Forecasting e ti O i Otim Oti ização de ã d Carteiras com Matlab AULA 3
|
|
- Jerónimo Soares Anjos
- 7 Há anos
- Visualizações:
Transcrição
1 Forecasting e Otimização i de Carteiras com Matlab AULA 3
2 Guia de Estudo para Aula 03 Modelos Discretos Exercícios - Formulação de um modelo - Programação de modelos com for - A simulação de um modelo - Formas de apresentação do modelo - Simulação de modelos discretos Objetivos da Aula - Aprender function - Simular modelos discretos - uso de variáveis globais. - uso de modelos estocásticos. 2
3 Criar e salvar um programa em Matlab onde está a função. Programar o algoritmo principal do problema. Ligar o principal com a function usando type function Programa Principal 3
4 Function nome_da_function (parâmentro1,...,parâmetron) nome_da_function=...calculo da função... 4
5 A function do problema Nome no início obrigatório Nome da função e parâmetros de entrada Mesmo nome da função 5
6 Programa Principal Indicação do lin do programa com a function f Chamada da função para o cálculo 6
7 O que é uma Simulação? Em sistemas Dinâmicos é a resolução de dx dt x ( t ) = f (, t x) = x 0 0 7
8 A Diferenciabilidade e a Previsão de Eventos Futuros x PONTO DE TANGÊNCIA x dx dt TEMPO (t) 8
9 Sistemas Discretos Aproxima-se um sistema contínuo dx = f (, t x) dt x( t ) = x 0 0 Pelo sistema discreto dx dt = t 0 Lim x t = f (t, x) x = t f (t, x) x t + 1 x t + 1 = f (t, x ) Supondo tempo discreto de 1 unidade x + 1 x f (t, x ) x + 1 = x + f (t, x ) = 9
10 Problema Exemplo Simular o seguinte modelo no Matlab (usando function) x + 1 = x 0.1x 2 Com as condições iniciais: t(0) = 0 x(0) () = 1 tempo final = 15 10
11 A function do problema Modelo entra aqui na function 11
12 Programa Principal Chamada da function 12
13 Resultado da simulação 13
14 Método de Newton-Raphson Determina as raízes de um polinômio da seguinte forma: x + 1 = x f f ( x '( x ) ) Onde f() é o polinômio e f () a derivada. 14
15 Problema 2 Encontrar as raízes do polinômio abaixo no Matlab (usando function), pelo método de Newton: 2 f ( x ) = x 5 x
16 Algoritmo 1- ht chutar a semente x 0. 2-chamar a function da função f(x). 3-chamar a function da derivada d f (x). 4- calcular lar o novo o x calcular a diferença entre o novo x eantigox fazer o antigo x igual ao novo. 16
17 Arquivo ff.m f ( x ) 2 = x 5x + 6 Arquivo ffl.m f ' ( x ) = 2x 5 17
18 Programa Principal Chute inicial 18
19 Com x0 = 0... Com x0 =
20 Função do Matlab fsolve() Encontra as raízes de um polinômio pelo método de Newton. A sintaxe é: O chama a function ff.m Chute inicial 20
21 Dois chutes diferentes x(0) = 0 x(0) = 10 21
22 Problema 3 Simular o seguinte modelo no Matlab (usando function) x + 1 = 5sen(0.1x ) e x Com as condições iniciais: t(0) = 0 x(0) () = 1 tempo final = 15 22
23 A function do problema 23
24 Programa Principal 24
25 Resultado da simulação 25
26 Simulando Modelos de ordem superiores Modelo x y = x = 10 2x + 0.5y x(0) = 2.5 y(0) = y 26
27 A function do sistema É vetor de variáveis do modelo 27
28 Programa Principal Comando para gerar nova janela de figura 28
29 Subplot(211) Subplot(212) Figure 2 29
30 Problema 4 x + 1 = 0.4x y + 1 = 0.4x x(0) = 2.5 y(0) = y 30
31 A function do sistema 31
32 Resultado da simulação 32
33 A estocasticidade entra em cena O matlab possui geradores de números aleatórios conforme a distribuição de probabilidade desejada. Distribuição i i Uniforme : rand Distribuição Gaussiana : randn Faz-se necessário antes a busca de uma semente para geração de números aleatórios. Antes do uso das funções, gera-se a semente da seguinte forma: Uniforme: rand( seed, d sum(100*cloc)) Gaussiana: randn( seed, sum(100*cloc)) 33
34 Processos Estocásticos Sinal no tempo Estatística tí ti (variável aleatória) 34
35 Busca da semente 35
36 A incerteza no modelo x y = 0.4x + w = 0.4x 0.5y x(0) = 2.5 y(0) = 15 Onde w ~N(0,0.4 2 ) Incerteza! 36
37 A function modificada Desvio-padrão dã Ruído branco gaussiano 37
38 O resultado 38
39 Variáveis Globais São Variáveis cujo valores são recebidos no programa principal, mas reconhecidos pelas subrotinas ou functions chamadas durante a execução. Comando é Global nome da variável 39
40 Um Modelo de terremoto para o mercado financeiro y(t) = A + B ( t t) c α + B C ( t c t ) ( t t) c α cos ( ω ln( t t) + φ) c Exemplo A = 20000; B = -6; C = 19; α = 1.33; ω = 20; φ = 5.9 t c =242 c 40
41 41
42 Usando Matlab Variáveis globais 42
43 Na Function As variáveis também são indicadas aqui 43
44 A realidade do Crash na Bovespa Dados reais da Bovespa- Ago/99 a Jun/00 Simulado 44
45 Caminho aleatório sem drift x = x + ε µ = 0 σ = desvio da série tamanho da série 45
46 Série histórica ( opções) PetrB28 Jan/ FUTURO U??????
47 Intervalo de Confiança Lim sup( x 1 ) = estimativa + z. σ. + 1 Limsup( x + 1 ) = estimativa z. σ. z : indica o nível de confiança da distribuição normal z = % de confiança z = 1, % de confiança z = % de confiança 47
48 Forecasting % 68%
49 Forecasting Banda de confiança 0.4 para um desvio padrão (68% de confiança)
50 Forecasting Banda de confiança para 1.96 desvio padrão (95% de confiança)
51 Comparação com valor real (verde) Deterioração da previsão Banda de confiança para 3 desvio padrão (99% de confiança) Tempo (minutos) 51
52 O Programa modelo superior inferior 52
53 Caminho aleatório com drift x = α + x + ε µ = α σ = desvio da série tamanho da série 53
54 O CASO BOVESPA REGIÃO DE INTERESSE 8 x BOVESPA Supor α =
55 Novo Intervalo de Confiança Lim sup( x 1) = x + z. σ. + 1) Limsup( x + 1 ) = x z. σ. Atenção: como existe drift ao invés da média (que é fixa), toma-se cada dado da iteração. 55
56 Cálculos errados do intervalo de confiança! 7 x x 104 Feito pela média Limsup( x z. σ. Lim sup( x 1 ) = xˆ z. σ. ) = xˆ Escolhendo o último dado (fixo) existe uma tendência que o intervalo não acompanha. 2 Limsup( x + 1 ) = x( n) + z. σ Limsup( x + 1 ) = x( n) z. σ. 56
57 Intervalo de confiança iterativo É necessário o cálculo do valores máximos e mínimos para cada valor em cada simulação para a construção do intervalo. 9 x =1 7 max(1),min(1) min(1)
58 Intervalo de confiança iterativo É necessário o cálculo do valores máximos e mínimos para cada valor em cada simulação para a construção do intervalo. 9 x 104 =2 max(2),min(2)
59 Intervalo de confiança iterativo É necessário o cálculo do valores máximos e mínimos para cada valor em cada simulação para a construção do intervalo. 9 x 104 =n max(n),min(n)
60 Borda dos Intervalos de confiança Após 20 iterações, a borda será: 4 9 x
61 Comparação com dados reais (bovespa) 8 x INTERVALO DE CONFIANÇA DE 99% DADOS REAIS
62 O PROGRAMA 62
63 63
Estatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
Leia maisModelagem e Análise de Sistemas - COS767
Modelagem e Análise de Sistemas - COS767 Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Geração de variáveis aleatórias: método da transformada inversa Simulação
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-1 Integração usando o método da rejeição Queremos calcular a integral Definimos um retângulo de altura H que contenha a
Leia maisSimulação com Modelos Teóricos de Probabilidade
Simulação com Modelos Teóricos de Probabilidade p. 1/21 Algumas distribuições teóricas apresentam certas características que permitem uma descrição correta de variáveis muito comuns em processos de simulação.
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 9 04/2014 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/42 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisLista de Exercícios de Métodos Numéricos
Lista de Exercícios de Métodos Numéricos 1 de outubro de 010 Para todos os algoritmos abaixo assumir n = 0, 1,, 3... Bisseção: Algoritmo:x n = a+b Se f(a) f(x n ) < 0 então b = x n senão a = x n Parada:
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisSistemas Aleatórios. Um sistema é aleatório quando seu estado futuro só pode ser conhecido. jogar uma moeda ou um dado. decaimento de uma partícula
Sistemas Aleatórios Um sistema é aleatório quando seu estado futuro só pode ser conhecido pela realização de uma experiência. jogar uma moeda ou um dado decaimento de uma partícula trajetória de uma partícula
Leia maisAula 6. Zeros reais de funções Parte 3
CÁLCULO NUMÉRICO Aula 6 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/48 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO FIXO: Uma das condições de convergência é que onde I é um intervalo
Leia maisRaízes de Equações métodos delimitados. qual o problema? equações não lineares/raízes
Raízes de Equações métodos delimitados Aula 5 (16/0/07) Métodos Numéricos Aplicados à Engenharia Licenciatura em Engenharia Alimentar Escola Superior Agrária de Coimbra qual o problema? Podemos calcular
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 6 Zeros reais de funções Parte 3 MÉTODO DE NEWTON RAPHSON Cálculo Numérico 3/47 CONSIDERAÇÕES INICIAS MÉTODO DO PONTO FIXO:
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia mais6.Elaboração de algoritmos...13
Índice de conteúdos Capítulo 1. Computação Científica...1 1.Definição...1 2.Modelo genérico...2 3.Modelo matemático...2 4.Tipos de modelos matemáticos...3 5.Modelação matemática...5 5.1.Definição (formulação)
Leia maisCálculo Numérico A - 2 semestre de 2006 Prof. Leonardo F. Guidi. 2 a Lista de Exercícios - Gabarito. 1) Seja a equação não linear x e x = 0.
Cálculo Numérico A - 2 semestre de 2006 Prof. Leonardo F. Guidi 2 a Lista de Exercícios - Gabarito 1) Seja a equação não linear x e x = 0. A solução é dada em termos da função W de Lambert, x = W 1) 0,
Leia maisMétodos Numéricos. Turma CI-202-X. Josiney de Souza.
Métodos Numéricos Turma CI-202-X Josiney de Souza josineys@inf.ufpr.br Agenda do Dia Aula 9 (30/09/15) Método de Ponto Fixo: Método de Newton- Raphson ou Método das Tangentes O que é Como é calculado Particularidades
Leia maisMétodos Numéricos - Notas de Aula
Métodos Numéricos - Notas de Aula Prof a Olga Regina Bellon Junho 2007 Zeros de equações transcendentes e Tipos de Métodos polinomiais São dois os tipos de métodos para se achar a(s) raízes de uma equação:
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Simulação de Sistemas Simulação é a técnica de solução de um problema pela análise de
Leia maisParte 1: Exercícios Teóricos
Cálculo Numérico SME0104 ICMC-USP Lista 5: Zero de Funções Lembrete (informação que vai estar disponível na prova) Método de Newton Método da Secante x k+1 = x k f(x k) f (x k ), x k+1 = x k J 1 F (x k
Leia maisLista 1 - Cálculo Numérico - Zeros de funções
Lista 1 - Cálculo Numérico - Zeros de funções 1.) De acordo com o teorema de Bolzano, se uma função contínua f(x) assume valores de sinais opostos nos pontos extremos do intervalo [a, b], isto é se f(a)
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisMÉTODOS NUMÉRICOS. ENGENHARIA ELECTRÓNICA INDUSTRIAL e de COMPUTADORES
UNIVERSIDADE DO MINHO MÉTODOS NUMÉRICOS ENGENHARIA ELECTRÓNICA INDUSTRIAL e de COMPUTADORES EXERCÍCIOS PRÁTICOS- 1 a parte Ano lectivo de 2004/2005 Exercícios práticos - CONUM Solução de uma equação não
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia maisExercícios sobre zeros de funções Aula 7
Exercícios sobre zeros de funções Aula 7 André L. R. Didier 1 6 de Maio de 2015 7/47 Introdução Todas as questões foram obtidas da 3 a edição do livro Métodos Numéricos de José Dias dos Santos e Zanoni
Leia maisIntrodução aos Métodos Numéricos
Introdução aos Métodos Numéricos Instituto de Computação UFF Departamento de Ciência da Computação Otton Teixeira da Silveira Filho Conteúdo Erros e Aproximações Numéricas Sistemas de Equações Lineares.
Leia maisEstatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS. Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais
Estatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Modelo Uniforme Contínuo Uma variável aleatória X tem distribuição
Leia maisAnálise de Dados em Astronomia. 4. Simulações de Monte Carlo
1 / 22 Análise de Dados em Astronomia 4. Simulações de Monte Carlo Laerte Sodré Jr. AGA0505, 1o. semestre 2019 2 / 22 introdução aula de hoje: o método de Monte Carlo 1 introdução 2 variáveis aleatórias
Leia maisMÉTODOS NUMÉRICOS. ENGENHARIA e GESTÃO INDUSTRIAL
UNIVERSIDADE DO MINHO MÉTODOS NUMÉRICOS ENGENHARIA e GESTÃO INDUSTRIAL EXERCÍCIOS PRÁTICOS Ano lectivo de 2005/2006 Métodos Numéricos - L.E.G.I. Exercícios práticos - CONUM Solução de uma equação não linear
Leia maisSME0300 Cálculo Numérico Aula 6
SME0300 Cálculo Numérico Aula 6 Maria Luísa Bambozzi de Oliveira marialuisa @ icmc. usp. br Sala: 3-241 Página: tidia-ae.usp.br 20 de agosto de 2015 Aula Passada Equações Não-Lineares: Determinar raiz
Leia maisSimulação MATLAB - Transmissão PCM em Banda Base e Diagrama de Olho. Testar o efeito de filtros sem ISI no espectro e na curva BERXE b /N 0.
Simulação MATLAB - Transmissão PCM em Banda Base e Diagrama de Olho Objetivos Simular a taxa de erro binário em função de E b /N 0 para diferentes modulações PCM e comparar com a teoria Testar o efeito
Leia mais, cosh (x) = ex + e x. , tanh (x) = ex e x 2
Exercícios Adicionais 1. Podemos definir as funções seno, cosseno e tangente hiperbólicos como: sinh (x) = ex e x, cosh (x) = ex + e x, tanh (x) = ex e x e x + e x Escreva três funções no Scilab que implementem
Leia maisPretende-se calcular uma aproximação para a menor raiz positiva da equação
1 Prete-se calcular uma aproimação para a menor raiz positiva da equação, pelos métodos de Newton-Raphson e ponto fio. a) Localize um intervalo que contenha a menor raiz positiva da equação dada Determinar
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisFísica Geral. Incertezas em Medidas Diretas
Física Geral Incertezas em Medidas Diretas Experimento Simples Medidas diretas: valores resultantes de medições de uma mesma grandeza, realizadas por um mesmo experimentador, com o mesmo instrumento de
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7: Intervalos de Confiança com uma amostra Leitura obrigatória: Devore, cap 7 ou Montgomery e Runger, cap 8 Chap 8-1 Objetivos Como inferir sobre um parâmetro da população,
Leia maisMétodos Numéricos Zeros Newton-Raphson e Secante. Professor Volmir Eugênio Wilhelm Professora Mariana Kleina
Métodos Numéricos Zeros Newton-Raphson e Secante Professor Volmir Eugênio Wilhelm Professora Mariana Kleina Método Newton Raphson 2 Método Newton-Raphson Dada uma função f( contínua num intervalo fechado
Leia maisCálculo Numérico Ponto Fixo
Cálculo Numérico Ponto Fixo Método do Ponto Fixo (MPF) Dada uma função f(x) contínua no intervalo [a,b] onde existe uma raiz única, f(x) = 0, é possível transformar tal equação em uma equação equivalente
Leia maisUma Introdução à Otimização sob Incerteza Aula 3
Uma Introdução à Otimização sob Incerteza Aula 3 Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento
Leia maisNeste capítulo estamos interessados em resolver numericamente a equação
CAPÍTULO1 EQUAÇÕES NÃO-LINEARES 1.1 Introdução Neste capítulo estamos interessados em resolver numericamente a equação f(x) = 0, onde f é uma função arbitrária. Quando escrevemos resolver numericamente,
Leia maisProf. MSc. David Roza José 1/28
1/28 Otimização Objetivos: Compreender porquê e onde surgem problemas de otimização na engenharia; Reconhecer a diferença entre otimização unidimensional e multidimensional; Distinguir entre ótimo local
Leia maisMétodos Estatísticos
Métodos Estatísticos 8 Inferência Estatística stica Estimação de Parâmetros Média Referencia: Estatística Aplicada às Ciências Sociais, Cap. 9 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 22. Estimação
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisAnálise dos Resultados da Simulação
Análise dos Resultados da Simulação Prof. Paulo José de Freitas Filho, Dr. Eng. Universidade Federal de Santa Catarina Dep. Informática e Estatística PerformanceLab freitas@inf.ufsc.br Tópicos Introdução
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 04/2014 Zeros reais de funções Parte 1 Objetivo Determinar valores aproximados para as soluções (raízes) de equações da
Leia maisMAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Zeros de Funções
MAP 2121 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Zeros de Funções 1: Mostre que a função f(x) = x 2 4x + cos x possui exatamente duas raízes: α 1 [0, 1.8] e α 2 [3, 5]. Considere as funções:
Leia maisCálculo Numérico. Aula 4 Zeros de Funções /04/2014. Prof. Rafael mesquita Adpt. por Prof. Guilherme Amorim
Cálculo Numérico Aula 4 Zeros de Funções 2014.1-09/04/2014 Prof. Rafael mesquita rgm@cin.ufpe.br Adpt. por Prof. Guilherme Amorim gbca@cin.ufpe.br Últimas aulas... Aritmética de máquina Erros Sistema de
Leia maisIntrodução à Física Computacional
7600017 Introdução à Física Computacional Terceiro Projeto (prazo até 30/04/17) Instruções Crie um diretório PROJ3 #usp em /home/public/fiscomp17/proj3 Proteja seu diretório para nao ser lido por g e o
Leia maisLista de exercícios de MAT / II
1 Lista de exercícios de MAT 271-26 / II 1. Converta os seguintes números da forma decimal para a forma binária:x 1 = 37; x 2 = 2347; x 3 =, 75; x 4 =(sua matrícula)/1; x 5 =, 1217 2. Converta os seguintes
Leia mais6 Simulação de Monte Carlo - Visão Geral
6 imulação de Monte Carlo - Visão Geral 6.1 Introdução Com a evolução da tecnologia, os métodos numéricos tornaram-se uma importante ferramenta na resolução de problemas nas diversas áreas de conhecimento,
Leia maisCCI-22 LISTA DE EXERCÍCIOS
CCI-22 LISTA DE EXERCÍCIOS Capítulos 1 e 2: 1) Considere floats com 4 dígitos decimais de mantissa e expoentes inteiros entre -5 e 5. Sejam X =,7237.1 4, Y =,2145.1-3, Z =,2585.1 1. Utilizando um acumulador
Leia mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisNOÇÕES RÁPIDAS DE ESTATÍSTICA E TRATAMENTO DE DADOS
NOÇÕES RÁPIDAS DE ESTATÍSTICA E TRATAMENTO DE DADOS Prof. Érica Polycarpo Bibliografia: Data reduction and error analysis for the physica sciences (Philip R. Bevington and D. Keith Robinson) A practical
Leia maisLista de Exercícios - V.A.s Discretas
Lista de Exercícios - V.A.s Discretas Renato Assunção - DCC, UFMG 207 Esta lista de exercícios visa ao aprendizado de algumas das características das principais distribuições de probabilidade discretas.
Leia mais3 Definições. 3.1 Processos Estocásticos e Processo de Wiener
25 3 Definições 3.1 Processos Estocásticos e Processo de Wiener Um processo estocástico corresponde a uma variável que evolui no decorrer do tempo de forma incerta ou aleatória. O preço de uma ação negociada
Leia maisSimulação Monte Carlo
Simulação Monte Carlo Nome do Prof. Fernando Saba Arbache Email do prof. fernando@arbache.com Definição Análise de risco faz parte da tomada de decisão Surgem constantemente incertezas, ambiguidades e
Leia maisTE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira
TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira Sumário 1. Como obter raízes reais de uma equação qualquer 2. Métodos iterativos para obtenção de raízes 1. Isolamento das raízes 2. Refinamento
Leia maisIntervalos de Confiança - Amostras Pequenas
Intervalos de Confiança - Amostras Pequenas Prof. Eduardo Bezerra CEFET/RJ 20 de Abril de 2018 (CEFET/RJ) Intervalos de Confiança - Amostras Pequenas 1 / 26 Roteiro 1 Distribuição t de Student 2 Funções
Leia maisResolução do Exame Tipo
Departamento de Matemática e Engenharias Análise e Computação Numérica Resolução do Exame Tipo 1. O computador IBM 3090 possuía um sistema de vírgula flutuante F F(16, 5, 65, 62) (em precisão simples),
Leia maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA 5 - Integração numérica (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda). Calcule as integrais a seguir pela regra
Leia maisOpções Reais. Modelagem do Ativo Básico. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos. IAG PUC-Rio
Opções Reais Modelagem do Ativo Básico Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio Processos Estocásticos Modelando Incerteza Processos Estocásticos A incerteza em um projeto pode ter mais do
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisQuarto projeto computacional (data de entrega: 05/06/17)
Quarto projeto computacional (data de entrega: 05/06/17) 1. Escreva um programa em MATLAB (ou na sua linguagem favorita) que implemente numericamente o modelo de neurônio integra-e-dispara com vazamento
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisIntrodução aos Métodos Numéricos
Introdução aos Métodos Numéricos Instituto de Computação UFF Departamento de Ciência da Computação Otton Teixeira da Silveira Filho Conteúdo temático Zeros de Função Conteúdo específico Métodos iterativos
Leia maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisAGA Análise de Dados em Astronomia I. 6. O Método da Máxima Verossimilhança- I
1 / 26 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 6. O Método da Máxima Verossimilhança- I Laerte Sodré Jr. 1o. semestre, 2019 introdução aula de hoje: 1 modelagem dos dados 2 a verossimilhança
Leia mais08/12/97 Luiz Feijó Jr.
Cálculo da Incerteza da medição guia prático A Medição A palavra medição tem múltiplos significados: pode ser o processo de quantificação pode ser o número resultante Resultado de uma medição Para um leigo:
Leia maisInstituto de Matemática - UFRGS - Mat Cálculo Numérico
Primeira Verificação Questão 1. (2. pt) Sendo x =.4334 e y = 156.41, encontre fl(x + y) em F L(B, p, L, U) com dígito guarda, onde B = 1, p = 5, L = 6, U = 7. Problema: Numa máquina digital onde as operações
Leia maisII. Funções de uma única variável
II. Funções de uma única variável 1 II.1. Conceitos básicos A otimização de de funções de de uma única variável consiste no no tipo mais elementar de de otimização. Importância: Tipo de problema encontrado
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisAnálise de Sensibilidade
Análise de Risco de Projetos Análise de Risco Prof. Luiz Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista a pensar em diversos futuros
Leia maisLista de exercícios de MAT / I
1 Lista de exercícios de MAT 271-29 / I 1. Converta os seguintes números da forma decimal para a forma binária:x 1 = 37; x 2 = 2347; x 3 =, 75; x 4 =(sua matrícula)/1; x 5 =, 1217 2. Converta os seguintes
Leia maisAna Paula. October 26, 2016
Raízes de Equações October 26, 2016 Sumário 1 Aula Anterior 2 Método da Secante 3 Convergência 4 Comparação entre os Métodos 5 Revisão Aula Anterior Aula Anterior Aula Anterior Aula Anterior Método de
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
Leia maisUniversidade Tecnológica Federal do Paraná
Cálculo Numérico - Zeros de Funções Prof a Dr a Diane Rizzotto Rossetto Universidade Tecnológica Federal do Paraná 13 de março de 2016 D.R.Rossetto Zeros de Funções 1/81 Problema Velocidade do pára-quedista
Leia maisLei de Faraday. Notas de aula: LabFlex:
Física Experimental III Notas de aula: www.fap.if.usp.br/~hbarbosa LabFlex: www.dfn.if.usp.br/curso/labflex Experiência 3, Aula 2 Lei de Faraday Prof. Henrique Barbosa hbarbosa@if.usp.br Ramal: 7070 Ed.
Leia maisTP062-Métodos Numéricos para Engenharia de Produção Zeros: Introdução
TP062-Métodos Numéricos para Engenharia de Produção Zeros: Introdução Prof. Volmir Wilhelm Curitiba, 2015 Os zeros de uma função são os valores de x que anulam esta função. Este podem ser Reais ou Complexos.
Leia maisFinanças Corporativas. Análise de Sensibilidade. Métodos de Avaliação de Risco. Motochoque Ltda. Análise de Risco
Finanças Corporativas Análise de Risco Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista
Leia maisEstatística e Probabilidade Aula 06 Distribuições de Probabilidades. Prof. Gabriel Bádue
Estatística e Probabilidade Aula 06 Distribuições de Probabilidades Prof. Gabriel Bádue Teoria A distribuição de Poisson é uma distribuição discreta de probabilidade, aplicável a ocorrências de um evento
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisRedes Complexas Aula 7
Redes Complexas Aula 7 Aula retrasada Lei de potência Distribuição Zeta Propriedades Distribuição Zipf Exemplo Wikipedia Aula de hoje Distribuição de Pareto Medindo lei de potência Estimando expoente Exemplos
Leia mais