Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. P x t i x t i x t i x t i

Tamanho: px
Começar a partir da página:

Download "Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. P x t i x t i x t i x t i"

Transcrição

1 Departaeto de Iforátca Dscpla: do Desepeho de Ssteas de Coputação Cadeas de Marov I Processos de Marov (ou PE Marovao) Sea u processo estocástco caracterzado pela seüêca de v.a s X(t ),,,, Sea X(t ) a descrção do estado atual do processo A seüêca (X(t + +), X(t + +), ) é o futuro do processo A seüêca ( X(t ), X(t ),, X(t - ) ) é o passado do processo Prof. Sérgo Colcher colcher@f.puc-ro.br U PE é dto Marovao se ele satsfaz a segute propredade M (propredade arovaa) M: dado o estado atual, o futuro do processo ão depede do seu passado Copyrght 999- by TeleMída Lab. Cadea de Marov U processo estocástco x(t) ) fora ua Cadea de Marov se, para todo tero e ualuer seuêca t,..., t + tal ue t < t <... < t, te-se [ ( + ) + ( ), ( ),, ( ) ] P[ x( t ) x( t ) ] P x t x t x t x t + + Cadea de Marov de Tepo Dscreto U processo estocástco {x } fora ua Cadea de Marov de Tepo Dscreto se, para todo tero te-se [ + +,,, ] P[ x x ] P x x x x + + Ode,,, + são toados de u espaço de estados dscreto Ode,,, + são toados de u espaço de estados dscreto

2 Processo de Cotage Processo estocástco {N(t), t } é de cotage se N(t) ) represeta o úero total de evetos ue ocorre etre (, t] Por defção, N(t) ) satsfaz: N(t) N(t) assue valores teros s < t N(s) N(t) s < t N(t) N(s) úero de evetos durate o tervalo (s,t] Processo de Cotage Icreetos depedetes: processo de cotage o ual o úero de evetos ocorrdos e tervalos de tepos dsutos são depedetes Exeplo: o processo de cotage o tervalo (5,] ão depede do processo de cotage e (,5] 5 6 Processo de Cotage Icreetos estacoáros: úero de evetos e (t +s, t +s] depede soete da apltude do tervalo (t t ) Ou sea, N(t +s) N(t +s) te a esa dstrbução ue N(t ) N(t ),, ode t > t e s > t t s+t s+t Processo de Posso (PP) N(t) é u processo de Posso se: N(t) é u processo de cotage N() Te creetos depedetes e estacoáros Núero de evetos e ualuer tervalo de apltude t é dstrbuído coo ua varável de Posso co éda λt, ou sea: -λt e ( λt) P{ N( t + s) N( s) },,, e s, t! 7 8

3 Processo de Posso Tepo etre chegadas Eveto {T > t } sgfca ue ão acoteceu chegada algua do processo de Posso o tervalo (, t] -λt e ( λt) P{ N( t + s) N( s) }! P{T > t} } P{N(t) N() } P{N(t) } e -λt Repetdo o racocío para u tervalo (s, s+t] P{T > t T s} P{ evetos e (s, s+t]} e -λt Tepos Etre Evetos e u PP Varável Aleatóra Expoecal F x (X) ( e λx ) u(x) Propredade ( se eóra ou se passado ): P[ x > t + s x > s] P[ x > t] A probabldade de u copoete ue á fucoou s horas fucoar as t horas é gual a probabldade de u copoete ovo fucoar t horas. Coclu-se ue T,,,... são v.a.s expoecas, depedetes e detcaete dstrbuídas (d) 9 Cadeas de Marov Tepo Dscreto ou Tepo Cotíuo Abas co Espaço de Estados Dscreto [Kleroc] Exeplo do Hppe Vaate U hppe vaate coeça toado caroa e ua cdade. Por algu otvo, ele sepre pega ua ova caroa ao fal de cada da, co o prero ue se dspõe a levá-lo, se se preocupar co o desto. Ele acaba vaado aleatoraete pelas cdades próxas co as probabldade lustradas.

4 Hppe Vaate Depos do prero da, ele estará e co probabldade / ou e co probabldade / A probabldade de retorar a va o segudo da é de /6 e de retorar a va o segudo é de /6 Logo, a probabldade de retorar a o segudo da é de /6 / Pode-se efetuar calcular cálculos parecdos para os das, etc. e tabé para as cdades, etc. Cadeas de Marov de Tepo Dscreto Ua seüêca de varáves aleatóras X, X,... fora ua cadea de Marov de tepo dscreto se, para todo (,,...) e para todos os valores das varáves aleatóras, te-se ue [,,, ] P[ X X ] P X X X X No caso do exeplo do vaate, sso sgfca dzer ue a próxa cdade vstada depede apeas da atual e ão das cdades á vstadas Cadeas de Marov de Tepo Dscreto (CMTD) Se, alé de ão depeder das cdades vstadas, a probabldade tabé ão depeder de,, te- se ua Cadea de Marov Hoogêea represeta a probabldade de se r para o estado dado ue se está o estado. p Idepedete do [ ] p P X X Matrz de Trasções e Dagraa de Trasções de Ua CMTD Hoogêea / / P / / / / Probabldade de r de para P p Probabldade de r de para Dagraa de Trasções da CMTD Hoogêea 5 6

5 Matrz Estocástca Ua atrz ualuer é dta estocástca uado todos os seus eleetos são ão egatvos e a soa dos valores e ualuer de suas lhas é gual a. A atrz uadrada P [ p ], de taaho, é dta estocástca sse () p para todo, () p para todo, Teorea: A atrz de trasções de ua CMTD é estocástca / / P / / / / Hppe Vaate Dado o estado atual,, a probabldade de se estar e u estado passadas trasções é represetada por [ ] p P X + X Pela defção de Cadea de Marov de Tepo Dscreto, chegar o estado e passos só depede de ode se está o passo - Exeplo: p p p + p p + p p () () () () 7 8 Cadeas de Marov de Tepo Dscreto Pela defção de Cadea de Marov de Tepo Dscreto, chegar o estado e passos só depede de ode se está o passo - De fora recursva ( ) p p p Probabldade dos Estados [ ] Sea P X a probabldade de se ecotrar o sstea o estado o passo Vetor de probabldade o passo,,,,,, é o estado cal () () () () Se teos u estado cal deterístco, etão o vetor () te u dos eleetos gual a e os deas guas a zero Ex.: se arbtraros ue o hppe coeça a cdade () [,, ] 9

6 Evolução do Sstea Evolução do Sstea Probabldades das Trasções / / P [ p ] / / / / Vetor de probabldades o passo,,, Estado cal correspode ao passo : () ( ) p p p p + p + p + () () () p + p + p + () () () () () () () p p p p () () () () () () p p [,,..., ] [,,..., ] p p p () () P P P P P () () () () P P ( ) () Resudo: a Evolução do Sstea Vetor de probabldades o passo Estado cal correspode ao passo : Estados Segutes:,,, () () () P P P P P () () () () P P ( ) () Evolução do Sstea...,,5,88,,,75,6,59,5,8,5,688,5,5,5 P P ( ) () / / P / / / /

7 Evolução do Sstea Evolução do Sstea......,5,88,,99,,,75,5,89,8,75,8,57,5,5,5,88,,99,,5,,66,85,8,5,5,5,56,5 P P ( ) () P P ( ) () / / P / / / / / / P / / / / 5 6 Evolução do Sstea...,,75,6,98,,,,,6,88,77,8,,55,5,5,5,5 P P ( ) () / / P / / / / Questão Gostaríaos de saber se exste (e, e caso postvo, e ue stuações exste) u couto de probabldades { } ue descreva a probabldade do hppe estar e ua cdade e u tepo arbtráro do futuro Isto é, gostaríaos de saber se exste ua dstrbução de probabldades estacoára tal ue ão depede do tepo depos de ua possível fase trasete,, o sstea etre e rege de eulíbro o ual as probabldades de se estar o estado são guas a, depedeteete do tepo e da dstrbução cal { () }. 7 8

8 Defção: Cadeas de Marov Irredutíves Irredutível: uado todos os estados são possíves de sere alcaçados a partr de ualuer outro estado, sto é, : p >, p > Exeplo de Cadea ue ão é rredutível: Ua cadea é rredutível se for fechada e ão cotver sub-coutos fechados Sub-couto fechado de estados Defdo: Probabldade de Retoro f P Prero retoro ao E ocorra passos depos de dexar o E etão, a probabldade de se retorar ao estado (E ) e u úero ualuer de passos é: f f Se f estado recorrete Se f < estado trasete Se os úcos passos e ue o sstea pode retorar ao estado são γ,, γ, γ,... (coγ> ) estado peródco período γ se γ estado aperódco 9 Tepo Médo de Retoro Cosderado os estados e ue f (estados recorretes), defe-se o tepo édo de retoro coo Se M Estado recorrete ulo Se M < M Estado recorrete ão ulo f Teorea: Teorea (se deostração) Os estados de ua cadea de Marov rredutível pode ser: ou todos trasetes ou todos recorretes ão ulos ou todos recorretes ulos ou todos peródcos de eso período

9 Teorea (se deostração) Sea P[ X ] a probabldade de se ecotrar o sstea o estado o passo Teorea: E ua Cadea de Marov hoogêea rredutível e aperódca. as probabldades l sepre exste e são () depedetes das probabldades cas.. Ua das duas stuações se verfca. todos os estados são trasetes ou todos os estados são recorretes ulos, casos e ue para todo e ão exste ua dstrbução estacoára. { } todos os estados são recorretes ão ulos, caso e ue > para todo e exste ua dstrbução estacoára e M OBS.: e ua cadea fta, a stuação. é a úca possível Vetor de probabldade o passo Estado cal correspode ao passo : Estados Segutes: Trasete,,, () () () P P P P P () () () () P P ( ) () Trasete para Estacoáro P P ( ) () l l P ( ) P 5 p No caso., Coseüêca do Teorea 6 sto é, uado todos os estados são recorretes ão ulos caso e ue > para todo e exste ua dstrbução estacoára e te-se ue os são uvocaete deterados por eo das segutes euações p M

10 Coseüêca do Teorea N (): úero de vstas ao estado até o state N P l : freüêca co ue o processo vsta o estado Ergodcdade U estado é dto ergódgo uado é, ao eso tepo, aperódco γ recorrete ão ulo f M < Quado todos os estados de ua cadea são ergódgos etão a cadea é dta ergódga 7 8 Pelo Teorea Ergodcdade E ua Cadea de Marov hoogêea rredutível e aperódca. as probabldades l sepre exste e são depedetes das probabldades cas { ()}.. Ua das duas stuação é verdadera..... todos os estados são recorretes ão ulos, caso e ue > para todo e exste ua dstrbução estacoára É possível ostrar ue, se ua cadea é ergódga, ela é rredutível e, e sedo hoogêea, vale a stuação. Logo l sepre exste e é depedete de () { } Ergodcdade Lebrado da prera coseüêca do Teorea : No caso. (sto é, todos os estados são recorretes ão ulos, caso e ue > para todo e exste ua dstrbução estacoára ) te-se ue os são uvocaete deterados por eo das segutes euações p logo, se a cadea é ergódga, os são uvocaete deterados por eo dessas euações É possível ostrar ue o setdo verso tabé é verdadero, sto é Se a solução do sstea de euações exstr e for ão ula, etão a cadea é ergódga Ou sea: te-se coo codção sufcete para ergodcdade a exstêca de ua solução úca do sstea de euações aca 9

11 Matrz de Probabldades Matrz de Probabldades P p P p Teorea p / / P / / / / P [,,, ] Teorea p / / P / / / / [,,, ] p + p + p + + p + p + p + + p + p + p + + Solução o Eulíbro P, 5 7,8 5,5 5 Dstrbução geoétrca Cosdere experetos de Beroull depedetes, cada u co probabldade de êxto p x v.a. Ge(p) represetado o úero de tetatvas até cosegur o prero êxto X { } P x X p p X,,... Fução de dstrbução: X F ( X ) p p x

12 Tepo de Peraêca e u Estado Cadea de Marov de Tepo Dscreto Cosdere ue o sstea acabou de etrar o estado E Ele peraecerá esse estado o próxo passo co probabldade p ; logo, ele dexará esse estado co probabldade p. Se ele de fato peraecer o estado E o próxo passo, o passo segute ele voltará a ter probabldade p de peraecer esse estado e, de aera dêtca, probabldade p de dexá-lo. Pela propredade arovaa, o fato de o sstea ter peraecdo esse estado por u úero ualuer de passos ão terfere a probabldade de ue ele veha a dexar esse estado o próxo passo. [ peraêca e E por as passos acabou de etrar e E ] ( ) P p p Dstrbução Geoétrca: úca dstrbução dscreta se eóra Cadeas de Marov de Tepo Dscreto CMTD Hoogêeas: probabldade de trasção ão depede e da seüêca de estados e e dos passos [ ] p P X X CMTD Não Hoogêeas: probabldade de trasção ão depede da seüêca de estados as depede do úero de passos dados [ ] p, P X X, 5 6 Estado CMTDs Não Hoogêeas [ ] Passo p, P X X, E algu passo teredáro o sstea passou por u estado E passar pelos dferetes estados teredáros são evetos utuaete exclusvos p, P X, X X, CMTDs Não Hoogêeas p, P X, X X, p (, ) P X, X, X P X [ ] P X, X, X P X, X P[ X ] P X, X P X, X P X, X, X P[ X ] P X, X p (, ) P X X P X X, X 7 8

13 CMTDs Não Hoogêeas [ ] p, P X X, Váldo para ualuer cadea (eso as ue ão são arovaas) 9 p (, ) P X X P X X, X Propredade arovaa: P X X, X P X X p (, ) Logo: p (, ) p, p,, Euação de Chapa-Kologorov Chapa-Kologorov p (, ) p, p,, 5 Ou sea: podeos partcoar a probabldade de se atgr o estado a partr do estado e ( ) ) passos a soa dos produtos das probabldades dos ( ) e ( ) passos, cosderado todos os estados teredáros ue pode ter sdo ocupados o state. Estado Passo Chapa-Kologorov Se a cadea é hoogêea [ + ] [ ] p P X X p (, ) P X X p ( ) Se a cadea é hoogêea e + p (, ) p (, ) p (, ), () p (, ) p, p p, p ( s) ( s ) 5 p p p (Resultado á obtdo aterorete) Chapa-Kologorov a Fora Matrcal p (, ) p, p,, ( + ) P p, P( ) P se a cadea for hoogêea 5 No caso da cadea hoogêea: Trasção de passos gera atrz P. No caso da cadea heterogêea: Defção: H(, ) p (, ) Note ue H(, + ) P e, o caso hoogêeo, H(, + ) P.

14 Chapa-Kologorov a Fora Matrcal p (, ) p, p,, Pode-se escolher ualuer state etre e. Vaos exeplfcar dos: (forward Chapa-Kologorov E.) + (bacward Chapa-Kologorov E.) Euações de Chapa-Kologorov (Fw e Bw) Forward: p (, ) p, p,, H(, ) H(, ) P( ) Bacward: p (, ) p, + p +,, H(, ) P H( +, ) Por substtução: H(, ) P P( + ) P( ) 5 5

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

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

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina:

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Deartameto de Iformátca Dscla: do Desemeho de Sstemas de Comutação Processos de ascmeto e Morte Prof. Sérgo Colcher colcher@f.uc-ro.br Processos de ascmeto e Morte CMTC Homogêea a ual trasções acotecem

Leia mais

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole Teora da Correlação: Probleas relatvos à correlação são aqueles que procura estabelecer quão be ua relação lear ou de outra espéce descreve ou eplca a relação etre duas varáves. Se todos os valores as

Leia mais

3- Autovalores e Autovetores.

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

Leia mais

Programação Paralela

Programação Paralela rograação aralela FEU 4. Avalação de steas aralelos Defções Razão etre a velocdade de processaeto coseguda o sstea paralelo e a velocdade coseguda co u processador (pouca foração...) Efcêca Quocete do

Leia mais

CAPÍTULO III. Aproximação de funções pelo método dos Mínimos Quadrados

CAPÍTULO III. Aproximação de funções pelo método dos Mínimos Quadrados Métodos Nuércos CAPÍULO III C. Balsa & A. Satos Aproxação de fuções pelo étodo dos Míos Quadrados. Algus cocetos fudaetas de Álgebra Lear Relebraos esta secção algus cocetos portates da álgebra Lear que

Leia mais

PROCESSOS ESTOCÁSTICOS

PROCESSOS ESTOCÁSTICOS UIVERIDADE FEDERAL DO RIO GRADE DO ORE CERO DE CIÊCIA EXAA E DA ERRA DEARAEO DE EAÍICA DICILIA: E ROCEO EOCÁICO ROCEO EOCÁICO ª EAA ROFEOR: FERADO CÉAR DE IRADA AAL/R EADO ABORVEE Defção. Um estado de

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

CAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES

CAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES CAPÍTULO VIII DIFERENCIAIS DE ORDEM SUPERIOR FÓRMULA DE TAYLOR E APLICAÇÕES. Dferecas de orde superor Tratareos apeas o caso das fuções de A R e R sedo que o caso geral das fuções de A R e R se obté a

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

Como primeiro exemplo de uma relação de recorrência, consideremos a seguinte situação:

Como primeiro exemplo de uma relação de recorrência, consideremos a seguinte situação: Relações de Recorrêcas - Notas de aula de CAP Prof. José Carlos Becceer. Ao 6. Ua Relação de Recorrêca ou Equação de Recorrêca defe ua fução por eo de ua epressão que clu ua ou as stâcas (eores) dela esa.

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

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

1. Revisão Matemática

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

Leia mais

Prof. Alvaro Vannucci

Prof. Alvaro Vannucci Pro. Alvaro Vaucc Lebreos o roblea dos sucessvos deslocaetos aleatóros rado - DRUNK - walk Cosderaos cada deslocaeto asso dado ela essoa coo tedo sere o eso coreto L. Chaaos de a robabldade de asso ara

Leia mais

CAPÍTULO III MÉTODOS DE RUNGE-KUTTA

CAPÍTULO III MÉTODOS DE RUNGE-KUTTA PMR 40 Mecâca Coputacoal CAPÍTULO III MÉTODOS DE RUNGE-KUTTA São étodos de passo sples requere apeas dervadas de prera orde e pode forecer aproxações precsas co erros de trucaeto da orde de, 3, 4, etc.

Leia mais

Centro de massa Dinâmica do corpo rígido

Centro de massa Dinâmica do corpo rígido Cetro de assa Dâca do corpo rígdo Nota: As fotografas assaladas co () fora retradas do lvro () A. Bello, C. Portela e H. Caldera Rtos e Mudaça, Porto edtora. As restates são retradas de Sears e Zeasky

Leia mais

SUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Diego Veloso Uchôa

SUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Diego Veloso Uchôa Nível Avaçado SUBSTITUIÇÕES ENVOLVENDO NÚMEROS COMPLEXOS Dego Veloso Uchôa É bastate útl e probleas de olpíada ode teos gualdades ou quereos ecotrar u valor de u soatóro fazeros substtuções por úeros coplexos

Leia mais

Centro de massa Dinâmica do corpo rígido

Centro de massa Dinâmica do corpo rígido Cetro de assa Dâca do corpo rígdo Nota: As fotografas assaladas co () fora retradas do lvro () A. Bello, C. Portela e H. Caldera Rtos e Mudaça, Porto edtora. As restates são retradas de Sears e Zeasky

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

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. val@at.ufrgs.br http://.at.ufrgs.br/~val/ Estatístca: ua defção Coleção de úeros estatístcas O úero de carros veddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%. As ações

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

QUESTÕES DISCURSIVAS Módulo

QUESTÕES DISCURSIVAS Módulo QUESTÕES DISCURSIVAS Módulo 0 009 D (FUVEST-SP 008 A fgura ao lado represeta o úero + o plao coplexo, sedo a udade agára Nessas codções, a detere as partes real e agára de e b represete e a fgura a segur

Leia mais

1- Resolução de Sistemas Lineares.

1- Resolução de Sistemas Lineares. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Resolução de Sstes Leres..- Mtrzes e Vetores..2- Resolução de Sstes Leres de Equções Algébrcs por Métodos Extos (Dretos)..3- Resolução de Sstes Leres

Leia mais

A ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões.

A ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões. .pucrs.br/faat/val/.at.ufrgs.br/~val/ Prof. Lorí Val, Dr. val@at.ufrgs.br val@pucrs.br Coleção de úeros estatístcas O úe ro de carros ve ddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%.

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

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. val@pucrs.br http://.pucrs.br/faat/val/ Estatístca: ua defção Coleção de úeros estatístcas O úero de carros veddos auetou e 30%. o país A taa de deseprego atge, este ês, 7,%. As ações

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

INTRODUÇÃO À PROBABILIDADE E ALGUNS RESULTADOS IMPORTANTES

INTRODUÇÃO À PROBABILIDADE E ALGUNS RESULTADOS IMPORTANTES Uversdade do Estado do Ro de Jaero UERJ Isttuto de Mateátca e Estatístca - IME Cursos: Estatístca e Atuára Dscpla: Tecologa da Aostrage I Professor: Marcelo Rubes ITRODUÇÃO À PROBABILIDADE E ALGUS RESULTADOS

Leia mais

6. Inferência para Duas Populações USP-ICMC-SME 2013

6. Inferência para Duas Populações USP-ICMC-SME 2013 6. Iferêca ara Duas Poulações UP-ICMC-ME 3 8.. Poulações deedetes co dstrbução oral Poulação Poulação,,,, ~ N, ~ N, ~ N, Obs. e a dstrbução de e/ou ão for oral, os resultados são váldos aroxadaete. Testes

Leia mais

A ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões.

A ciência de coletar, organizar, apresentar, analisar e interpretar dados numéricos com o objetivo de tomar melhores decisões. Prof. Lorí Val, Dr. val@at.ufrgs.br http://.at.ufrgs.br/~val/ Coleção de úeros estatístcas stcas O úero de carros veddos o país auetou e 30%. A taa de deseprego atge, este ês, 7,%. As ações a da Telebrás

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

AULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância.

AULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância. Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas

Leia mais

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering) 7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve

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

5. Métricas para Definição de Níveis de Homogeneidade e Heterogeneidade em Sistemas Computacionais Distribuídos

5. Métricas para Definição de Níveis de Homogeneidade e Heterogeneidade em Sistemas Computacionais Distribuídos étrcas para Defção de Níves de Hoogeedade e Heterogeedade e steas Coputacoas Dstrbuídos 5. étrcas para Defção de Níves de Hoogeedade e Heterogeedade e steas Coputacoas Dstrbuídos A heterogeedade dos recursos

Leia mais

SOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINITAS-JM Balthazar- Maio Resolvendo um Problema de Condução de Calor

SOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINITAS-JM Balthazar- Maio Resolvendo um Problema de Condução de Calor SOLUÇÃO DE EQUAÇÕES DIFERENCIAIS POR DIFERENÇAS FINIAS-JM Balthazar- Mao 3 Resolvedo u Problea de Codução de Calor Para troduzr o étodo das dfereças ftas de ua fora prátca vaos cosderar u problea de codução

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

INFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES

INFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES INFERÊNCIA ESTATÍSTICA PARA DUAS POPULAÇÕES . Populações depedetes co dstrbução oral População População,, Y,,Y ~ N, Y ~ N, Y ~ N, Obs. Se a dstrbução de e/ou Y ão for oral, os resultados são váldos aproxadaete.

Leia mais

Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade

Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade Celso Albo FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhaguee, Av. de Moçambque, km, Tel: +258 240078, Fax: +258 240082, Maputo Cursos de Lcecatura em Eso de Matemátca

Leia mais

8. INFERÊNCIA PARA DUAS POPULAÇÕES

8. INFERÊNCIA PARA DUAS POPULAÇÕES 8 INFERÊNCIA PARA UA POPULAÇÕE 8 Populações depedetes co dstrbução oral População População, L, Y, L,Y ~ N, σ Y ~ N, σ σ σ Y ~ N, Obs e a dstrbução de e/ou Y ão for oral, os resultados são váldos aproxadaete

Leia mais

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

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

Leia mais

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

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

(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

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

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

Projeto e Análise de Algoritmos Aula 2: Função de Complexidade Notação Assintótica (GPV 0.3)

Projeto e Análise de Algoritmos Aula 2: Função de Complexidade Notação Assintótica (GPV 0.3) Projeto e Aálise de Algoritos Aula 2: Fução de Coplexidade Notação Assitótica (GPV 0.3) DECOM/UFOP 202/2 5º. Período Aderso Aleida Ferreira Material desevolvido por Adréa Iabrudi Tavares BCC 24/202-2 BCC

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

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

Introdução à Decomposição de Dantzig Wolfe

Introdução à Decomposição de Dantzig Wolfe Itrodução à Deoposção de Datzg Wolfe PNV-5765 Probleas de Prograação Mateáta Aplados ao Plaeaeto de Ssteas de Trasportes Maríto Prof. Dr. Adré Bergste Medes Bblografa Utlzada WILLIAMS, H.P. The forulato

Leia mais

Medidas de Tendência Central

Medidas de Tendência Central Meddas de Tedêca Cetral Meddas de tedêca cetral dã valr d pt e tr d qual s dads se dstrbue. Ex: Méda Artétca, edaa e a da. Pdes calcular essas eddas para dads: 1. ã agrupads; 2. agrupads se tervals de

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

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

Leia mais

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Índice Geral de Cursos (IGC)

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Índice Geral de Cursos (IGC) Isttuto Nacoal de Estudos e Pesqusas Educacoas Aíso exera INEP stéro da Educação EC Ídce Geral de Cursos (IGC) O Ídce Geral de Cursos (IGC) é ua éda poderada dos cocetos dos cursos de graduação e pós-graduação

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

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Medida de Probabilidade

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Medida de Probabilidade Departaento de Inforátca Dscplna: do Desepenho de Ssteas de Coputação Medda de Probabldade Prof. Sérgo Colcher colcher@nf.puc-ro.br Teora da Probabldade Modelo ateátco que perte estudar, de fora abstrata,

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

Cálculo Numérico Interpolação Polinomial Ajuste de Curvas (Parte II)

Cálculo Numérico Interpolação Polinomial Ajuste de Curvas (Parte II) Cálulo Nuéro Iterpolação Poloal Ajuste de Curvas (Parte II) Pro Jore Cavalat joreavalat@uvasedubr MATERIAL ADAPTADO DOS SLIDES DA DISCIPLINA CÁLCULO NUMÉRICO DA UFCG - wwwdsuedubr/~u/ Ajuste de Curvas

Leia mais

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

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

Leia mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto

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

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

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

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

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

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e

Leia mais

5 Aplicação do GFMM no BEM

5 Aplicação do GFMM no BEM 38 5 Apação do GFMM o BEM esse apítuo os desevovmetos apresetados o apítuo 4 são apados ao BEM pea expasão das souções fudametas utzadas as tegrações sobre os segmetos do otoro. É apresetada a formuação

Leia mais

2- Resolução de Sistemas Não-lineares.

2- Resolução de Sistemas Não-lineares. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Resolução de Sisteas Não-lieares..- Método de Newto..- Método da Iteração. 3.3- Método do Gradiete. - Sisteas Não Lieares de Equações Cosidere u

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

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

5 Cálculo Diferencial em IR n

5 Cálculo Diferencial em IR n 5 Cálculo Derecal e IR Irodução Cosdereos a órula que os dá a área de u raulo: b h A b h Coo podeos vercar a área de u râulo depede de duas varáves: base b e alura h. Podeos caracerar esa ução coo sedo

Leia mais

Atividades relacionadas à ManjarBrancoG

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

Leia mais

6 Formulação probabilística para problemas de acoplamento fluido mecânico

6 Formulação probabilística para problemas de acoplamento fluido mecânico 6 Forulação probablístca para probleas de acoplaeto ludo ecâco 6.. Itrodução Nesse capítulo do trabalho apreseta-se a orulação probablístca para probleas de acoplaeto ludo ecâco. Nu prero oeto são descrtos

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

Os Fundamentos da Física (8 a edição)

Os Fundamentos da Física (8 a edição) TEM ESPEI ENTRO DE MSS 1 Os Fudaetos da Físca (8 a edção) R MHO, N IOU E T OEDO Tea especal ENTRO DE MSS 1. etro de gradade e cetro de assa, 1. Propredade da cocetração de assas,. Propredade de setra,

Leia mais

6. Medidas de assimetria e curtose

6. Medidas de assimetria e curtose 6. Meddas de assetra e curtose 0 6.. Meddas de assetra Ua varável aleatóra cotíua X te dstrbução sétrca (syetrc) e relação a u valor 0 se f( 0 a) f( 0 + a), para todo a. Dstrbuções sétrcas: f() 0.00 0.05

Leia mais

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo. Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte

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

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA CADERNOS DE MATEMÁTICA E ESTATÍSTICA SÉRIE B: TRABALHO DE APOIO DIDÁTICO

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA CADERNOS DE MATEMÁTICA E ESTATÍSTICA SÉRIE B: TRABALHO DE APOIO DIDÁTICO UVERDADE FEDERAL DO RO GRADE DO UL UO DE AEÁCA CADERO DE AEÁCA E EAÍCA ÉRE B: RABALHO DE APOO DDÁCO AORAGE Elsa Crsta de udstock ÉRE B, º 53 Porto Alegre, agosto de 006. Aostrage ÍDCE. AORAGE EÁCA... 4.

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

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

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

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

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

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

Leia mais

Matrizes e Polinômios

Matrizes e Polinômios Matrizes e oliôios Duas atrizes A, B Mat R) são seelhates quado existe ua atriz ivertível Mat R) tal que B = A Matrizes seelhates possue o eso poliôio característico, já que: det A λ ) = det A λ ) ) =

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

Problema de transporte

Problema de transporte Departaeto de Egeharia de Produção UFPR 38 Problea de trasporte Visa iiizar o custo total do trasporte ecessário para abastecer cetros cosuidores (destios) a partir de cetros forecedores (origes) a1, a2,...,

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

XXIX OLIMPÍADA BRASILEIRA DE MATEMÁTICA PRIMEIRA FASE NÍVEL 3 (Ensino Médio) GABARITO

XXIX OLIMPÍADA BRASILEIRA DE MATEMÁTICA PRIMEIRA FASE NÍVEL 3 (Ensino Médio) GABARITO XXIX OLIMPÍADA BRASILEIRA DE MATEMÁTICA PRIMEIRA FASE NÍVEL (Esio Médio) GABARITO GABARITO NÍVEL ) A ) C ) B ) A ) E ) C ) E ) D ) E ) D ) A ) E ) B ) D ) B ) A ) E ) E ) B ) Aulada ) A 0) D ) A 0) B )

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

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

VOLUME Considerando a transformação isocórica: p T. = com T em Kelvin. T 1. N p = K. = 1, N/m 2. Logo, p 2.

VOLUME Considerando a transformação isocórica: p T. = com T em Kelvin. T 1. N p = K. = 1, N/m 2. Logo, p 2. Físca III Aual OLUME AULAS E : GASES ERFEIOS EXERCÍCIOS ROOSOS Cosderado a trasoração socórca: co e Kelv 5 N 7, ( 7 + 7) K ( 7 + 7) K Logo,,8 5 N/ Esse roblea ode ser resolvdo aalsado-se o úero de oléculas

Leia mais

Operadores Lineares e Matrizes

Operadores Lineares e Matrizes Operadores Lieares e Matrizes Ua Distição Fudaetal e Álgebra Liear Prof Carlos R Paiva Operadores Lieares e Matrizes Coeceos por apresetar a defiição de operador liear etre dois espaços lieares (ou vectoriais)

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 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

? 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

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