Métodos numéricos para solução de equações

Tamanho: px
Começar a partir da página:

Download "Métodos numéricos para solução de equações"

Transcrição

1 Escola Poltécca da Uversdade de São Paulo Departameto de Egehara Químca LSCP Laboratóro de Smulação e Cotrole de Processos Dscpla Optatva Modelagem e Métodos Matemátcos Aplcados à Egehara Químca AULA Revsão de Métodos Numércos Prof. Realdo Gudc (rgudc@usp.br) São Paulo, 009 Métodos umércos para solução de equações Depededo do modelo, podemos ter dferetes tpos de equações para resolver: algébrcas leares algébrcas ão-leares dferecas ordáras de valor cal dferecas ordáras de valor de cotoro dferecas parcas...

2 Métodos para solução de sstemas de equações algébrcas leares a + a + a a = b a + a + a a = b... a + a + a a = b j= a = b =,,..., A = b j j a a K a a a a K A = M M O M a a a K = M b b b = M b Métodos para sstemas de equações algébrcas leares Método de elmação de Gauss ( elmação para a frete e substtução para trás ) Fazer operações elemetares sobre as lhas da matrz amplada [A b], de modo a formar o lugar de A uma matrz tragular superor (todos os elemetos abao da dagoal prcpal são ulos) A M operaçoes elemetares sobre as lhas b U M y [ ] [ ] Resolver o sstema tragular superor por substtução para trás para =, -, -,...,, calcule =, j j j= + y u u

3 Método de Gauss para sstemas leares (a) Elmação para a frete [ A M operaçoes elemetares sobre as lhas b] [ U M b] (b) Substtução para trás para =, -, -,...,, calcule =, j j j= + y u u OBS. : operações elemetares aplcadas a um sstema lear covertem o sstema em um sstema equvalete. P.e. - mudar a ordem das equações (verter lhas) - multplcar uma equação por uma costate ão zero - trocar uma equação pela soma dela com um múltplo de outra equação OBS. : estratéga de mámo pvot OBS.. Se a matrz A é trdagoal algortmo de Thomas b c K 0 0 a b c 0 0 K a b c 0 K a4 b4 c4 K 0 0 M M M O O O M M M M a b c 0 M a b c M a b d d d = M M M M d () calcule w = b () calcule g = d /w () para j=,,..., calcule q j- = c j- /w j-.. w j = b j a j q j- g j = (d j a j g j- )/w j (4) calcule = g (5) para j = -, -, -,...,, calcule j = g j q j j+

4 Métodos para sstemas de equações algébrcas leares Método de Gauss-Jorda cosste em fazer operações elemetares sobre as lhas da matrz amplada [A b] de modo a fazer aparecer a matrz detdade I o lugar a matrz A. O vetor resultate que aparece o lugar de b é o vetor da solução [ A M operaçoes elemetares sobre as lhas b] [ I M ] OBS: versão de matrz [ A M operaçoes elemetares sobre as lhas I] [ I M A ] Métodos para sstemas de equações algébrcas leares Método de Fatoração Tragular ou Decomposção LU Cosste em fatorar a matrz A em um produto de duas matrzes L e U, sedo L uma tragular feror e U uma tragular superor. Etão resolvem-se dos sstemas tragulares (por substtução para trás) A= LU U y A = b LU = b = ( ) Ly = b resolve Ly = b obtedo y resolve U= y obtedo 4

5 Comparação etre os métodos, em termos de quatdade de operações matemátcas Sstema de equações Gauss Multplcações e dvsões Adções e subtrações + ( + ) ( )( + ) + ( + )( ) = Gauss-Jorda ( + ) ( )( + ) LU ( ) + + ( ) + = = = Gauss Gauss-Jorda LU =4 =0 MD AS MD AS Métodos para solução de equações algébrcas ão-leares São métodos teratvos. Há duas grades classes: () métodos abertos partem de uma estmatva cal, e o algortmo procura apromar cada vez mas da raz e.: substtução dreta, substtução amortecda Wegste, Newto-Raphso, Secate, etc. () métodos fechados partem de um tervalo o qual a raz está cotda, e o algortmo procura reduzr o tervalo e.: bssecção, regula fals (falsa posção), etc. 5

6 Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método da substtução dreta ou subst. smples equação deve estar a forma = g() algortmo: g( ) ( + ) = ( ) coverge se g () < Métodos para solução de equações algébrcas ão-leares - Métodos abertos y y = y y = Coverge y = g() y = g() o 4 o y y = y y = g() y = Dverge y = g() o o 6

7 Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método de substtução amortecda ou parcal equação a forma = g() algortmo: ( + ) = ( ) + s[ g( ( ) ) ( ) ] Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método de Wegste equação a forma = g() algortmo: + = t g( ) + ( t) t = s g ( ( ) ) g ( ( ) ) s = ( ) ( ) ( ) com t ( ) ( ) ma = 0 ª teração substtução smples 7

8 Métodos para solução de equações algébrcas ão-leares - Métodos abertos y Método de Wegste y=g() y= Poto de tersecção Próma estmatva do método de Wegste + + Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método de Newto-Raphso F() = 0 Algortmo: + = ( ) ( ) F( ) ( ) F ( ) ( ) dedução: epaddo F() em sére de Taylor ao redor do poto () F( ) = 0 = F( + h) = F( ) + hf ( ) +... ( ) ( ) ( ) e desprezado os termos de ordem superor (o que equvale a learzar localmete F() ao redor do poto () ), chega-se a F( ( )) h = ( + ) = ( ) + h F ( ) ( ) 8

9 Métodos para solução de equações algébrcas ão-leares - Métodos abertos Newto-Raphso f() f() + Reta Tagete Próma estmatva do método de Newto-Raphso Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método de Newto-Raphso para um sstema de equações algébrcas ão-leares F(,,..., ) = 0 ou F( ) = 0 =,,,..., F 0= F + = + ( ( ) h) F ( ( )) hj +... =,,,..., j= j F J h = F J { J } ( ) ( ) ode = matrz jacobaa =, j = j ( + ) = ( ) + h crtéro de parada: ( F ) = ( ( ) ε 9

10 Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método de Broyde Trata-se de uma varate do método de Newto-Raphso multvarável, que clu (a) uma fórmula para atualzar a matrz H = J (versa da matrz jacobaa) (b) uma fórmula para atualzar o fator de amortecmeto s + = + s H F ( ) ( ) ( ) ( h) ( ) atualzação de H = ( J) (a matrz jacobaa é avalada uma úca vez, a prmera teração e as demas terações a matrz H é atualzada pelas fórmulas dadas a segur) H Y s P P H ( ) ( ) + ( ) ( ) ( ) ( ) H = H ( + ) ( ) P H Y P = H F ( ) ( ) ( ) Y = F F ( ) ( + ) ( ) ( ) ( ) ( ) Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método de Broyde (cot.) o fator de amortecmeto deve satsfazer o crtéro F + s H F F < ( ) ( ) ( ) ( ) ( ) ( ) = = calmete s () = e se o crtéro acma ão for satsfeto etão s ( ) = + 6u u u = = F ( ) + s( ) H F = F ( ( )) ( ) ( ) 0

11 Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método da secate F() = 0 Trata-se de uma varate do método de Newto-Raphso, a qual a dervada (tagete) é apromada pela secate pelos potos das duas terações mas recetes. Algortmo: ( + ) F( ) F( ) = F( ( )) F( ( ) ) F( ( )) = ( ) F( ( )) F( ( ) ) ( ) ( ) ( ) ( ) ( ) ( ) Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método da Secate f() f() + + Poto de tersecção Lha reta Próma estmatva do método da secate

12 Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método de Muller F() =0 Pode ser terpretado como uma varação do método da secate. - método da secate aproma a fução F() por uma reta secate que passa pelos dos ultmos potos - método de Muller aproma a fução F() por uma parábola que passa pelos três últmos potos Algortmo: Dados potos, 0,, Calcular f 0 = f( 0 ), f =f( ), f = f( ) Calcule h = e d, =(f f )/h Calcule h = 0 e d,0 =(f f 0 )/h Para =,,4,... repta Calcule g = (d,- d -,- )/(h + h - ) Calcule c =d,- + ( - ).g Calcule h+ = f / ( c ± c 4fg ) (escolha o sal que foreça o maor deomador) calcule + = + h + calcule f + = f( + ) e d +, = (f + f )/h + até que um dos segutes crtéros seja satsfeto: < ε f( ) < ε ma Métodos para solução de equações algébrcas ão-leares - Métodos abertos Método de Muller f() f() Parábola pelos potos 0 Próma estmatva do método de Muller

13 Métodos para solução de equações algébrcas ão-leares - Métodos fechados Método da bssecção ou bpartção F() = 0 Dados dos potos =a e =b tas que F(a).F(b) < 0 e dada a tolerâca Δ, etão o úmero de terações N pode ser calculado a pror pela fórmula Δ = a b algortmo: calcule o úmero de terações N N N ( Δ a b) log / = log( / ) para =,,,..., N repta m = ( a+ b)/ se F( m ).F(a) 0 etão a = m seão b = m Métodos para solução de equações algébrcas ão-leares - Métodos fechados f() Método da Bssecção f(b) a Poto médo b f(a) Próma estmatva do método da bssecção

14 Métodos para solução de equações algébrcas ão-leares - Métodos fechados Método da falsa posção (regula-fals) F() = 0 Dados dos potos =a e =b tas que F(a).F(b) < 0 afb bfa =. ( ). ( ) m F( b) F( a) se F( m ).F(a) 0 etão a = m seão b= m Métodos para solução de equações algébrcas ão-leares - Métodos fechados Método da Falsa Posção f() f(b) a Poto de terssecção b f(a) Próma estmatva do método da falsa posção 4

15 Métodos para solução de equações algébrcas ão-leares - Métodos fechados Nesta forma, o método da falsa posção se aproma da raz por apeas um dos lados do tervalo, para fuções mootôcas. Há algumas modfcações que procuram uma apromação por ambos os lados da raz. P.e. Modfcação (): Fb ( o) Fa ( o) a clação calculada o prmero tervalo α = é matda em todas as demas terações. b a Modfcação () Dados a o, b o tas que F(a o ).F(b o ) < 0 P = F(a o ) Q = F(b o ) Para =,,,... até covergr, faça aq bp w + = Q P se F(a ).F(w + ) < 0 etão Seão a + = a b + = w + Q = F(w + ) Se F(w ).F(w + ) > 0 etão P = P/ a + = w + b + = b P = F(w + ) Se F(w ).F(w + ) > 0 etão Q = Q/ o o Métodos para solução de sstemas de equações dferecas ordáras As equações dferecas ordáras de valor cal são comumete ecotradas os modelos dâmcos de processos. São represetadas geercamete por: dy = f (, t y) y( t = t ) = y o Métodos de passo smples Algortmos que usam a formação do poto atual (y ) para calcular o prómo poto (y + ) o Métodos de passo múltplo Algortmos que usam a formação do poto atual e de potos aterores (y -,.., y -, y -, y ) para avalar a solução o prómo poto (y + ) 5

16 Métodos para sstemas de equações dferecas ordáras Euler eplícto y+ = y + hf ( t, y) + o( h ) Euler mplícto y = y + hf ( t, y ) + o( h ) Euler melhorado y y h f ( t y f t y, ) + ( +, + ) + = + + oh ( ) O método mplícto requer um processo teratvo para calcular y +, ou seja requer a solução de uma equação mplícta em y +. O método de Euler melhorado, também cohecdo por regra trapezodal, é mplícto, tem erro de trucameto meor, o(h ), e requer duas avalações da fução f por passo de tegração. Métodos para sstemas de equações dferecas ordáras N otar que o(h ) deota o erro local de trucameto, sto é, o erro cometdo pelo fato de a fórmula ser uma apromação, baseada o trucameto da sére de Taylor. Por eemplo, a partr da epasão em sére de Taylor, o valor de y as vzhaças de t é dado por: y t h y t h dy ( + ) = ( ) + + o( h ) t que resulta o método de Euler eplícto. Se a epasão de Taylor de y é feta a vzhaças de t+h, resulta em: y t y t h h dy ( ) = ( + ) + o( h ) t+ h que, devdamete rearrajado, resulta a fórmula do método de Euler mplícto. 6

17 Métodos para sstemas de equações dferecas ordáras Reescrevedo as duas epasões de Taylor: yt h yt h dy 4 4 h d y h d y h d y ( + ) = ( ) t!! 4! t t t yt h yt h dy 4 4 h d y h d y h d y ( + ) = ( ) t+ h!! 4! t+ h t+ h t+ h quado somadas membro a membro h dy dy h d y d y h d y d y h d y d y yt ( + h) = yt ( ) t.!.!.! t h + t t h t t h t t h os termos de epoetes pares de h tedem a se cacelar resultado, que o maor termo trucado é o(h ). Iterpretação t + y+ = y + f (, t y) t 44 ( t+ t) f ( t, y) ( t+ t) f ( t+, y+ ) f ( t, y) + f ( t+, y+ ) ( t+ t) 0 0 Métodos para sstemas de equações dferecas ordáras Métodos de Ruge-Kutta Os métodos de Ruge-Kutta são uma famíla de métodos em passo smples e bao erro de trucameto, às custas de um maor úmero de avalações da fução f por passo. A fórmula geral dos métodos de Ruge-Kutta é y = y + w + j j j= v v j = h. f t + cjh, y + a jmm m= c = 0 Os parâmetros do método (w j, (j=,,.. v), c j (j=,,...v), a jm (j=,,,...v)(m=,,...v-), um total de v+(v-)+( v-) são determados detfcado a fórmula geral com a correspodete epasão de Taylor, sedo algus dos parâmetros arbtrados ou especfcados. 7

18 Métodos para sstemas de equações dferecas ordáras Eemplos de métodos tpo Ruge-Kutta () Ruge-Kutta clássco = h. f t, y ( ) ( ) ( ) ( ) [ ] = h. f t +, h, y +, = h. f t +, h, y +, = h. f t + h, y + 4 y+ = y Métodos para sstemas de equações dferecas ordáras () Ruge-Kutta-Gll = h. f t, y ( ) ( ) ( ) ( ) [ ] = h. f t + h, y + = h. f t + h, y + a + b = h. f t + h, y + c + d 4 y+ = y + + b + d + 6 a = 4 b = c = - d = + 8

19 Métodos para sstemas de equações dferecas ordáras () Ruge-Kutta-Merso = h. f ( t, y) = h. f ( t + h, y + ) = h. f ( t + h, y + + ) 9 4 = h. f ( t + h, y ) 9 5 = h. f ( t + h, y ) 5 y+ = y + [ ] + o( h ) 9 estmatva do erro de trucameto = 5 [ ] Métodos para sstemas de equações dferecas ordáras (4) Ruge-Kutta-Fehlberg (RKF45) = h. f( t, y) = h. f( t + 4 h, y + 4 ) 9 = h. f( t + 8 h, y + + ) = h. f( t + h, y ) = h. f( t + h, y ) = h. f( t + h, y ) y+ = y o( h ) z+ = y o( h ) o passo otmo pode ser estmado por h tol h + = z y + + / ode tol = toleraca do cotrole do erro 9

20 Métodos para sstemas de equações dferecas ordáras Métodos de passo múltplo Os métodos de passo múltplo utlzam os últmos potos -, y -+,..., y -, y -, y para calcular o p romo poto y + y = a y + h b f ( t, y ) + j j j j j j= 0 j= As costates a j e b j são determadas de modo que um polômo de grau (+) terpole a solução pelos últmos potos, arbtrado-se algumas delas. Notar que se b - = 0 leva a um método eplcíto e b - 0 leva a um método mplícto. Usualmete usa-se um método eplícto para prever um valor de p + (preor). Esta prevsão é etão corrgda por um procedmeto teratvo usado um método mplícto (corretor). Esta combação leva aos chamados métodos tpo preor-corretor. Métodos para sstemas de equações dferecas ordáras Eemplos: Adams-Bashforth-Moulto preor [ ] 5 y+ = y + 4 h 55 f 59 f + 7 f 9 f + o( h ) Adams-Bashforth-Moulto corretor [ ] 5 y = y + h 9f + 9f 5 f + f + o( h ) Mle preor [ ] 4 5 y+ = y + h f f + f + o( h ) Mle corretor [ ] 5 y = y + h f + 4 f + f + o( h ) + + Notar também que os métodos de passo múltplo ão são autocáves, requeredo portato o uso de métodos de passo smples para os prmeros passos de tegração. Outra dfculdade dos algortmos de passo múltplo é com relação à mudaça do tamaho do passo, que ão é trval (as fórmulas mostradas acma pressupõe passo h costate). 0

21 Métodos para sstemas de equações dferecas ordáras Establdade A solução da equação dferecal (dy/) = f(t,y) = - λy, usado a epasão em sére de Taylor, sera dada por: h y"( ξ) yt ( + ) = yt ( ) + h f( t, yt ( )) + t < ξ < t+! A solução umérca apromada obtda por um método umérco, por eemplo o método de Euler eplícto, sera dada por: EM EM EM y + = y + h f ( t, y ) Subtrado as duas epressões aterores: h y EM EM EM "( ξ) yt ( + ) y+ = yt ( ) y + h[ f( t, yt ( )) f( t, y )] ! erro global em t + h y EM EM "( ξ) = yt ( ) y + hλ[ yt ( ) y ] +! h y EM "( ξ = [ yt ( ) y ][ h λ] + ) ! 4 erro global em t fator de amplfcaçao do erro erro local de trucameto Métodos para sstemas de equações dferecas ordáras Portato, se hλ > o erro cresce com. Ou seja, para a establdade do método de Euler eplícto, é ecessáro que hλ, ou equvaletemete, 0 hλ Se 0 hλ, etão o erro de arredodameto oscla. Repetdo esta aálse para outros métodos, temos Fator de Método Estável e sem Estável, com Istável amplfcação do erro osclação do sal do erro osclação do sal do erro ( hλ) Euler eplícto 0 < hλ < < hλ < < hλ + hλ hλ + hλ Trapézo 0 < hλ < < hλ Euler mplícto 0 < hλ

22 Rgdez ( stffess ) Métodos para sstemas de equações dferecas ordáras O problema de rgdez umérca de sstemas de EDO s está relacoado com o fato de as varáves (ou suas compoetes) apresetarem dferetes dâmcas, sto é varações com escalas de tempo muto dferetes. Eemplfcaremos usado um eemplo de cétca químca. Cosdere a segute equação dferecal ordára: du = u u( t = 0) = 5, a qual λ =, portato a solução pelo método de Euler eplícto será estável e sem osclação se h <. Cosdere ada a equação dferecal ordára: du = 000u u( t = 0) = 0, 5 a qual λ=000, portato a solução pelo método de Euler será estável e sem osclação se h < 0,00 Métodos para sstemas de equações dferecas ordáras Cosdere agora o sstema de EDO s: dy dy du du = + t = 5, e 500e t = 500, 5y + 499, 5y du du = t = 5, e + 500e t = + 499, 5y 500, 5y que pode ser escrto a forma: dy y = Ay= 500, , , 5 500, 5 y e cuja solução é t y = u + u = 5, e + 05, e t y = u u = 5, e 05, e 000t 000t yt= = ( 0)

23 Métodos para sstemas de equações dferecas ordáras O maor autovalor (em valor absoluto) da matrz A determa o passo de tegração mámo do sstema. Os autovalores da matrz A são obtdos por: 500, 5 λ + 499, 5 det + 499, 5 500, 5 λ = = 0 = λ 000 λ λ λ = A establdade da solução do sstema de EDO s é defdo pelo maor autovalor (em módulo) da matrz dos coefcetes do sstema h < / λ ma (o caso,para solução estável e sem osclação, h < /000 = 0,00). Se o sstema de EDO s for ão-lear, a aálse de establdade deve ser feta va learzação do sstema; este caso, os autovalores da matrz J (matrz jacobaa do sstema, cujos elemetos são J = ( f / y ) ) varam com t. j j Métodos para sstemas de equações dferecas ordáras Defe-se relação de rgdez ( stffess rato ) ma parte real de λ SR = m parte real de λ e valores típcos que defem a rgdez são: SR = 0 sstema ão-stff SR = 0 sstema stff SR = 0 6 sstema muto stff. Sstemas rígdos requerem métodos aproprados para sstemas stff, p. E. o método de Gear, os métodos BDF ( bacward dfferetato formulas ), que são mplíctos, ou métodos sem-mplíctos (p.e. o método Ruge-Kutta sem-mplícto de Mchelse).

24 Métodos para sstemas de equações dferecas ordáras Método de Ruge-Kutta sem-mplícto dy Para uma equação dferecal autôoma, do tpo = f ( y) m + = y = y + w = h. f ( y + a ) j j j= ou seja y+ = y + w + w + w+... = h. f ( y + a) = h. f ( y + a + a) = h. f ( y + a + a + a)... Métodos para sstemas de equações dferecas ordáras epaddo em sére de Taylor a fução f com Δ=a f. =. = h f y + aj j h f y + aj j + h j= j= y e desprezado os termos de ordem superor, chega-se a f ha = h. f y + aj j y j= y + a j j j= resolvedo eplctamete para obtem-se h. f y + aj j j= = f h. a. y y + aj j j= y + aj j j= a

25 Aalogamete para um sstema de equações dferecas: [ I h. a J] = h. f ( y ) [ I h. a J] = h. f ( y + a ) [ I h. a J] = h. f ( y + a + a ) M y = y + w + w + w e usualmete, arbtra-se a = a = a =... = a Um eemplo é o método Ruge-Kutta sem-mplícto de Mchelse (mplemetado em FORTRAN a subrota STIFF, o lvro de Vlladse e Mchelse, 979).[ ] ( ).[ ] ( ) = h I haj f y = h I haj f y + b [ ] = h I haj ( c + d ) y = y + R R R a = 0, b = 0,75 c = -0, d = -0,45... R =,0758 R = 0,8494 R = 5

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

(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

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

Métodos tipo quadratura de Gauss

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

Leia mais

Apostila de Introdução Aos Métodos Numéricos

Apostila de Introdução Aos Métodos Numéricos Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

Capítulo 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

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

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

Problema geral de interpolação

Problema geral de interpolação Problema geral de terpolação Ecotrar p() que verfque as codções: f j ( ) y,,,,,, j,,, m ( j) ( ) dervada de ordem j ós valores odas Eemplo: ecotrar p() que verfque:, f () 4 3, f( 3) 3, f'(3) 4 3 p() 3

Leia mais

CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES

CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES CÁLCULO DE RAÍZES DE EQUAÇÕES NÃO LINEARES Itrodução Em dversos camos da Egehara é comum a ecessdade da determação de raízes de equações ão leares. Em algus casos artculares, como o caso de olômo, que

Leia mais

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

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

VI - Integração Numérica

VI - Integração Numérica V - tegração Numérca C. Balsa & A. Satos. trodução São, este mometo, coecdos dos aluos métodos aalítcos para o cálculo do tegral dedo b ( d a sedo ( cotíua e tegrável o tervalo [ ab] ;. Cotudo, algumas

Leia mais

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

II. Propriedades Termodinâmicas de Soluções

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

Leia mais

Revisão de Estatística X = X n

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

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

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

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

( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito.

( x) Método Implícito. No método implícito as diferenças são tomadas no tempo n+1 ao invés de tomá-las no tempo n, como no método explícito. PMR 40 Mecâca Computacoal Método Implícto No método mplícto as dfereças são tomadas o tempo ao vés de tomá-las o tempo, como o método explícto. O método mplícto ão apreseta restrção em relação ao valor

Leia mais

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

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal

Leia mais

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida . MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +

Leia mais

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015 Cálculo Numérco Ajuste de Curvas Método dos Mímos Quadrados Profa. Vaessa Rolk º semestre 05 Ajuste de curvas Para apromar uma fução f por um outra fução de uma famíla prevamete escolhda (caso cotíuo)

Leia mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com

Leia mais

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

Capítulo 3. Interpolação Polinomial

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

Leia mais

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

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -

Leia mais

Ordenação: Introdução e métodos elementares. Algoritmos e Estruturas de Dados II

Ordenação: Introdução e métodos elementares. Algoritmos e Estruturas de Dados II Ordeação: Itrodução e métodos elemetares Algortmos e Estruturas de Dados II Ordeação Objetvo: Rearrajar os tes de um vetor ou lsta de modo que suas chaves estejam ordeadas de acordo com alguma regra Estrutura:

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

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

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 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 Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA Polômos de Jacob e CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA III--)INTRODUÇÃO Para um melhor etedmeto do método da colocação ortogoal e sua relação com o método dos resíduos poderados (MRP),

Leia mais

Capítulo 8. Método de Rayleigh-Ritz

Capítulo 8. Método de Rayleigh-Ritz Grupo : Gustavo de Souza Routma; Luís Ferado Hachch de Souza; Ale Pascoal Palombo Capítulo 8. Método de Raylegh-Rtz 8.. Itrodução Nos problemas de apromação por dfereças ftas, para apromar a solução para

Leia mais

CAMPUS DE GUARATINGUETÁ Computação e Cálculo Numérico: Elementos de Cálculo Numérico Prof. G.J. de Sena - Depto. de Matemática Rev.

CAMPUS DE GUARATINGUETÁ Computação e Cálculo Numérico: Elementos de Cálculo Numérico Prof. G.J. de Sena - Depto. de Matemática Rev. uesp CAMUS DE GUARATINGUETÁ Computação e Cálculo Numérco: Elemetos de Cálculo Numérco ro. G.J. de Sea - Depto. de Matemátca Rev. 5 CAÍTUO 4 INTEROAÇÃO 4. INTRODUÇÃO Cosdere a segute tabela relacoado calor

Leia mais

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

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

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

Leia mais

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

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

Econometria: 4 - Regressão Múltipla em Notação Matricial

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

Leia mais

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais. MÉTODOS NM ÉRICOS PARA E QAÇÕES DIFEREN CIAIS PARCIAIS - Método de Dfereças Ftas Aplcado às Eqações Dferecas Parcas..- Apromação de Fções...- Apromação por Polômos...- Aste de Dados: M ímos Qadrados..-

Leia mais

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo. Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real

Leia mais

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

José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas

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

Leia mais

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

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

Leia mais

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha

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

Leia mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

Leia mais

Fundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques

Fundamentos de Matemática I FUNÇÕES POLINOMIAIS4. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques FUNÇÕES POLINOMIAIS4 Gl da Costa Marques Fudametos de Matemátca I 4.1 Potecação de epoete atural 4. Fuções polomas de grau 4. Fução polomal do segudo grau ou fução quadrátca 4.4 Aálse do gráfco de uma

Leia mais

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

2. NOÇÕES MATEMÁTICAS

2. NOÇÕES MATEMÁTICAS . NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar

Leia mais

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação

Bruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;

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

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

Previsão de demanda quantitativa Regressão linear Regressão múltiplas Exemplos Exercícios

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

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

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

Organização; Resumo; Apresentação.

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

Leia mais

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

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

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

Leia mais

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.

Leia mais

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado

Leia mais

e represente as no plano Argand-Gauss.

e represente as no plano Argand-Gauss. PROFESSOR: Cládo Das BANCO DE QUESTÕES MATEMÁTICA ª SÉRIE ENSINO MÉDIO ============================================================================================== - Determe o módlo dos segtes úmeros

Leia mais

Desempenho dos métodos de Runge-Kutta 4-4 e Rosenbrock em função da posição do λ c crítico em sistemas rígidos

Desempenho dos métodos de Runge-Kutta 4-4 e Rosenbrock em função da posição do λ c crítico em sistemas rígidos Desempeho dos métodos de Ruge-Kutta 4-4 e Rosebrok em fução da posção do λ ríto em sstemas rígdos Gulherme G. Loh 1 Joye S. Bevlaqua Isttuto de Matemáta e Estatísta da Uversdade de São Paulo (IME-USP)

Leia mais

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 4- Método de Dereças Ftas Alcado às Equações Derecas Parcas. 4.- Aromação de Fuções. 4..- Aromação or Polômos: Iterolação. 4..- Ajuste de Dados: Mímos

Leia mais

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

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

Leia mais

Apêndice 1-Tratamento de dados

Apêndice 1-Tratamento de dados Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação

Leia mais

Como CD = DC CD + DC = 0

Como CD = DC CD + DC = 0 (9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (

Leia mais

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

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

Leia mais

Obra publicada pela Universidade Federal de Pelotas

Obra publicada pela Universidade Federal de Pelotas Obra publcada pela Uversdade Federal de Pelotas Retor: Prof. Dr. Atoo Cesar Goçalves Bores Vce-Retor: Prof. Dr. Maoel Luz Breer de Moraes Pró-Retor de Etesão e Cultura: Prof. Dr. Luz Era Goçalves Ávla

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

Flambagem. Cálculo da carga crítica via MDF

Flambagem. Cálculo da carga crítica via MDF Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca

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

Factor de crescimento na eliminação de Gauss e pivotagem parcial

Factor de crescimento na eliminação de Gauss e pivotagem parcial Factor de crescmeto a elmação de Gauss e pvotagem parcal Trabalho realzado por Ru Flpe edes lves da Costa sob a oretação de Flomea Das d lmeda e Paulo Beleza Vascocelos o âmbto da Bolsa de Icação Cetfca

Leia mais

Estabilidade no Domínio da Freqüência

Estabilidade no Domínio da Freqüência Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;

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

Noções Básicas de Medidas e Algarismos Significativos

Noções Básicas de Medidas e Algarismos Significativos Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos

Leia mais

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

! "#! "#$% %! &'(! &!! ) * %+,-. ) '(! *///0 1! 0!2! ///,-!3///4.

! #! #$% %! &'(! &!! ) * %+,-. ) '(! *///0 1! 0!2! ///,-!3///4. Itrodução ao R 960 988 996 Atualmete Lguagem S (Joh Chambers et al; Lucet Techologes) S-Plus. Software propretáro de aálse de dados que cotém a lguagem S Lguagem oretada a objetos R (Ross Ihaka e Robert

Leia mais

Estatística. 2 - Estatística Descritiva

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

Leia mais

NÚMEROS COMPLEXOS. z = a + bi,

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

Leia mais

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

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

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes UERJ CTC IE Departameto de Iormátca e Cêca da Computação Udade I - Erros as apromações umércas. I. - Cosderações geras. Há váras stuações em dversos campos da cêca em que operações umércas são utlzadas

Leia mais

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

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

Leia mais

Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES

Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES Cemátca da Posção de Robôs Mapuladores Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES A cemátca de um robô mapulador é o estudo da posção e da velocdade do seu efetuador e dos seus lgametos. Quado

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

Matemática Aula 1. Decomposição Matricial

Matemática Aula 1. Decomposição Matricial CURSO DE NIVELAMENO 0 - PEQ/COPPE/UFRJ PROF. ARGIMIRO DECOMPOSIÇÃO MARICIAL Matemátca Aula Decomposção Matrcal A decomposção matrcal é uma fatoração de uma matrz em alguma forma caôca ou padrão. Exstem

Leia mais

Momento Linear duma partícula

Momento Linear duma partícula umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Mometo lear de uma partícula e de um sstema de partículas. - Le fudametal da dâmca para um sstema de partículas. - Impulso

Leia mais

Modelos de regressão linear: abordagem clássica

Modelos de regressão linear: abordagem clássica Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua

Leia mais

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa

Leia mais

Sobre aproximações polinomiais de raízes reais de cúbicas

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

Leia mais