T ( para,, com T ( e T( Gráfco dos 5 prmeros polômos de Chebyshev T, T,.5 T, T 3, T 4, peso Os polômos de Chebyshev são ortogoas em [-, ] com respeto a fução w (, ou seja:, m (, T( Tm( d T m T m (,

16 6 3. INTERPOLAÇÃO POLINOMIAL Estes polômos orgaram das fuções trgoométrcas cos(, cos(, cos(3,..., cos( que dstrbuem seus mámos e mímos de maera uforme o tervalo [, ]. Ao aplcar a mudaça de varável: = cos( [-, ] e a propredade: cos( = cos( cos[( ] cos[( ], resulta os polômos de Chebyshev. Pela codção de ortogoaldade, os coefcetes da apromação: f ( at( podem ser determados por: a f d e ( a k f ( T k ( d, k =,,...,. Como d d, etão a f(cos d e ak f(cos cos( k d, k =,,...,. As raízes de T ( são reas (característca de um polômo ortogoal, ocorrem o tervalo [-, ] e são dadas por: (k rk cos, k =,,...,. Usado as + raízes de T + ( como potos odas da terpolação de Lagrage, a apromação da fução também pode ser realzada por: f ( p ( ( f(, com = r +. Represetado os moômos k por: k k at (, é possível costrur a tabela: Potêcas de em fução dos polômos de Chebyshev: = T ( = T ( = [T (+T (]/ 3 = [T 3 (+3T (]/4 4 = [T 4 (+4T (+3T (]/8 5 = [T 5 (+5T 3 (+T (]/6 6 = [T 6 (+6T 4 (+5T (+T (]/3 7 = [T 7 (+7T 5 (+T 3 (+35T (]/64 8 = [T 8 (+8T 6 (+8T 4 (+56T (+35T (]/8 9 = [T 9 (+9T 7 (+36T 5 (+84T 3 (+6T (]/56

17 3.5 TELESCOPAGEM DE SÉRIES 7 que tem utldade a telescopagem de séres. Normalzado os polômos de Chebyshev de tal forma que o coefcete de maor grau seja gual, obtém-se os polômos de Chebyshev môcos: T ( T ( Que possu a propredade de um polômo mma: ma T ( ma P( P( [,] [,] E se ma P ( ma T (, etão P ( T (. [,] [,] 3.5 Telescopagem de séres A telescopagem de séres de potêcas ou ecooma de Chebyshev cosste em epressar os moômos da sére em termos dos polômos de Chebyshev, coletar os coefcetes de cada polômo T ( e trucar a sére os moômos de Chebyshev de alta ordem sabedo que seu coefcete represeta o erro mámo da apromação, pos T (. A sére trucada pode etão ser re-epressa em termos dos moômos de. Este procedmeto é equvalete a fazer sucessvas reduções de grau do polômo até a precsão desejada usado o polômo Chebyshev môco: a p ( p( at(, com p( p ( at( ode a é o coefcete de de p (. Eemplo: reduzr o grau do segute polômo que aproma a fução f( = e : 3 4 p4( e [-, ] 6 4 Matedo um erro mámo feror a,5. (5 5 f ( e O erro da apromação por p 4 ( é: R4 ( R4(,3 5! 5! Reduzdo o grau da apromação para p 3 (: 3 Caso Sem telescopagem: p3(, temos: 6 (4 4 f ( e R3 ( R3(,3, que está acma de,5. 4! 4! Caso Com telescopagem:

18 8 3. INTERPOLAÇÃO POLINOMIAL T( T( T3( 3 T( T4( 4 T( 3 T( p4( T( Que após coletar os termos comus de T (, resulta em: T3( T4( p4( T( T( T( Trucado o termo de grau 3: T ( p T T T ( ( ( (, o erro etre as duas apromações é: T4 ( p4( p3(,5 9 9 Portato, o erro mámo ao apromar f( por p 3 ( é:,3 +,5 =,8 <,5. Reescrevedo o polômo em termos das potêcas de : p3( ( com R (, Ou de maera smlar: p3( p4( a4t4(, sto é: p3( , pos a 4 = /4, que após rearrajo dos termos resulta em: p3( Reduzdo mas um grau a apromação: p( p3( a3t3(, temos: p(, levado a: p( , com p3 p T ( ( (, Portato, o erro mámo ao apromar f( por p ( é:,8 +,4 =,7 >,5.

19 3.5 TELESCOPAGEM DE SÉRIES 9

20 3. INTERPOLAÇÃO POLINOMIAL

21 3.5 TELESCOPAGEM DE SÉRIES

22 3. INTERPOLAÇÃO POLINOMIAL

23 EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Nas fguras a segur são comparados os valores dos polômos odas com potos gualmete espaçados com os polômos odas costruídos a T partr do polômo de Chebyshev ormalzados [ t para ]. Note que: t para.

24 4

25 EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Lsta de eercícos. Busque uma epressão de segudo grau e outra de tercero grau que melhor apromam a fução 4 o tervalo 8. Aalse e dscuta seus resultados cofrotado-os grafcamete.. Aprome a fução e o tervalo: + por um polômo de meor grau em, em que se assegura que o módulo do erro seja meor do que Houge & Watso sugerem a epressão empírca abao para o cálculo do calor específco molar do gás trogêo: 3 6 p ode: C p : cal/gmol/k e C,, T, T T: Kelv. Na faa de 3 a K, o erro mámo do calor específco calculado por esta epressão é de, %. a determe a apromação lear de C P que mmza o mámo do erro adcoal a faa de a K; b Calcule o erro percetual mámo da apromação proposta em a. 4. A varação do coefcete de epasão térmca do alumío a faa de a o C é dada por: 4 6 o 9 com : k T, T, T T C. a aprome k(t por uma costate, a mesma faa de a o C, de modo que o valor do erro mámo seja mímo; b Calcule o valor médo de k(t k k( T dt e sua méda artmétca (a mesma faa de temperatura e compare e dscuta todos estes valores sugerdo que valor é o mas adequado! 5. Nas Tabelas abao, apresetam-se os valores da codutvdade térmca do CO e da vscosdade do etleo glcol líqudo a váras temperaturas: T ( o F k (BTU/hr/ft/ o F T ( o F (lb/ft/hr 3,85 4,,33 5 8, 39,8 3,5 57,8 5,6 5,57 Determe, em cada caso, o polômo terpolador de meor grau possível que assegure um erro relatvo feror a, % a faa tabelada de T.

26 6 3. INTERPOLAÇÃO POLINOMIAL Observação: a depedêca polomal de com T é mas adequadamete epressa por l(. 6. A tabela abao mostra a depedêca da pressão parcal do vapor de amôa com a temperatura a dferetes cocetrações: Cocetração percetual molal da amôa Temperatura ( o F 6,6,4 3,5 5,55 8,65 3, 8,5,43 5,85 9,6 3,86,6,95 4,5 9,34 4,,3 3,6 4,89 9,98,49 3,54 45,73 64,78 8 7,5,65 44, 6,68 88,7,68 7,9 4,47 8,9 3,8 56,4,4 5 9,83 66,67 4,8 69,48 9,6 35,6 por terpolação lear as duas varáves depedetes [temperatura e cocetração] calcule as pressões parcas da amôa os segutes casos: T [ o C] 6,5 6,5 6,5 6, 37,5 37,5 Cocetração Molal [%] 8,8 6,7 5,, 7,6 35,

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

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

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

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

(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

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

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

José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas

José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas UNIVERSIDADE FEDERAL DE OURO PRETO Isttuto de Cêcas Eatas e Bológcas Departameto de Computação José Álvaro Tadeu Ferrera Cálculo Numérco Notas de aulas Iterpolação Polomal Ouro Preto 3 (Últma revsão em

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

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

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

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

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

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

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

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x

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

II. Propriedades Termodinâmicas de Soluções

II. Propriedades Termodinâmicas de Soluções II. Propredades Termodâmcas de Soluções 1 I. Propredades Termodâmcas de Fludos OBJETIVOS Eteder a dfereça etre propredade molar parcal e propredade de uma espéce pura Saber utlzar a equação de Gbbs-Duhem

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

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

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

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

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

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo IV, Iterolação Polomal, estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são

Leia mais

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha 4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,

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

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

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

Primeiro Exercício da Lista de Interpolação TOL 10 9

Primeiro Exercício da Lista de Interpolação TOL 10 9 Prmero Exercíco da Lsta de Interpolação TOL 9 Busque uma expressão de segundo grau e outra de tercero grau que melhor aproxmam a função x 4 no ntervalo x. Analse e dscuta seus resultados confrontado-os

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

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

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são otdas com ase em

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

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

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

Capítulo 1: Erros em cálculo numérico

Capítulo 1: Erros em cálculo numérico Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas

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

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

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

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

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

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

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

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

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

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

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores. Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.

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

Potenciais termodinâmicos, critérios de espontaneidade e condições de equilíbrio

Potenciais termodinâmicos, critérios de espontaneidade e condições de equilíbrio Potecas termodâmcos crtéros de espotaedade e codções de equlíbro O Prcípo da Etropa Máxma váldo para um sstema solado estabelece um crtéro para determarmos o setdo em que ocorrem os processos de forma

Leia mais

Métodos numéricos para solução de equações

Métodos numéricos para solução de equações Escola Poltécca da Uversdade de São Paulo Departameto de Egehara Químca LSCP Laboratóro de Smulação e Cotrole de Processos Dscpla Optatva Modelagem e Métodos Matemátcos Aplcados à Egehara Químca AULA Revsão

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

Organização; Resumo; Apresentação.

Organização; Resumo; Apresentação. Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado

Leia mais

Estatística. 2 - Estatística Descritiva

Estatística. 2 - Estatística Descritiva Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA

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

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

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

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

6. MÉTODOS APROXIMADOS DE ANÁLISE DE SISTEMAS CONTÍNUOS

6. MÉTODOS APROXIMADOS DE ANÁLISE DE SISTEMAS CONTÍNUOS 6. ÉOOS APROXAOS ANÁS SSAS CONÍNUOS Nos dos capítulos aterores, estudaram-se métodos exactos de aálse de sstemas dscretos e de sstemas cotíuos. Agora, serão aalsados algus métodos aproxmados da solução

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

Ajuste de dados experimentais

Ajuste de dados experimentais Capítulo 8 8. Itrodução Uma forma de trabalhar com uma fução defda por uma tabela de valores é a terpolação polomal. Etretato esta ão é acoselhável quado:. é precso obter um valor aproxmado da fução em

Leia mais

Prof. Janete Pereira Amador 1

Prof. Janete Pereira Amador 1 Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.

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

Grande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção

Grande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção Prof. Lorí Val, Dr. val@pucr.br http://www.pucr.br/~val/ Grade Cojuto de Dado Orgazação; Reumo; Apreetação. Amotra ou População Defeto em uma lha de produção Lacado Deeho Torto Deeho Torto Lacado Torto

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

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

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

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

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

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero

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

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

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

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

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Estatístca: uma defção Coleção de úmeros estatístcas O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%.

Leia mais

Estatística: uma definição

Estatística: uma definição Estatístca: uma defção Coleção de úmeros estatístcas O úmero de aumetou em 30%. carros veddos o país A taa de desemprego atge, este mês, 7,5%. As ações da Telebrás subram R$,5, hoje. Resultados do Caraval

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

? 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

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro

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

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

NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA

NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA IND 5 Iferêca Estatístca Semestre 007.0 Teste 4 //007 Nome: NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA : O FORMULÁRIO ESTÁ NO FINAL DA PROVA PROBLEMA (5 potos) Em cada questão

Leia mais