TEM701 Termodinâmica dos Materiais

Tamanho: px
Começar a partir da página:

Download "TEM701 Termodinâmica dos Materiais"

Transcrição

1 Unversdade Federal do Paraná Setor de Tecnologa Departamento de Engenhara Mecânca TEM71 Termodnâmca dos Materas Segunda Le Interpretação estatístca da entropa Prof. Rodrgo Perto Cardoso

2 Onde estamos Introdução hstórca. Les da Termodnâmca. Potencas Termodnâmcos. Concetos de Termodnâmca estatístca. Termodnâmca de sóldos. Termodnâmca de transformação de fase. Termodnâmca químca. Dagramas de fases. Cnétca de transformações

3 Defnção de Boltzmann A entropa, apesar de ser uma das propredades termodnâmcas mas mportantes, é uma das menos entendda. Precsamos entende-la fscamente para que dexe de ser apenas uma defnção Apesar de sua grande mportânca podemos entende-la com matemátca bastante smples

4 Defnção de Boltzmann Boltzmann propôs a exstênca de uma relação entre entropa em um dado estado e a probabldade de exstênca deste estado Planck escreveu a proposção de Boltzmann matematcamente Entropa S k lnw cte Constante de Boltzmann Probabldade de um estado

5 Defnção de Boltzmann Para obter W precsamos saber algo sobre a dstrbução de átomos/moléculas do sstema Assm, saremos temporaramente da termodnâmca clássca e ntroduzremos concetos de termodnâmca estatístca Em prncípo podemos calcular as propredades de um sstema somando a contrbução de cada molécula do sstema em um dado momento Como o número de átomos/moléculas de um sstema é muto grande, aplca-se a estatístca

6 Concetos elementares de estatístca Para entendermos entropa em termos de probabldade precsamos de alguns concetos báscos de estatístca Incaremos por um exemplo: Consdere 8 objetos numerados de 1 a 8 e 4 caxas e responda: de quantas maneras dferente estes objetos podem ser organzados nas caxas, consderando que cada caxa é grande o sufcente para conter todos os objetos?

7 Concetos elementares de estatístca O objeto 1 pode ser organzado em qualquer das caxa (4 possbldades), de manera smlar para o objeto dos (4 possbldades) e assm por dante Eventos ndependentes (caxa grande o sufcente) O Resultado do total número de possbldades de organzar as bolas em 4 baxas é n1 8

8 Concetos elementares de estatístca Se os objetos são dstrbuídos aleatoramente cada um dos 4 8 estados tem a mesma probabldade de ocorrênca Mesma probabldade de encontras todas as bolas na caxa 1, 2, 3 ou 4. Que é a mesma probabldade de qualquer outra confguração(estado) probabldade

9 Concetos elementares de estatístca Em crstas podemos dferencas os tpos de átomos (ex. Au, Cu), entretanto não podemos dentfcar 1 átomo de Au entre os demas átomos de Au Trazendo para o ex., na realdade não estaremos nteressados em saber que bolar estará em qual caxa, mas sm o número de bolas de um dado tpo por caxa Para lustrar, vamos calcular o número possbldade de encontrar 2 bolas por caxa (estado estatístco) Precsamos calcular quantas possbldades temos de combnar 2 de 8 objetos na caxa 1, 2 dos 6 objetos restantes na caxa 2 e 2 dos 4 restantes na caxa 3.

10 Concetos elementares de estatístca 1º passo: calcular o numero de maneras de pegar 2 objetos de 8 para a caxa 1. O número de combnações de N objetos pegos em n W C n!( N N! 8! 87 C 8 2 2! 6! 2 Para a segunda, tercera e quarta caxa teremos N n n)! 28 6! 65 4! 43 2! C2 15 4C2 6 2C2 1 2! 4! 2 2! 2! 2 2!! 6

11 Concetos elementares de estatístca Assm o número de manera de arranjas 2 objetos em cada caxa é: W N!! n 8C26 C24 C22 C2!!! 2! 4 n1 n2 3 n4 8! 252 Agora podemos responde a segunte pergunta: Se os objetos são colocadas de manera aleatóra nas caxas, qual a probabldade de obter o estado estatístco com 2 bolas por caxa? Como temos 252 possbldade deste estado e 4 8 possbldades de dstrbur aleatoramente as bolas nas caxa, a probabldade do estado é: p ,385 Este estado calculado é o que apresenta maor probabldade de ocorrênca se comparado a todos os outros estados estatístcos

12 Concetos elementares de estatístca O estado de maor probabldade (maor W) será aquele onde os objetos estão dstrbuídos de manera unforme -> este será o estado com maor ocorrênca e o mas provável De S k lnw podemos dzer que o estado mas provável apresenta maor entropa (como era de se esperar) Logo, se o sstema va de um dado estado para outro de maor W (mas provável), sua entropa aumenta -> este processo é ntutvamente espontâneo e está de acordo com a 2ª le

13 Concetos elementares de estatístca Retomando o calculo de entropa, precsamos calcular lnw -> ln de um fatoral. Para sto é convenente aplcarmos a aproxmação de Strlng, válda para valores grandes de N (normalmente válda para nosso caso mutos átomos) ln N! N ln N N

14 Concetos elementares de estatístca Consderemos então um volume molar de crstal (1mol) com N posções na rede crstalna Vamos calcular a varação de entropa assocada à mstura randômca de n átomos do tpo B com (N -n) átomos do tpo A em N posções da rede Na forma de reação: (N -n)a + nb = Solução((N -n)a,nb) Esta varação de entropa é conhecda como entropa de mstura (S m ) S m = S A,B - S A - S B

15 Concetos elementares de estatístca De acordo com a equação de Boltzmann S m = S A,B - S A - S B =k(ln W A,B ln W A ln W B ) W A,B -> número de maneras de arranjar (N -n) átomos de A e n átomos de B em N posções da rede crstalna (N células com uma posção) W n 1! n 2 N! n!! n N 3 N! 1 n2 n3 nn Esta stuação não é realsta, pos não podemos dstngur todos os átomos, só podemos dstngur entre átomos tpo A e Tpo B (como era com as bolas) n! 1

16 Concetos elementares de estatístca Assm o valor aproprado de W será menor que N!, já que este valor leva em conta o número de manera que podemos arranjas os átomos de A e B em seus dferentes sítos O número de maneras de arranjar (N -n) átomos de A em (N -n) sítos e de arranjar n átomos de B em n sítos será, respectvamente (N -n)! e n! Assm, o número de maneras de msturar átomos ndstnguíves de A e B será reduzdo de um fator 1 ( N n)! n! W A, B ( N N! n)! n!

17 Concetos elementares de estatístca Generalzando -> Para um sstema com n A átomos de A, n B átomos de B, n C átomos de C,... W A, B, C,... n A N!! n! n B C! Para crstas puros com átomos ndstnguíves (1 tpo) só exste uma manera de arranjá-los W A W B 1 W A N! n! A na! n! A

18 Retomando Prof. Rodrgo Perto Cardoso Concetos elementares de estatístca S m = S A,B - S A S B =k (ln W A,B ln W A ln W B ), com W A, B ( N N! n)! n! W A W B 1 S m k ln ( N N! )!! n n

19 Concetos elementares de estatístca Aplcando a aproxmação de Strlng ln N! N ln N N S m k ln ( N N! n)! n! S m Será deduzda futuramente aplcando a termodnâmca clássca n n N n N k ln ln N N N S m R X A ln N N X X lnx X A e X B são a fração molar de A e B A B B n Sempre postvo

20 Concetos elementares de estatístca Podemos notar que a entropa está relaconada com a aleatoredade -> quanto maor a aleatoredade maor a entropa Veremos mas a frente que exste anda uma aleatoredade relaconada com a vbração dos átomos na célula (S ), quanto maor a aleatoredade assocada a posção do átomo (maor volume da célula) maor a entropa

21 Concetos elementares de estatístca Consdere que os átomos A e B do exemplo anteror tem tamanhos sgnfcatvamente dferente. A mstura de átomos tornara dfícl o empacotamento dos átomos em uma lnha Assm, além da entropa de mstura teremos também uma contrbução de S (vbraconal) -> dscutremos mas a frente

22

23 População de estados de energa Até o momento falamos somente de entropa da mstura Vamos tratar agora um exemplo dferente. Consdere um volume molar de um crstal puro -> os N átomos tem uma energa total E Todos os átomos não tem a mesma energa -> flutuação térmca

24 População de estados de energa Vamos consderar que alguns níves dscretos de energa exstem no crstal e cada átomo só pode assumr um destes níves Ou seja, um átomo pode exstr a E, E 1, E 2, etc, mas nunca com energa ntermedára -> Estados quantzados de energa Então a pergunta que surge é quantos átomos exstem em cada nível de energa?

25 População de estados de energa Poderíamos nocentemente pensar que o crstal tendera a mínma energa com todos os átomos em E, e energa total E = N E Mas este racocíno desconsdera a entropa Como os estados de energa podem ser dstngudos, podemos dstngur entre átomos em E e E 1... Se todos os átomos estvessem em E teríamos somente uma manera de msturálos, W=1 e S=

26 População de estados de energa O estado de equlíbro tende para um valor máxmo de S -> assm teríamos estados de maor energa ocupados Consdere os níves E,E 1,E 2,..., E r, com n, n 1, n 2,..., n r, átomos N! S k lnw S k ln n! n1! n2! n r! Da aproxmação de Strlng S k n ln N r n

27 População de estados de energa A energa total sera Se T e V são constantes E é constante e r E n E r de E dn Os níves de energa são ndependentes de n r dn S Para o equlíbro S deve ser máxmo, ds= k n ln N r n ds k r 1 ln n N dn

28 População de estados de energa O número total de átomos N r r n dn r n ds k ln dn N O máxmo depende de váras varáves (n ), conectadas por (restrções) r de E dn r dn

29 População de estados de energa Aplcando a técnca de Lagrange n ln 1 2E N n1 ln 1 2E1 N n2 ln 1 2E2 N 1 e 2 são constante, conhecdas como multplcadores de Lagrange

30 População de estados de energa Reorganzando Como n N n N exp( 1 )exp( 2E exp( ) exp( E ) exp( ) n N n ln 1 2E N 1 exp( exp( 2E ) exp( E 2 2E ) ) )

31 População de estados de energa Podemos agora calcular 2. Vamos magnar uma transferênca de dn átomos do nível E 1 para E 2 de manera reversível! De: A varação de entropa será: ln N n n k S r r dn dn N n N n k ds 2 1 ln ln

32 População de estados de energa Substtundo n 1 e n 2 de dn N n N n k ds 2 1 ln ln ) exp( ) exp( 2 2 E E N n dn E E k ds 1 2 2

33 População de estados de energa A varação de energa nterna de E2 E1 dn Com volume constante de DQ ds 2k E2 E1 dn ds 2kDQ

34 População de estados de energa Da segunda le para processos reversíves DQ ds T Por comparação ds 2kDQ 2 1 kt Atenção erro no lvro pg. 42

35 População de estados de energa Substtundo 2 1 kt n N em exp( 2E ) exp( E 2 ) Fração de átomos ocupando o estado de energa f n N E exp kt E exp kt

36 População de estados de energa O denomnar é conhecdo como função de partção (Z) E Z exp kt

37 População de estados de energa Aplcação (exemplo) A maora das reações em sóldos envolve uma energa de atvação -> ex. movmento de um átomo entre dos sítos (dfusão) -> passa por um estágo ntermedáro de maor energa (estado atvado)

38 População de estados de energa Aplcação (exemplo) A energa dos átomos na posção normal da rede é E 1. Como a dferença entre os níves de energa é pequeno, a função de partção pode ser expressa Z kt Para movmento dos átomos, não somente átomos com energa entre E 2 e E 2 +de vencerão a barrera mas sm todos com energa maor que E 2 (entre E 2 e ꝏ) E exp de kt

39 População de estados de energa Aplcação (exemplo) Assumndo a energa como contínua f E exp de kt f ( E) de E exp de kt E exp de kt E2 ( E E2) f ( E) de exp E E 2 exp de kt E2 kt

40 População de estados de energa Aplcação (exemplo) f De manera smlar E exp de kt E1 ( E E1) f ( E) de exp E E 1 exp de kt E1 kt Se o nível 1 é o de base, a fração de átomos exctados será * E f exp kt Energa de atvação

41 f Prof. Rodrgo Perto Cardoso População de estados de energa Na realdade Aplcação (exemplo) f * exp E kt não é rgorosamente correta, pos consdera que o número de estados de energa acessíves é ndependente da energa. Levando sso em conta e o concetos de entropa F2 F1 exp kt S exp k exp E kt exp F kt * F é a energa lvre A fração de átomos em estados de maor energa (reações) aumenta exponencalmente com a temperatura e deca com a energa de atvação

42 Capacdade térmca de sóldos Se um sóldo absorve calor, com volume constante sua temperatura aumenta, segundo a capacdade térmca a V cte (C V ) Mas... Porque dferentes substâncas apresentam dferentes valores de C e... porque C vara com a temperatura? Exstem prncpalmente dos mecansmos de absorção de energa em sóldos Vbração dos átomos Aumento da energa cnétca dos elétrons C V de dt V

43 Capacdade térmca de sóldos Em baxa temperatura, a componente relaconada à energa cnétca dos elétrons é pequena (relaconada aos elétrons na superfíce de Ferm) -> assm o prncpal mecansmo de absorção de energa sera por vração dos átomos (vbração da rede) Na realdade, C é zero para T=K, segue T 3 para baxas temperaturas e se aproxma de uma constante para temperaturas elevadas

44 Capacdade térmca de sóldos Vamos consderar um crstal como um sstema de átomos que vbram como oscladores harmôncos com frequênca v Cada osclador pode vbrar em três dreções de vbração (três graus de lberdade) Assm um sstema com N oscladores trdmensonas, correspondem a 3N oscladores lneares

45 Capacdade térmca de sóldos Da teora quântca, a energa de um osclador na frequênca v é Número ntero Constante de Planck E n 1/ 2hv de A capacdade térmca do crstal CV dt A energa méda de 3N oscladores é E 3 n E n é o numero de átomos no nível de energa E, expresso pelo fator de Boltzmann f n N V E exp kt E exp kt

46 Capacdade térmca de sóldos Reavalando Z Expandndo Z exp hv 2kT Ou na forma 1 Z n exp E exp E n 1/ 2hv kt exp hv kt n 1/ 2 kt exp hv 2hv kt Z exp hv 2kT 1 exp hv kt exp hv kt 2

47 Capacdade térmca de sóldos 1 Tem forma exp hv kt 2 1 x x exp hv kt 2 E esta soma nfnta vale Z exp hv 2kT 1 1 exp 1 1 x hv kt para x <1

48 Capacdade térmca de sóldos Podemos smplfcar o problema usando a relação entre a energa lvre de Helmholtz e a função partção F E TS Substtundo S k n ln N r n r E n E F n ln N r r n E kt n

49 Capacdade térmca de sóldos A relação entre n e E vem da equação de Boltzmann E Substtundo em kt ln F n N kt ln Z n N E exp kt Z n ln N r r n E kt n F kt ln Z

50 Capacdade térmca de sóldos F kt ln Z Desta relação podemos deduzr (em função de Z) S F T V S k ln Z kt Z Z T V como E F TS E kt Z 2 Z T V

51 Capacdade térmca de sóldos Fnalmente, para a consderação de oscladores harmôncos C V de dt V C V k hv kt 2 exphv/ kt exphv/ kt1 2 Ou para 1 mol (N ) com 3N oscladores x hv kt C V 3Rx 2 e x x e 1 2

52 Capacdade térmca de sóldos e x 2 CV 3Rx fo deduzda por Ensten x e 1 2 A varação de C V com T

53 Capacdade térmca de sóldos A concordânca entre os valores obtdos expermentalmente e os da função de Ensten são semquanttatvos Para T= C V é predto zero e para T elevado vale 3R Entretanto para temperaturas ntermedáras a concordânca não é satsfatóra Ensten reconheceu que o erro estava em consderar os oscladores na mesma frequênca

54 Capacdade térmca de sóldos Debye analsou o problema consderando que o crstal tem um espectro de frequêncas entre v 1 e v m.(m=maxmo) Com o aumento da temperatura a dstrbução de frequêncas se desloca para as maores frequêncas Fnalmente, a uma temperatura chamada temperatura de Debye () a função de Ensten volta a ser válda (todos oscladores a v m )

55 Capacdade térmca de sóldos A expressão obtda por Debye é C V y 3 36R y 9xR 3 x x y e 1 e 1 Apresenta boa concordânca com valores expermentas y Para baxa temperatura (x grande) C V k hv 3 78 T CT m 3 3 x hv kt hv m kt

56 Capacdade térmca de sóldos Para temperatura elevada (x << 1) C V 3R Com meddas expermentas podemos obter C e calcular a temperatura de Debye hv m k

57 Capacdade térmca de sóldos Na tabela abaxo são apresentados os valores da temperatura de Debye para algumas substâncas Mutos materas, à temperatura ambente, já se encontram acma de -> com mutos átomos a v m

58 Entropa Vbraconal Consderemos a contrbução da entropa vbraconal para temperaturas elevada (x<<1 -> maora das frequêncas próxmas a v m ) S k ln Z kt Z Z T V Z exp hv 2kT 1 1 exp hv kt Z pode ser expanddo em uma sére nfnta Z 2 1 ( hv/ 2kT) 1/ 2( hv/ 2kT) ( hv/ 2kT) 1/ 2( hv/ 2kT) 2 Para hv/kt<<1 Z kt hv

59 Entropa Vbraconal Consderemos a v ndependente de T kt S kln 1 hv Para 1 mol (3N oscladores) kt S 3Rln 1 hv Supondo uma varação de frequênca de v para v` v Se a varação de frequênca é S 3R ln negatva v >v` S é postvo v`

60 Entropa Vbraconal Consdera agora o caso de defetos na rede (mpurezas ou vacâncas) Uma frequênca vbraconal elevada está assocada com as forças elevadas (constante de mola) Defetos causam desordem, com efeto na vbração dos átomos nas proxmdades Normalmente levando a uma redução de frequênca e por consequênca a um aumento entropa relaconado ao defeto

61 Entropa Vbraconal Uma aplcação nteressante pode ser encontrada no caso do Sn (Sn(cnza-rede cúbca tpo damante) abaxo de 13 C e Sn(branco tetragonal) acma de 13 C)-> a transformação branco-cnza é exotérmca Intutvamente -> Como se perde energa os átomos estarão em menor estado de energa e mas fortemente lgados (Sn (cnza)-> mas lgado que Sn(branco) Então porque o Sn cnza não é a fase estável a temperatura elevada?

62 Entropa Vbraconal A resposta vem da energa lvre da transformação Sn(cnza)=Sn(branco) G= H- TS Para processo espontâneo G deve ser < Sabemos que H é postvo, então S tem que ser postvo. Porque S é postvo? O Sn(cnza) deve corresponder a um estado de maor forças entre átomos (maor frequênca)

63 Entropa Vbraconal Isso sgnfca dzer que aumentar os esforços (força de lgação) aumenta a frequênca (cnza->branco dmnu a frequênca) Assm de v S 3R ln v` será postvo A baxa temperatura o termo TS é menor que H (H predomna)->sn(cnza) estável (G postvo) A alta temperatura o termo TS é maor que H (S predomna)->sn(branco) estável (G negatvo) Logo, aparentemente, a elevada temperatura a fase mas estável será aquela de menor frequênca vbraconal

64 É mportante lembrar Defnção de entropa de Boltzmann Entropa de mstura Exstênca e população de estados de energa Capacdade térmca -> nterpretação Entropa vbraconal

65 Lsta de exercícos Apêndce 3 do lvro, pg. 327: 4.4, 4.8, 4.9 Resolver algebrcamente entendendo todos os passos.

Parênteses termodinâmico

Parênteses termodinâmico Parênteses termodnâmco Lembrando de 1 dos lmtes de valdade da dstrbução de Maxwell-Boltzmann: λ

Leia mais

CQ110 : Princípios de FQ

CQ110 : Princípios de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?

Leia mais

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas 01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro

Leia mais

γ = C P C V = C V + R = q = 2 γ 1 = 2 S gas = dw = W isotermico

γ = C P C V = C V + R = q = 2 γ 1 = 2 S gas = dw = W isotermico Q1 Um clndro feto de materal com alta condutvdade térmca e de capacdade térmca desprezível possu um êmbolo móvel de massa desprezível ncalmente fxo por um pno. O rao nterno do clndro é r = 10 cm, a altura

Leia mais

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013)

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013) Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,

Leia mais

8 Soluções Não Ideais

8 Soluções Não Ideais 8 Soluções Não Ideas 8.1 Convenções para o coefcente de atvdade na escala de frações molares Para a solução deal temos ln x onde é função apenas da pressão e temperatura. Fo anterormente mostrado que todas

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

AULA 10 Entropia e a Segunda Lei da Termodinâmica

AULA 10 Entropia e a Segunda Lei da Termodinâmica UFABC - BC0205 - Prof. Germán Lugones AULA 10 Entropa e a Segunda Le da ermodnâmca Sad Carnot [1796-1832] R. Clausus [1822-1888] W. homson (Lord Kelvn) [1824-1907] Quando um saco de ppocas é aquecdo em

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos Mecânca Estatístca Tal como a Termodnâmca Clássca, também a Mecânca Estatístca se dedca ao estudo das propredades físcas dos sstemas macroscópcos. Tratase de sstemas com um número muto elevado de partículas

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

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 entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

Física Moderna II - FNC376

Física Moderna II - FNC376 Unversdade de São Paulo Insttuto de Físca Físca Moderna II - FNC376 Profa. Márca de Almeda Rzzutto 1o. Semestre de 008 FNC0376 - Fsca Moderna 1 Revsão A organzação da tabela peródca reflete a dstrbução

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

Termodinâmica dos Sistemas Abertos Sistemas heterogêneos: Potencial Químico. Grandezas Molares.

Termodinâmica dos Sistemas Abertos Sistemas heterogêneos: Potencial Químico. Grandezas Molares. Termodnâmca dos Sstemas Abertos Sstemas heterogêneos: Potencal Químco. Grandezas Molares. A aplcação da função Energa Lvre de Gbbs aos sstemas de um únco componente permte a construção dos Dagramas de

Leia mais

do Semi-Árido - UFERSA

do Semi-Árido - UFERSA Unversdade Federal Rural do Sem-Árdo - UFERSA Temperatura e Calor Subêna Karne de Mederos Mossoró, Outubro de 2009 Defnção: A Termodnâmca explca as prncpas propredades damatéra e a correlação entre estas

Leia mais

Ajuste de um modelo linear aos dados:

Ajuste de um modelo linear aos dados: Propagação de erros Suponhamos que se pretende determnar uma quantdade Z, a partr da medda drecta das grandezas A, B, C,, com as quas se relacona através de Z = f(a,b,c, ). Se os erros assocados a A, B,

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

Atividade em Soluções Eletrolíticas

Atividade em Soluções Eletrolíticas Modelo de solução eletrolítca segundo Debye-Hückel. - A le lmte de Debye-Hückel (LLDH) tem o lmte que está em: I 0,01. log z.z A I 1/ valêncas do íons + e do eletrólto I 1 [ z b / b ] constante que depende

Leia mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

Leia mais

Termodinâmica dos Sistemas Abertos Sistemas heterogêneos: Potencial Químico. Grandezas Molares.

Termodinâmica dos Sistemas Abertos Sistemas heterogêneos: Potencial Químico. Grandezas Molares. Termoâmca dos Sstemas Abertos Sstemas heterogêneos: Potencal Químco. Grandezas Molares. A aplcação da função Energa Lvre de Gbbs aos sstemas de um únco componente permte a construção dos Dagramas de Fases

Leia mais

MECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor

MECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor 1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

Realimentação negativa em ampliadores

Realimentação negativa em ampliadores Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação

Leia mais

Prof. Oscar. Cap. 20 ENTROPIA E SEGUNDA LEI DA TERMODINÂMICA

Prof. Oscar. Cap. 20 ENTROPIA E SEGUNDA LEI DA TERMODINÂMICA Pro. Oscar Cap. 20 ENROPIA E SEGUNDA LEI DA ERMODINÂMICA 20.1 INRODUÇÃO Os processos que ocorrem num únco sentdo são chamados de rreversíves. A chave para a compreensão de por que processos undreconas

Leia mais

4 Discretização e Linearização

4 Discretização e Linearização 4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas

Leia mais

Psicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo

Psicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

Leis de conservação em forma integral

Leis de conservação em forma integral Les de conservação em forma ntegral J. L. Balño Departamento de Engenhara Mecânca Escola Poltécnca - Unversdade de São Paulo Apostla de aula Rev. 10/08/2017 Les de conservação em forma ntegral 1 / 26 Sumáro

Leia mais

13. Oscilações Eletromagnéticas (baseado no Halliday, 4 a edição)

13. Oscilações Eletromagnéticas (baseado no Halliday, 4 a edição) 13. Osclações Eletromagnétcas (baseado no Hallday, 4 a edção) Nova Físca Velha Matemátca Aqu vamos estudar: 1) como a carga elétrca q vara com o tempo num crcuto consttuído por um ndutor (), um capactor

Leia mais

Física do Calor Licenciatura: 14ª Aula (02/10/2015)

Física do Calor Licenciatura: 14ª Aula (02/10/2015) Físca do Calor Lcencatura: 4ª ula (2//25) Pro. lvaro annucc mos, na últma aula: Conceto de Entropa (S): exprme a tendênca de todos os sstemas íscos de evoluírem espontaneamente para uma stuação de maor

Leia mais

Capítulo 26: Corrente e Resistência

Capítulo 26: Corrente e Resistência Capítulo 6: Corrente e esstênca Cap. 6: Corrente e esstênca Índce Corrente Elétrca Densdade de Corrente Elétrca esstênca e esstvdade Le de Ohm Uma Vsão Mcroscópca da Le de Ohm Potênca em Crcutos Elétrcos

Leia mais

Variáveis Aleatórias

Variáveis Aleatórias Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades

Leia mais

Covariância na Propagação de Erros

Covariância na Propagação de Erros Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos

Leia mais

Física do Calor Licenciatura: 6ª Aula (19/08/2015)

Física do Calor Licenciatura: 6ª Aula (19/08/2015) Físca do Calor Lcencatura: 6ª Aula (9/08/05) Pro. Alaro annucc mos, na últma aula: Se um gás sore uma transormação sotérmca, então o trabalho é calculado por: W F I Pd usando que P = KT: W n K T d W( T

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis

Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,

Leia mais

Critério de Equilíbrio

Critério de Equilíbrio Crtéro de Equlíbro ara um sstema echado onde exstem ases em equlíbro, o crtéro geral de equlíbro de ases mpõe que o potencal químco de cada espéce presente seja gual em todas as ases. α β π µ = µ = K=

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

Eletrotécnica AULA Nº 1 Introdução

Eletrotécnica AULA Nº 1 Introdução Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca

Leia mais

CAPITULO II - FORMULAÇAO MATEMATICA

CAPITULO II - FORMULAÇAO MATEMATICA CAPITULO II - FORMULAÇAO MATEMATICA II.1. HIPOTESES BASICAS A modelagem aqu empregada está baseado nas seguntes hpóteses smplfcadoras : - Regme permanente; - Ausênca de forças de campo; - Ausênca de trabalho

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS DE REGRESSÃO PARAMÉTRICOS MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da

Leia mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro. Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia mais

COMBUSTÍVEIS E COMBUSTÃO

COMBUSTÍVEIS E COMBUSTÃO COMBUSTÍVEIS E COMBUSTÃO PROF. RAMÓN SILVA Engenhara de Energa Dourados MS - 2013 CHAMAS DIFUSIVAS 2 INTRODUÇÃO Chamas de dfusão turbulentas tpo jato de gás são bastante comuns em aplcações ndustras. Há

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral. DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou

Leia mais

EXERCÍCIO: VIA EXPRESSA CONTROLADA

EXERCÍCIO: VIA EXPRESSA CONTROLADA EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

Estudo de Solubilidade por Método Monte Carlo Para a Molécula do Fulereno

Estudo de Solubilidade por Método Monte Carlo Para a Molécula do Fulereno Fundação Unversdade Federal do Amapá Pro - Retora de Ensno de Graduação Coordenação do Curso de Físca Estudo de Solubldade por Método Monte Carlo Para a Molécula do Fulereno Acadêmco: Robert Sarava Matos

Leia mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

2 - Análise de circuitos em corrente contínua

2 - Análise de circuitos em corrente contínua - Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

Trabalho e Energia. Curso de Física Básica - Mecânica J.R. Kaschny (2005)

Trabalho e Energia. Curso de Física Básica - Mecânica J.R. Kaschny (2005) Trabalho e Energa Curso de Físca Básca - Mecânca J.R. Kaschny (5) Lembrando nosso epermento de queda lvre... z z 1 v t 1 z = z - v t - gt ( ) z- z v = g = t Contudo, se consderarmos obtemos: v z z 1 t

Leia mais

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2) Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,

Leia mais

8.16. Experimentos Fatoriais e o Fatorial Fracionado

8.16. Experimentos Fatoriais e o Fatorial Fracionado 8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e

Leia mais

Física I LEC+LET Guias de Laboratório 2ª Parte

Física I LEC+LET Guias de Laboratório 2ª Parte Físca I LEC+LET Guas de Laboratóro 2ª Parte 2002/2003 Experênca 3 Expansão lnear de sóldos. Determnação de coefcentes de expansão térmca de dferentes substâncas Resumo Grupo: Turno: ª Fera h Curso: Nome

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

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

Equações de Bloch. Richard H. Chaviguri November 27, 2017

Equações de Bloch. Richard H. Chaviguri November 27, 2017 INSTITUTO DE FÍSICA DE SÃO CARLOS-USP Equações de Bloch Rchard H. Chavgur November 7, 017 1 INTRODUÇÃO O estudo da nteração radação-matéra abrange dversos processos tas como: absorçao, ndução tanto espontânea

Leia mais

Associação entre duas variáveis quantitativas

Associação entre duas variáveis quantitativas Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa

Leia mais

Teoria Elementar da Probabilidade

Teoria Elementar da Probabilidade 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo

Leia mais

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

ANÁLISE DA VARIÂNCIA DA REGRESSÃO ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos

Leia mais

Introdução às Medidas em Física a Aula

Introdução às Medidas em Física a Aula Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

Figura 1.9. Modelo estrutural corpo for suficientemente pequena quando comparada

Figura 1.9. Modelo estrutural corpo for suficientemente pequena quando comparada 1.5 Expansão Térmca de Sóldos e íqudos Nossa dscussão sobre o termómetro de líqudo emprega uma das mudanças mas bem conhecdas que ocorrem na maora das substâncas: quando a temperatura aumenta, o volume

Leia mais

Regressão Linear Simples by Estevam Martins

Regressão Linear Simples by Estevam Martins Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer

Leia mais

Palavras Chaves: Linear Combination of Atomic Orbitals, LCAO, Molecular Orbitals, MO, Atomic Orbitals, AO.

Palavras Chaves: Linear Combination of Atomic Orbitals, LCAO, Molecular Orbitals, MO, Atomic Orbitals, AO. Dego da Slva Manoel Insttuto de Físca de São Carlos, Unversdade de São Paulo, São Carlos-SP, Brasl Resumo Neste trabalho abordamos a descrção dos Orbtas Moleculares (MO), obtdos va Combnação Lnear dos

Leia mais

Introdução a Combinatória- Aplicações, parte II

Introdução a Combinatória- Aplicações, parte II Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o

Leia mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. IV Análise estatística de incertezas aleatórias TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda

Leia mais

Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas

Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão

Leia mais

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria.

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria. Elementos de Engenhara Químca I II. Frações e Estequometra (problemas resolvdos) Problemas Propostos. Frações másscas, volúmcas ou molares. Estequometra.. Em 5 moles de Benzeno (C 6 H 6 ) quanto é que

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

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

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores. Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.

Leia mais

Expectativa de respostas da prova de Física Vestibular 2003 FÍSICA. C) Usando a lei das malhas de Kirchhoff temos para a malha mais externa:

Expectativa de respostas da prova de Física Vestibular 2003 FÍSICA. C) Usando a lei das malhas de Kirchhoff temos para a malha mais externa: QUESTÃO 1 FÍSICA A) Usando a le dos nós de Krchhoff temos, prmero no nó X: 0 1 0 0 1 50 6 Em seguda, temos no nó Y: 4 5 0 5 4. 188mA como 0 50 5 15 ma. 15 5 B) A le da conseração da carga. C) Usando a

Leia mais

3 Algoritmos propostos

3 Algoritmos propostos Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos

Leia mais

5 Implementação Procedimento de segmentação

5 Implementação Procedimento de segmentação 5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser

Leia mais

Física 10 Questões [Difícil]

Física 10 Questões [Difícil] Físca Questões [Dfícl] - (UF MG) Um líqudo encontra-se, ncalmente, à temperatura T o, pressão P o e volume o, em um recpente fechado e solado termcamente do ambente, conforme lustra a fgura ao lado. Após

Leia mais

INTRODUÇÃO À ASTROFÍSICA

INTRODUÇÃO À ASTROFÍSICA Introdução à Astrofísca INTRODUÇÃO À ASTROFÍSICA LIÇÃO 7: A MECÂNICA CELESTE Lção 6 A Mecânca Celeste O que vmos até agora fo um panorama da hstóra da astronoma. Porém, esse curso não pretende ser de dvulgação

Leia mais

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos. Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

EXPANSÃO TÉRMICA DOS LÍQUIDOS

EXPANSÃO TÉRMICA DOS LÍQUIDOS Físca II Protocolos das Aulas Prátcas 01 DF - Unversdade do Algarve EXPANSÃO ÉRMICA DOS ÍQUIDOS 1 Resumo Estuda-se a expansão térmca da água destlada e do glcerol utlzando um pcnómetro. Ao aquecer-se,

Leia mais