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

Tamanho: px
Começar a partir da página:

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

Transcrição

1 . 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 ( ) + t + t ( T ( 3) + t) T ( ) T( 3) + 3t T ( ) T ( k) + kt. MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T ( ) T ( k) + kt Sedo cohecdo, podemos repetr o processo de substtução até obtermos T() do lado dreto: -k à k T ( ) T() + t T ( ) t + t 1 4

2 3. MODELO SIMPLIFICADO: Ex. Somat. Sére Geométrca Para o cálculo ateror, fo utlzada a segute gualdade: ( + Portato: ( + ( + )( + 3. MODELO SIMPLIFICADO: Ex. Somat. Sére Geométrca Demostração da gualdade por Idução Matemátca: ( + Passo (: Mostrar que a gualdade vale para ( + 5

3 3. MODELO SIMPLIFICADO: Ex. Somat. Sére Geométrca Demostração da gualdade por Idução Matemátca: ( + Passo (a): Supor que a gualdade vale para k (Hpótese) k k ( k + 3. MODELO SIMPLIFICADO: Ex. Somat. Sére Geométrca Passo (a): Supor que a gualdade vale para k (Hpótese) k k ( k + Passo (b): Provar que a gualdade vale para k+1 k + 1 k + ( k + k ( k + + ( k + k( k + + ( k + ( k + ( k + ) ( k + (( k + + 6

4 ROTEIRO 1. INTRODUÇÃO E MOTIVAÇÃO. UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O 3. UM LIMITE ASSINTÓTICO INFERIOR NOTAÇÃO W 4. NOTAÇÃO Q 5. ANÁLISE ASSINTÓTICA DE ALGORITMOS 1. INTRODUÇÃO E MOTIVAÇÃO Sejam A e B dos algortmos para resolver um certo problema. T A () e T B () os respectvos tempos de processameto. A varável é uma medda do tamaho do problema. Como detfcar o melhor algortmo? Comparado as fuções: T A () e T B () O que sgfca T A () ser melhor do que T B () ou vce-versa?

5 1. INTRODUÇÃO E MOTIVAÇÃO Supoha que coheçamos o tamaho do problema:. Se T A ( ) < T B ( ) etão certamete A é melhor do que B. Em geral ão cohecemos o tamaho do problema. Se pudermos mostrar que T A () T B () para todo ³, etão certamete A é melhor do que B. Nem sempre uma fução é meor ou gual a outra para qualquer valor de. Portato, devemos cosderar o comportameto asstótco das fuções: valores de arbtraramete GRANDES. ROTEIRO 1. INTRODUÇÃO E MOTIVAÇÃO. UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O 3. UM LIMITE ASSINTÓTICO INFERIOR NOTAÇÃO W 4. NOTAÇÃO Q 5. ANÁLISE ASSINTÓTICA DE ALGORITMOS 3

6 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Def. O (Bg O): Seja f() fução ão egatva para todo, ³. Dzemos de f() é O(g()), se: Exstem um tero e uma costate c > tas que: Para todo ³, f() cg() Notação: f()o(g()). UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Exemplo: Mostrar que f() é O( ) Devemos dcar um tero e uma costate c > tas que: f() c Por exemplo, tomemos c1: f ( ) c ( 16 )( + 8) Como + 8 ³, sempre (pos ³ ), temos que: - 16 ³ Þ ³ 16 Isto é, este caso deve ser, o mímo, 16 4

7 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Exemplo: Mostrar que f() é O( ) Assm, para 16 e c 1, temos que: Para todo ³, f() c, ou seja, f() O( ) é maor que f() à dreta de 16. UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Idque se são Verdaderas ou Falsas as Afrmações: Se f() O(g()) e h() O(g()) Etão f() h() FALSA!!! Cotra-Exemplo: Sejam f() e h(), f() ¹g() f() O( ) e h() O( ) 5

8 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Idque se são Verdaderas ou Falsas as Afrmações: Se f() O(g()) Etão g() O -1 (f()) FALSA!!! A expressão g()o -1 (f()) ão tem setdo: O é apeas uma otação matemátca e ão possu versa!!!. UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Idque se são Verdaderas ou Falsas as Afrmações: Se f 1 () O(g 1 ()) e f () O(g ()) Etão f 1 () + f () O(max{g 1 (), g ()}) VERDADEIRA!!! Trata-se de um Teorema!!! Demostração: Como f 1 () O(g 1 ()) e f () O(g ()), exstem 1,, c 1 e c, tas que: f 1 () c 1 g 1 (), para ³ 1 f () c g (), para ³ 6

9 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.1: Se f 1 () O(g 1 ()) e f () O(g ()) Demostração: Etão f 1 () + f () O(max{g 1 (), g ()}) Como f 1 () O(g 1 ()) e f () O(g ()), exstem 1,, c 1 e c, tas que: f 1 () c 1 g 1 (), para ³ 1 f () c g (), para ³ Cosdere max ( 1, ) e c max(c 1, c ) Cosdere ada a soma: f 1 () + f (), para ³. UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.1: Se f 1 () O(g 1 ()) e f () O(g ()) Etão f 1 () + f () O(max{g 1 (), g ()}) Demostração (cot.): max ( 1, ) e c max(c 1, c ) e f 1 () + f (), para ³ f 1( ) + f ( ) c1g 1( ) + c g ( ) c c c g1( ) + g ( ) ( g1( ) + g ( )) c (max( g1( ), g ( )) + max( g1( ), g ( ))) c (max( g1( ), g ( ))) c max( g1( ), g ( )) 7

10 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.1: Se f 1 () O(g 1 ()) e f () O(g ()) Etão f 1 () + f () O(max{g 1 (), g ()}) Exemplo de Aplcação Prátca: Sedo: f (), f() O( ) e h() 3, h() O( 3 ) Etão pelo teorema 3.1: f() + h() O(max(, 3 ))O( 3 ). UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.: Se f() f 1 () + f () ode f 1 () e f () são ão egatvas tas que: f ( ) lm L, L f1( ) Etão f() O(f 1 ()) Exemplo de Aplcação Prátca: Sedo: f (), f() O( ) e h() 3, h() O( 3 ) f ( ) lm lm 3 h( ) Etão aplcado o teorema 3.: h() + f() 3 + O(h()) O( 3 ) lm 1 8

11 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.3: Se f 1 () O(g 1 ()) e f () O(g ()) Demostração: Etão f 1 () x f () O(g 1 () x g ()) Como f 1 () O(g 1 ()) e f () O(g ()), exstem 1,, c 1 e c, tas que: f 1 () c 1 g 1 (), para ³ 1 f () c g (), para ³ Cosdere max ( 1, ) e c c 1 c Cosdere ada a soma: f 1 () x f (), para ³. UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.3: Se f 1 () O(g 1 ()) e f () O(g ()) Etão f 1 () x f () O(g 1 () x g ()) Demostração (cot.): max ( 1, ) e c c 1 c e f 1 () x f (), para ³ f 1( ) f ( ) c1g 1( ) c g ( ) c 1cg1( ) g ( ) c( g1( ) g ( )) Portato, f 1 () x f () O(g 1 () x g ()) 9

12 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.3: Se f 1 () O(g 1 ()) e f () O(g ()) Etão f 1 () x f () O(g 1 () x g ()) Exemplo de Aplcação Prátca: Sedo: f () + + 1, f() O( ) e h() , h() O( 3 ) Etão pelo teorema 3.3: f() h() O( 3 )O( 5 ), OBS: Dedução sem o cálculo do produto f() h(). UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.4: Se f 1 () O(g 1 ()) e g () uma fução ão egatva, Etão f 1 () x g () O(g 1 () x g ()) Demostração: Como f 1 () O(g 1 ()), exstem, e c, tas que: f 1 () c g 1 (), para ³ f 1( ) g ( ) ( c g 1( )) g ( c ( g 1( ) g ( )) ) Assm f 1 () x g () O(g 1 () x g ()) 1

13 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.4: Se f 1 () O(g 1 ()) e g () uma fução ão egatva, Etão f 1 () x g () O(g 1 () x g ()) Exemplo de Aplcação Prátca: Sedo: f () + + 1, f() O( ) e h() 3 Etão pelo teorema 3.4: f() h() O( 3 )O( 5 ),. UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Demostração: Teorema 3.5: Se f() O(g()) e g() O(h()) Etão f() O(h()) Como f() O(g()) e g() O(h()), exstem 1,, c 1 e c, tas que: f() c 1 g(), para ³ 1 g() c h(), para ³ Cosdere max ( 1, ) e c c 1 c 11

14 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.5: Se f() O(g()) e g() O(h()) Etão f() O(h()) Demostração (cot.): max ( 1, ) e c c 1 c. Para ³ f ( ) c1 g ( ), 1 c 1 g ) c1c h ( ), ( c 1c h ( ) c h ( ) Assm: f() O(h()). UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.5: Se f() O(g()) e g() O(h()) Etão f() O(h()) Exemplo de Aplcação Prátca: Sedo: f () 5 3, f() O( 3 ) e h() 3, queremos saber O(f() + h()) Pelo teorema 3.: f() + h() O(f()) Como f()o( 3 ), pelo teorema 3.5, f() + h() O( 3 ) 1

15 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.6: Seja um polômo em da forma: Etão f() O( m ) f ( ) m a, a m > Exemplo de Aplcação Prátca: Sedo: f () Etão, aplcado o teorema 3.5: f() O( 3 ). UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Teorema 3.7: Para todo tero k ³ 1: log k O ( ) Obs: Apesar de que log dverge a medda em que cresce, log <, para todo tero ³. Obs: Aplcado os teoremas 3.5 e 3.3, e o fato de que O() temos: log() O() log() O( ), 13

16 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O A otação O(.) caracterza o comportameto asstótco de uma fução estabelecedo um lmte superor quato ao crescmeto desta fução em relação ao tamaho do problema. A otação O(.) ão forma o quão próxmo do lmte está o comportameto real da fução. Def. (Justeza): Seja f() O(g()). Se para toda fução h() tal que f() O(h()), também for verdade que g() O(h()), Etão g() é um lmte asstótco justo (ou estreto) para f(). UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Exemplo: f() Vmos que f() O( ). Pelo Teo 3.6 (polômos): f() O() O() é um lmte mas justo para f() do que O( ) Demostração pela defção de justeza (e redução ao absurdo): g() é um lmte estreto de f() se para toda fução h() tal que f()o(h()), também seja verdade que g()o(h()) Supohamos por absurdo que g() ão seja um lmte estreto para f()8+18o(h()). Portato, g() ¹O(h()). 14

17 . UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Exemplo: f() Demostração pela defção de justeza (e redução ao absurdo): Supohamos por absurdo que g() ão seja um lmte estreto para f()8+18o(h()). Portato, g() ¹O(h()). Como, 8+18 O(h()), exstem e c tas que: 8+18 c h(), para ³ É fato que para todo, ³, Assm, g() 8+18 c h(), para ³ à g() c h() Pela def.: g()o(h()), o que é um absurdo. Logo g() é um lmte estreto para f(). UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O Coveções para as Expressões de O(.) Escrever expressão de O(.), sem os termos meos sgfcatvos Exemplo: O( + log() + ) à O( ) Descosderar coefcetes costates Exemplos: O(3 ) à O( ), O(14) à O( Expressões Comus: 15

18 3. UM LIMITE ASSINTÓTICO INFERIOR NOTAÇÃO W Def. Ômega (W): Seja f() fução ão egatva para todo, ³. Dzemos de f() é Ômega g(), se: Exstem um tero e uma costate c > tas que: Para todo ³, f() ³ cg() Notação: f()w(g()) 3. UM LIMITE ASSINTÓTICO INFERIOR NOTAÇÃO W Exemplo: Mostrar que f() é W( ) Devemos dcar um tero e uma costate c > tas que: f() ³ c Por exemplo, tomemos c1: f ( ) c ( 8) Como ( 8) > sempre, temos que: pode ser Þ

19 3. UM LIMITE ASSINTÓTICO INFERIOR NOTAÇÃO W Exemplo: Mostrar que f() é W( ) Assm, para e c 1, temos que: Para todo ³, f() ³c, ou seja, f() W( ) é meor que f() à dreta de 3. UM LIMITE ASSINTÓTICO INFERIOR NOTAÇÃO W Teorema 3.8: Seja um polômo em da forma: Etão f() W( m ) f ( ) m a, a m > Exemplo de Aplcação Prátca: Sedo: f () Etão, aplcado o teorema 3.8: f() W( 3 ) 3

20 ROTEIRO 1. INTRODUÇÃO E MOTIVAÇÃO. UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O 3. UM LIMITE ASSINTÓTICO INFERIOR NOTAÇÃO W 4. NOTAÇÃO Q 5. ANÁLISE ASSINTÓTICA DE ALGORITMOS 4. NOTAÇÃO Q Def. Teta (Q): Seja f() fução ão egatva para todo, ³. Dzemos de f() é Teta g(), se: f() O(g()) e f() W(g()), ao mesmo tempo Notação: f()q(g()) 4

21 4. NOTAÇÃO Q Exemplo: Mostrar que todo polômo em de grau m é Q( m ) Seja um polômo de grau m: f ( ) m a, a m > Pelo teorema 3.6 : f()o( m ) Pelo teorema 3.8 : f()w( m ) Portato, pela defção ateror : f()q( m ) 4. NOTAÇÃO Q Def. o ( o pequeo): Seja f() fução ão egatva para todo, ³. Dzemos de f() é o(g()), se: f() O(g()), mas f() ão for W(g()) Notação: f()o(g()) 5

22 4. NOTAÇÃO Q Exemplo: Mostrar que f() + 1 é o( ) Claramete: f()o( ) (basta tomar e c Por outro lado, para grade, depedete da escolha de c>: + 1 uca será superor a c. Portato, f() ¹W( ). Cocludo: f()o( ) mas f() ¹W( ). Logo f()o( ) ROTEIRO 1. INTRODUÇÃO E MOTIVAÇÃO. UM LIMITE ASSINTÓTICO SUPERIOR NOTAÇÃO O 3. UM LIMITE ASSINTÓTICO INFERIOR NOTAÇÃO W 4. NOTAÇÃO Q 5. ANÁLISE ASSINTÓTICA DE ALGORITMOS 6

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

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

Exercícios - Sequências de Números Reais (Solução) Prof Carlos Alberto S Soares

Exercícios - Sequências de Números Reais (Solução) Prof Carlos Alberto S Soares Exercícos - Sequêcas de Números Reas (Solução Prof Carlos Alberto S Soares 1 Dscuta a covergêca da sequẽca se(2. Calcule, se exstr, lm se(2. Solução 1 Observe que se( 2 é lmtada e 1/ 0, portato lm se(2

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

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

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

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

PLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS

PLANO PROBABILIDADES Professora Rosana Relva DOS. Números Inteiros e Racionais COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS NÚMEROS COMPLEXOS Professor Luz Atoo de Carvalho PLANO PROBABILIDADES Professora Rosaa Relva DOS Números Iteros e Racoas COMPLEXOS rrelva@globo.com Número s 6 O Número Por volta de 00 d.c a mpressão que se tha é que, com

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

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

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

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

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

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

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

Estudando complexidade de algoritmos

Estudando complexidade de algoritmos Estudado complexidade de algoritmos Dailo de Oliveira Domigos wwwdadomicombr Notas de aula de Estrutura de Dados e Aálise de Algoritmos (Professor Adré Bala, mestrado UFABC) Durate os estudos de complexidade

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

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

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

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

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

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

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

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

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

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

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

Aula 5 de Bases Matemáticas

Aula 5 de Bases Matemáticas Aula 5 de Bases Matemáticas Rodrigo Hause de julho de 04 Pricípio da Idução Fiita. Versão Fraca Deição (P.I.F., versão fraca) Seja p() uma proposição aberta o uiverso dos úmeros aturais. SE valem ambas

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

Relatório 2ª Atividade Formativa UC ECS

Relatório 2ª Atividade Formativa UC ECS Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução

Leia mais

Instituto de Matemática - UFRJ Análise 1 - MAA Paulo Amorim Lista 2

Instituto de Matemática - UFRJ Análise 1 - MAA Paulo Amorim Lista 2 Istituto de Matemática - UFRJ Lista. Sejam (x ), (y ) sequêcias covergetes, com x y,. Mostre que se tem lim x lim y. Sabemos das aulas teóricas que se uma sequêcia z verifica z 0, etão lim z 0 (caso exista).

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

(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

Capitulo 1 Resolução de Exercícios

Capitulo 1 Resolução de Exercícios S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes

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

5. Funções teste. L 2 ( )= {u :? ; Borel mensurável com u 2 dx < 8 }

5. Funções teste. L 2 ( )= {u :? ; Borel mensurável com u 2 dx < 8 } 5. Fções teste Até agora estvemos tratado tesvamete com a tegração. Uma cosa qe temos vsto é qe, cosderado espaços das, podemos pesar as fções como fcoas. Vamos rever brevemete esta déa. osdere a bola

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

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

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

Leia mais

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

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

22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos

22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos Razão de crescmento desse temo Imortânca de análse de algortmos Um mesmo roblema ode, em mutos casos, ser resolvdo or város algortmos. Nesse caso, qual algortmo deve ser o escolhdo? Crtéro 1: fácl comreensão,

Leia mais

Atividades Práticas Supervisionadas (APS)

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

Leia mais

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

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

Avaliação de Empresas Profa. Patricia Maria Bortolon

Avaliação de Empresas Profa. Patricia Maria Bortolon Avalação de Empresas MODELO DE DIVIDENDOS Dvdedos em um estáo DDM Dscouted Dvded Model Muto utlzados a precfcação de uma ação em que o poto de vsta do vestdor é extero à empresa e eralmete esse vestdor

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

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

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

Leia mais

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( )

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( ) NÚMEROS COMPLEXOS Forma algébrca e geométrca Um úmero complexo é um úmero da forma a + b, com a e b reas e = 1 (ou, = -1), chamaremos: a parte real; b parte magára; e udade magára. Fxado um sstema de coordeadas

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

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

Leia mais

CAPÍTULO 9 - Regressão linear e correlação

CAPÍTULO 9 - Regressão linear e correlação INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação

Leia mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

Material Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio

Material Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio Materal Teórco - Módulo de MATEMÁTICA FINANCEIRA Facametos Prmero Ao do Eso Médo Autor: Prof Fracsco Bruo Holada Autor: Prof Atoo Camha Muz Neto 20 de agosto de 2018 1 Itrodução Neste materal, remos aplcar

Leia mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

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

Leia mais

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

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

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

Leia mais

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

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

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

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo. 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 6 Equlíbro e o Potecal de Nerst Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte

Leia mais

Introdução à Teoria da Medida Texto Tutorial

Introdução à Teoria da Medida Texto Tutorial Itrodução à Teora da Medda Texto Tutoral J.P. Marques de Sá FEUP DEEC 2003 jmsa@fe.up.pt J.P. Marques de Sá, FEUP, 2003 Ídce Classes de Subcojutos... 2. Classe... 2.2 Sem-Ael... 2.3 Ael... 3.4 Campo (Álgebra)...

Leia mais

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20 . MEDIDAS DE TENDÊNCIA CENTRAL (OU DE POSIÇÃO) Coceto: São aquelas que mostram o alor em toro do qual se agrupam as obserações.. MÉDIA ARITMÉTICA ( ) Sea (x, x,..., x ), uma amostra de dados: Se os dados

Leia mais

Matemática C Semiextensivo V. 2

Matemática C Semiextensivo V. 2 Matemátca C Semetesvo V. Eercícos 0) Através da observação dreta do gráfco, podemos coclur que: a) País. b) País. c) 00 habtates. d) 00 habtates. e) 00 0 0 habtates. 0) C Através do gráfco, podemos costrur

Leia mais

1) Planejamento da Produção - Modelos de dimensionamento de lotes (lot sizing)

1) Planejamento da Produção - Modelos de dimensionamento de lotes (lot sizing) Departameto de Egehara de Produção UFPR 28 1) Plaeameto da Produção - Modelos de dmesoameto de lotes (lot szg) É cohecdo horzote de plaeameto T, dvddo em períodos; demada (geralmete varável) de cada tem

Leia mais

Consideremos a fórmula que nos dá a área de um triângulo: = 2

Consideremos a fórmula que nos dá a área de um triângulo: = 2 6. Cálculo Derecal e IR 6.. Fução Real de Varáves Reas Cosdereos a órula que os dá a área de u trâulo: b h A( b h) Coo podeos vercar a área de u trâulo depede de duas varáves: base (b) e altura (h) Podeos

Leia mais

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

Estatística: uma definição

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

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

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

Leia mais

8 Programação linear 78

8 Programação linear 78 8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos

Leia mais

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 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

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

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

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

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

Leia mais

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

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

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

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

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

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

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

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x

Leia mais

Prof. Janete Pereira Amador 1

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

Leia mais

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

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

Leia mais

16 - PROBLEMA DO TRANSPORTE

16 - PROBLEMA DO TRANSPORTE Prof. Volr Wlhel UFPR TP05 Pesqusa Operacoal 6 - PROBLEMA DO TRANSPORTE Vsa zar o custo total do trasporte ecessáro para abastecer cetros cosudores (destos) a partr de cetros forecedores (orges) a, a,...,

Leia mais

(def) (def) (T é contração) (T é contração)

(def) (def) (T é contração) (T é contração) CAPÍTULO 5 Exercícios 5 (def) (T é cotração) a) aa Ta ( ) Ta ( 0) aa0, 0 Portato, a a aa0 (def) (def) (T é cotração) b) a3a Ta ( ) Ta ( ) TTa ( ( ) TTa ( ( 0)) (T é cotração) Ta ( ) Ta ( ) 0 aa0 Portato,

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

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL ESTATÍSTICA MÓDULO 3 MEDIDAS DE TEDÊCIA CETRAL Ídce. Meddas de Tedêca Cetral...3 2. A Méda Artmétca Smles ( μ, )...3 3. A Méda Artmétca Poderada...6 Estatístca Módulo 3: Meddas de Tedêca Cetral 2 . MEDIDAS

Leia mais

Prof. Eugênio Carlos Stieler

Prof. Eugênio Carlos Stieler http://www.uemat.br/eugeo Estudar sem racocar é trabalho 009/ TAXA INTERNA DE RETORNO A taa tera de retoro é a taa que equalza o valor presete de um ou mas pagametos (saídas de caa) com o valor presete

Leia mais

Capítulo 3. Sucessões e Séries Geométricas

Capítulo 3. Sucessões e Séries Geométricas Capítulo 3 Sucessões e Séries Geométricas SUMÁRIO Defiição de sucessão Mootoia de sucessões Sucessões itadas (majoradas e mioradas) Limites de sucessões Sucessões covergetes e divergetes Resultados sobre

Leia mais

Olá, amigos concursandos de todo o Brasil!

Olá, amigos concursandos de todo o Brasil! Matemátca Facera ICMS-RJ/008, com gabarto cometado Prof. Wager Carvalho Olá, amgos cocursados de todo o Brasl! Veremos, hoje, a prova do ICMS-RJ/008, com o gabarto cometado. - O artgo º da Le.948 de 8

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

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

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

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

Hipóteses do Modelo de Regressão Linear Clássico

Hipóteses do Modelo de Regressão Linear Clássico Uversdade Federal da Baha Facldade de Cêcas coômcas Departameto de cooma CO 66 Itrodção à coometra Hpóteses do Modelo de Regressão Lear Clássco Gerváso F. Satos Propredades dos estmadores de MQO As estmatvas

Leia mais

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

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

Leia mais

Sequências Teoria e exercícios

Sequências Teoria e exercícios Sequêcs Teor e exercícos Notção forml Defmos um dd sequêc de úmeros complexos por { } ( ) Normlmete temos teresse em descobrr um fórmul fechd que sej cpz de expressr o -ésmo termo d sequêc como fução de

Leia mais

IND 1115 Inferência Estatística Aula 9

IND 1115 Inferência Estatística Aula 9 Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca

Leia mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta

Leia mais

1) Escrever um programa que faça o calculo de transformação de horas em minuto onde às horas devem ser apenas número inteiros.

1) Escrever um programa que faça o calculo de transformação de horas em minuto onde às horas devem ser apenas número inteiros. Dscpla POO-I 2º Aos(If) - (Lsta de Eercícos I - Bmestre) 23/02/2015 1) Escrever um programa que faça o calculo de trasformação de horas em muto ode às horas devem ser apeas úmero teros. Deverá haver uma

Leia mais