Introdução ao Método de Galerkin Estocástico
|
|
- Rita Terra Marques
- 8 Há anos
- Visualizações:
Transcrição
1 Introdução ao Americo Barbosa da Cunha Junior Departamento de Engenharia Mecânica Pontifícia Universidade Católica do Rio de Janeiro 26 de julho de / 27
2 Sumário Introdução 1 Introdução 2 Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado / 27
3 Motivação Os sistemas mecânicos reais estão sujeitos à incertezas nos parâmetros devido a vários fatores. Esta variabilidade no conjunto de parâmetros do sistema leva a um grande número de possíveis respostas do mesmo. Um modelo estocástico para tais sistemas pode ser tratado diretamente através de simulação de Monte Carlo (MC), porém essa abordagem demanda um elevado esforço computacional. 3 / 27
4 Objetivos Introdução Apresentar uma técnica alternativa à simulação de Monte Carlo para obtenção da resposta de um modelo estocástico; Ilustrar a aplicação dessa metodologia e caracterizar a mesma quanto à acurácia e performace. 4 / 27
5 Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado Decomposição de Karhunen-Lòeve (KL) Seja u : D Ω R L 2 (Ω, A, P) um campo estocástico com média µ u e autocovariância K u (x 1, x 2 ) contínua. Então onde u(x, ω) = µ u + λi φ i (x)ξ i (ω), i=1 ξ i são variáveis aleatórias tais que E [ξ i ] = 0 E [ ξ i ξ j ] = hi δ ij, {λ i, φ i } são soluções da equação K u (x 1, x 2 )φ i (x 2 )dx 2 = λ i φ i (x 1 ). D 5 / 27
6 Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado Decomposição de Karhunen-Lòeve (KL) Representação ótima no sentido que minimiza erro quadrático médio após o trucamento da série; Aplicável somente quando a função de autocovariância do campo aleatório for conhecida. 6 / 27
7 Polinômio Caos Generalizado (gpc) Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado Seja u : D Ω R L 2 (Ω, A, P). Então onde u(x, ω) = u i (x)ψ i [ξ(ω)], i=1 u i são funções determinísticas; ξ é um vetor de variáveis aleatórias; ψ i são polinômios ortogonais tais que E [ψ 1 ] = 1, E [ψ i ] = 0, i > 1, E [ ] ψ i ψ j = hi δ ij. 7 / 27
8 Polinômio Caos Generalizado (gpc) Decomposição de Karhunen-Lòeve Polinômio Caos Generalizado Aplicável se a distribuição de probabilidade do campo aleatório for conhecida ou não; Os polinômios ψ i são escolhidos de acordo com a natureza das variáveis ξ: ξ Gaussiana Gama Beta Uniforme ψ i Hermite Laguerre Jacobi Legendre 8 / 27
9 SGM: O método de Galerkin estocástico (SGM) procura por um campo estocástico u(x, t, ω), definido no espaço probabilistico (Ω, A, P), que seja uma aproximação para a solução da seguinte equação diferencial estocástica L(x, t, ω; u) = f (x, t, ω), onde L é um operador diferencial que envolve diferenciação no tempo e/ou no espaço e f é um termo fonte. 9 / 27
10 SGM: Aproxima-se o campo u por um trucamento da expansão em gpc P u(x, t, ω) u i (x, t)ψ i [ξ(ω)], e em seguida substitui-se na equação que se deseja resolver P L x, t, ω; u i ψ i = f (x, t, ω). i=1 i=1 10 / 27
11 SGM: Projeta-se a última equação no espaço vetorial gerado pelas ψ j, P E L x, t, ω; u i ψ i ψ j = E [ ] f (x, t, ω)ψ j, j = 1,, P, i=1 de forma que o erro gerado pela aproximação seja minimizado. 11 / 27
12 Problema de Valor de Contorno Estocástico Dado um espaço probabilistico (Ω, A, P), considere o problema de valor de contorno estocástico em que se busca um campo u(x, y, ω) tal que α 2 u = 1 (x, y, ω) D Ω u = 0 (x, y, ω) D Ω, onde α é uma variável aletória uniformemente distribuida em [1, 3] e D = [ 1, 1] / 27
13 Parametrização e Expansão em gpc Neste problema a variável aleatória α é parametrizada por α = ξ + 2, onde ξ U[ 1, 1]. Já o campo u é aproximado por u(x, ω) P u i (x, y)ψ i (ξ), i=1 onde u i (x, y) são funções determinísticas, ψ i são polinômios de Legendre e P = (K +1)!/K!, sendo K o grau máximo dos polinômios de Legendre. 13 / 27
14 Projeção de Galerkin Seguindo o procedimento geral do SGM obtêm-se P ( ) [ ] [ ] (ui ) xx + (u i ) yy E ψi (ξ + 2)ψ j = E ψj i=1 u j = 0 (x, y) D (x, y) D, para j = 1,, P. Esse sistema foi resolvido utilizando o código Poisson_2D, que é baseado no método de diferenças finitas. 14 / 27
15 Média das Soluções (a) MC (b) gpc Figura: Média das soluções da eq. de Poisson obtidas por MC e gpc. 15 / 27
16 Desvio Padrão das Soluções (a) MC (b) gpc Figura: Desvio padrão das soluções da equação de Poisson obtidas por MC e gpc. 16 / 27
17 Erro da Aproximação Tabela: Norma do máximo (em função de K) das estatísticas da diferença entre as soluções da eq. de Poisson obtidas por MC e gpc. K média desvio padrão / 27
18 Tempo de Processamento Tabela: Ganho de tempo (em função de K) da simulação da eq. de Poisson utilizando gpc em relação a simulação que utiliza MC. K tempo gasto (s) speed-up MC / 27
19 Problema de Valor Inicial-Contorno Estocástico Dado um espaço probabilistico (Ω, A, P), considere o problema que consiste em encontrar um campo u(x, t, ω) tal que u t = (αu x ) x + 1 x [ 1, 1], t [0, T ], ω Ω, com condições de contorno u( 1, t, ω) = u(1, t, ω) = 0 e condição inicial u(x, 0, ω) = 0. Neste problema α : [ 1, 1] Ω R é um campo aleatório de média µ α = 10 e autocovariância K α (x 1, x 2 ) = exp ( x 1 x 2 ), x 1, x 2 [ 1, 1]. 19 / 27
20 Parametrização Introdução O campo α é aproximado pelo truncamento da decomposição KL N α(x, ω) = µ α + λi φ i (x)ξ i (ω), i=1 onde ξ i U[ 1, 1] e {λ i, φ i } são soluções da equação 1 1 exp ( x 1 x 2 ) φ i (x 2 )dx 2 = λ i φ i (x 1 ). 20 / 27
21 Expansão em gpc Introdução O campo u é aproximado por uma expansão em gpc da forma u(x, t, ω) P u i (x, t)ψ i (ξ), i=1 onde u i (x, t) são funções determinísticas, ψ i são polinômios de Legendre e P = (K + N)!/(K!N!), sendo K o grau máximo dos polinômios de Legendre. 21 / 27
22 Projeção de Galerkin Seguindo o procedimento geral do SGM obtêm-se [ ] E ψj 2 (u k ) t = P [ ] (u i ) xx µ α E ψk 2 + i=1 i=1 N E [ ] ψ k ξ j ψ i λj φ j + j=1 P N (u i ) x E [ ] ψ k ξ j ψ i λj (φ j ) x + E [ψ k ], j=1 para k = 1,, P. Esse sistema foi resolvido utilizando o código Heat_1D, que utiliza um esquema númerico tipo Crank-Nicolson. 22 / 27
23 Estatísticas das Soluções Figura: Estatísticas das soluções da eq. do calor obtidas por MC e gpc. 23 / 27
24 Erro da Aproximação Tabela: Norma do máximo (em função de K) das estatísticas da diferença entre as soluções da eq. do calor obtidas por MC e gpc. K média desvio padrão / 27
25 Tempo de Processamento Tabela: Ganho de tempo (em função de K) da simulação da eq. do calor utilizando gpc em relação a simulação que utiliza MC. K tempo gasto (s) speed-up MC / 27
26 O método de Galerkin estocástico (SGM) é uma boa alternativa à simulação de Monte Carlo, pois tem boa acurácia e demanda baixo esforço computacional; Essa técnica foi ilustrada na solução de dois exemplos simples e os resultados permitiram caracterizar a boa performace e acurácia do método SGM. 26 / 27
27 Constantine, P. A Primer on Stochastic Galerkin Methods. Lecture Notes, Ghanem, R.; Spanos, P., Stochastic Finite Elements: A Spectral Approach. New York: Dover Publications, Shonkwiler, R. W.; and Mendivil, F., Explorations in Monte Carlo Methods. New York: Springer, Xiu. D.; Karniadakis, G., The Wiener-Askey Polynomial Chaos for Stochastic Differential Equations. SIAM Journal on Scientific Computing, Vol. 24, pp , / 27
Introdução ao Método de Galerkin Estocástico
Introdução ao Método de Galerkin Estocástico Americo Barbosa da Cunha Junior Departamento de Engenharia Mecânica Pontifícia Universidade Católica do Rio de Janeiro 1 Introdução A dinâmica de um sistema
Leia maisModelagem e Simulação Material 02 Projeto de Simulação
Modelagem e Simulação Material 02 Projeto de Simulação Prof. Simão Sirineo Toscani Projeto de Simulação Revisão de conceitos básicos Processo de simulação Etapas de projeto Cuidados nos projetos de simulação
Leia mais3 Método de Monte Carlo
25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisMestranda: Márcia Maria Horn. Orientador: Prof. Dr. Sandro Sawicki
Universidade Regional do Noroeste do Estado do Rio Grande do Sul Departamento de Ciências Exatas e Engenharias Programa de Mestrado em Modelagem Matemática Grupo de Pesquisa em Computação Aplicada Temática:
Leia maisO Método de Galerkin Estocástico e Equação Diferencial de Transporte Linear Estocástica.
O Método de Galerkin Estocástico e Equação Diferencial de Transporte Linear Estocástica. 1,2 Adson M. Rocha 1,3 Fabio A. A. de Campos 1 Depto de Matemática Aplicada, IMECC, UNICAMP, 1383-859, Campinas,
Leia maisReduzindo Custos na Logística
Reduzindo Custos na Logística 1 Sempre que observo o processo tenho a sensação de estar perdendo muito dinheiro, mas não sei o quanto. Tenho ideia de onde estou perdendo dinheiro mas é impossível ter checar
Leia maisCapítulo 2 - Problemas de Valores Fronteira para Equações Diferenciais Ordinárias
Capítulo 2 - Problemas de Valores Fronteira para Equações Diferenciais Ordinárias Departamento de Matemática balsa@ipb.pt Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia 1 o
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisIntrodução ao Método dos Elementos Finitos Conceitos Iniciais Divisão do Domínio e Funções de Base Aplicação do Método dos Resíduos Ponderados ao
Universidade Federal do Ceará Centro de Tecnologia Departamento de Engenharia Elétrica Programa de Educação Tutorial Autor: Bruno Pinho Meneses Orientadores: Janailson Rodrigues Lima Prof. Dr. Ricardo
Leia maisIND 2072 - Análise de Investimentos com Opções Reais
IND 2072 - Análise de Investimentos com Opções Reais PROVA P2 1 o Semestre de 2007-03/07/2007 OBS: 1) A prova é SEM CONSULTA. Nota da prova = mínimo{10; pontuação da P2 + crédito da P1} 2) Verdadeiro ou
Leia maisSimulação Estocástica
Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias
Leia mais'LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU *OREDOGR(VWDGRGR56
LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU OREDOGR(VWDGRGR56 6X]DQH5DQ]DQ 6LPRQH0&HUH]HU&ODRGRPLU$0DUWLQD]]R Universidade Regional Integrada do Alto Uruguai e das Missões, Departamento de
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia mais1 Descrição do Trabalho
Departamento de Informática - UFES 1 o Trabalho Computacional de Algoritmos Numéricos - 13/2 Métodos de Runge-Kutta e Diferenças Finitas Prof. Andréa Maria Pedrosa Valli Data de entrega: Dia 23 de janeiro
Leia maisUma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência.
Professor: Leandro Zvirtes UDESC/CCT Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos de
Leia maisAnálise de Sensibilidade
Análise de Risco de Projetos Análise de Risco Prof. Luiz Brandão Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista a pensar em diversos
Leia maisCOMPARAÇÃO DOS TESTES DE ADERÊNCIA À NORMALIDADE KOLMOGOROV- SMIRNOV, ANDERSON-DARLING, CRAMER VON MISES E SHAPIRO-WILK POR SIMULAÇÃO
COMPARAÇÃO DOS TESTES DE ADERÊNCIA À NORMALIDADE KOLMOGOROV SMIRNOV, ANDERSONDARLING, CRAMER VON MISES E SHAPIROWILK POR SIMULAÇÃO Vanessa Bielefeldt Leotti, Universidade Federal do Rio Grande do Sul,
Leia maisPE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,
Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis
Leia maisMesh Editing with Poisson Based Gradient Field Manipulation
Mesh Editing with Poisson Based Gradient Field Manipulation Yizhou Yu¹ Kun Zhou² Dong Xu²³ Xiaohan Shi²³ Hujun Bao³ Baining Guo² Heung Yeung Shum² ¹ University of Illinois ² Microsoft Research Asia ³ Zhejiang
Leia maisDINÂMICA DOS FLUIDOS COMPUTACIONAL. CFD = Computational Fluid Dynamics
DINÂMICA DOS FLUIDOS COMPUTACIONAL CFD = Computational Fluid Dynamics 1 Problemas de engenharia Métodos analíticos Métodos experimentais Métodos numéricos 2 Problemas de engenharia FENÔMENO REAL (Observado
Leia maisMétodos de Física Teórica II Prof. Henrique Boschi IF - UFRJ. 1º. semestre de 2010 Aula 2 Ref. Butkov, cap. 8, seção 8.2
Métodos de Física Teórica II Prof. Henrique Boschi IF - UFRJ 1º. semestre de 2010 Aula 2 Ref. Butkov, cap. 8, seção 8.2 O Método de Separação de Variáveis A ideia central desse método é supor que a solução
Leia maisGeração de Números Aleatórios e Simulação
Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana
Leia maisMétodo de Monte Carlo e ISO
Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza
Leia maisUniversidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação
Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Laboratório da Disciplina CTA-147 Controle I Análise da Resposta Transitória (Este laboratório foi uma adaptação
Leia maisIntrodução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.
Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;
Leia mais1. Conceitos Básicos de Avaliação de Projetos 2. Classificação dos Projetos de Investimento 3. Estudos prévios
1. Conceitos Básicos de Avaliação de Projetos... 1.1. Valor Atual... 1.2. Capital Investido... 1.3. Cash Flow... 1.4. Valor residual do investimento... 1.5. Vida económica do equipamento... 2. Classificação
Leia maisMODIFICAÇÃO DO TESTE DE NORMALIDADE DE SHAPIRO-WILK MULTIVARIADO DO SOFTWARE ESTATÍSTICO R
MODIFICAÇÃO DO TESTE DE NORMALIDADE DE SHAPIRO-WILK MULTIVARIADO DO SOFTWARE ESTATÍSTICO R Roberta Bessa Veloso 1, Daniel Furtado Ferreira 2, Eric Batista Ferreira 3 INTRODUÇÃO A inferência estatística
Leia maisM. Eisencraft 6.5 Processos aleatórios gaussianos 86. t1 +T. x(t)y(t+τ)dt. (6.35) t 1 T. x(t)y(t+τ)dt R xy (τ) = R XY (τ). (6.36)
M. Eisencraft 6.5 Processos aleatórios gaussianos 86 R 0 (t 1 +2T) = 1 2T t1 +T t 1 Assim, tomando t 1 = 0 e assumindo que T é grande, temos x(t)y(t+τ)dt. (6.35) R 0 (2T) = 1 2T x(t)y(t+τ)dt R xy (τ) =
Leia maisModelamento e simulação de processos
Modelamento e simulação de processos 4. Método de Monte Carlo Prof. Dr. André Carlos Silva 1. INTRODUÇÃO O Método de Monte Carlo (MMC) é um método estatístico utilizado em simulações estocásticas com diversas
Leia maisRepresentação de Modelos Dinâmicos em Espaço de Estados Graus de Liberdade para Controle
Representação de Modelos Dinâmicos em Espaço de Estados Graus de Liberdade para Controle Espaço de Estados (CP1 www.professores.deq.ufscar.br/ronaldo/cp1 DEQ/UFSCar 1 / 69 Roteiro 1 Modelo Não-Linear Modelo
Leia maisEmpresa de Pesquisa Energética (EPE) 2014. Analista de Projetos da Geração de Energia
Empresa de Pesquisa Energética (EPE) 2014 Analista de Projetos da Geração de Energia Oi, pessoal! Vou resolver as quatro questões de Estatística (53 a 56) da prova elaborada pela banca Cesgranrio para
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisCÁLCULO DE INCERTEZA EM ENSAIO DE TRAÇÃO COM OS MÉTODOS DE GUM CLÁSSICO E DE MONTE CARLO
ENQUALAB-28 Congresso da Qualidade em Metrologia Rede Metrológica do Estado de São Paulo - REMESP 9 a 2 de junho de 28, São Paulo, Brasil CÁLCULO DE INCERTEZA EM ENSAIO DE TRAÇÃO COM OS MÉTODOS DE GUM
Leia mais1. O conjunto dos polinômios de grau m, com 2 m 5, acrescido do polinômio nulo, é um subespaço do espaço P 5.
UFPB/PRAI/CCT/DME - CAMPUS II DISCIPLINA: Álgebra Linear ALUNO (A): 2 a LISTA DE EXERCÍCIOS 1 a PARTE: QUESTÕES TIPO VERDADEIRO OU FALSO COM JUSTI- FICATIVA. 1. O conjunto dos polinômios de grau m com
Leia maisAs fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico
Leia maisPropagação de distribuições pelo método de Monte Carlo
Sumário Propagação de distribuições pelo método de Monte Carlo João Alves e Sousa Avaliação de incertezas pelo GUM Propagação de distribuições O método de Monte Carlo Aplicação a modelos de medição por
Leia maisPesquisa Operacional
GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com
Leia maisUma Ferramenta para otimização em Engenharia Mecânica e aplicações na Fundição Eletromagnética de Metais
Uma Ferramenta para otimização em Engenharia Mecânica e aplicações na Fundição Eletromagnética de Metais Departamento de Engenharia Mecânica COPPE UFRJ STIC-AMSUD, Novembro de 2009 Conteúdo Preliminares
Leia maisCAPÍTULO 9 RISCO E INCERTEZA
CAPÍTULO 9 9 RISCO E INCERTEZA 9.1 Conceito de Risco Um fator que pode complicar bastante a solução de um problema de pesquisa operacional é a incerteza. Grande parte das decisões são tomadas baseando-se
Leia maisPlano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo
Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo Tema/Subtema Conteúdos Metas Nº de Aulas Previstas Org.Trat.Dados / Planeamento Estatístico Especificação do problema Recolha de dados População
Leia maisEstudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisPÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014
PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método
Leia maisRegra do Evento Raro p/ Inferência Estatística:
Probabilidade 3-1 Aspectos Gerais 3-2 Fundamentos 3-3 Regra da Adição 3-4 Regra da Multiplicação: 3-5 Probabilidades por Meio de Simulações 3-6 Contagem 1 3-1 Aspectos Gerais Objetivos firmar um conhecimento
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução a Probabilidade Existem dois tipos
Leia maisdaniel.desouza@hotmail.com
VIII Congreso Regional de ENDE Campana Agosto 2011 Aplicação do estimador maximum likelihood a um teste de vida sequencial truncado utilizando-se uma distribuição eibull Invertida de três parâmetros como
Leia maisRecordamos que Q M n n (R) diz-se ortogonal se Q T Q = I.
Diagonalização ortogonal de matrizes simétricas Detalhes sobre a Secção.3 dos Apontamentos das Aulas teóricas de Álgebra Linear Cursos: LMAC, MEBiom e MEFT (semestre, 0/0, Prof. Paulo Pinto) Recordamos
Leia maisRegressão Linear Multivariada
Regressão Linear Multivariada Prof. Dr. Leandro Balby Marinho Inteligência Artificial Prof. Leandro Balby Marinho / 37 UFCG DSC Roteiro. Introdução 2. Modelo de Regressão Multivariada 3. Equações Normais
Leia maisA Otimização Colônia de Formigas
A Otimização Colônia de Formigas Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 22/04/2008 Índice A Inspiração Biológica O Ant System Aplicado ao PCV O Ant System Aplicado
Leia maisSimulação de coleta de dados em redes de sensores sem o por robôs móveis utilizando a ferramenta Player/Stage
Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM Simulação de coleta de dados em redes de sensores sem o por robôs móveis utilizando
Leia maisUNIVERSIDADE FEDERAL DE GOIÁS ESCOLA DE ENGENHARIA CIVIL PROGRAMA DE PÓS-GRADUAÇÃO EM GEOTECNIA, ESTRUTURAS E CONSTRUÇÃO CIVIL
UNIVERSIDADE FEDERAL DE GOIÁS ESCOLA DE ENGENHARIA CIVIL PROGRAMA DE PÓS-GRADUAÇÃO EM GEOTECNIA, ESTRUTURAS E CONSTRUÇÃO CIVIL APLICAÇÃO DO POLINÔMIO DE HERMITE- CAOS PARA A DETERMINAÇÃO DA CARGA DE INSTABILIDADE
Leia maiscomputador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisa 1 x 1 +... + a n x n = b,
Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição
Leia maisEstimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA
Estimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA Everton Batista da Rocha 1 2 3 Roseli Aparecida Leandro 2 Paulo Justiniano Ribeiro Jr 4 1 Introdução Na experimentação agronômica
Leia maisMODELAGEM E SIMULAÇÃO
MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,
Leia mais[a11 a12 a1n 4. SISTEMAS LINEARES 4.1. CONCEITO. Um sistema de equações lineares é um conjunto de equações do tipo
4. SISTEMAS LINEARES 4.1. CONCEITO Um sistema de equações lineares é um conjunto de equações do tipo a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 11 x 1 + a 12 x 2 +... + a 1n x n = b 2... a n1 x 1 + a
Leia maisPrefácio 11. Lista de Figuras 17. Lista de Tabelas 25
Sumário Prefácio 11 Lista de Figuras 17 Lista de Tabelas 25 I INTRODUÇÃO 27 1 Vetores e Grandezas Vetoriais 29 1.1 Introdução aos Vetores......................... 29 1.2 Sistemas de Coordenadas Retangulares................
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisCapítulo 4 - Equações Diferenciais às Derivadas Parciais
Capítulo 4 - Equações Diferenciais às Derivadas Parciais Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados Eng. Química
Leia maisModelagem e Simulação
AULA 11 EPR-201 Modelagem e Simulação Modelagem Processo de construção de um modelo; Capacitar o pesquisador para prever o efeito de mudanças no sistema; Deve ser próximo da realidade; Não deve ser complexo.
Leia maisO QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit
Leia mais2 Modelo para o Sistema de Controle de Estoque (Q, R)
Modelo para o Sistema de Controle de Estoque (, ) Neste capítulo é apresentado um modelo para o sistema de controle de estoque (,). Considera-se que a revisão dos estoques é continua e uma encomenda de
Leia maisCadeias de Markov. Geovany A. Borges gaborges@ene.unb.br
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Cadeias de Markov Geovany A. Borges gaborges@ene.unb.br
Leia maisTÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA
TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS
Leia maisAlgoritmos Genéticos
UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisDiferenciais Ordinárias (EDO)
Resolução Numérica de Equações Diferenciais Ordinárias (EDO) Ivanovitch Medeiros Dantas da Silva Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação DCA0399
Leia maisGABARITO OTM 09 [ ] [ ] ( ) [ ] O que mostra que e, logo o sistema não possui solução. [ ]
GABARITO OTM 09 Questão 1 a) Observe que o, deste modo o sistema não possui única solução ou não possui solução. Como [ ] [ ] [ ] [ ] O que mostra que e, logo o sistema não possui solução. b) Sim. Basta
Leia maisMétodo Monte-Carlo. Alexandre Rosas. 23 de Março de 2009. Departamento de Física Universidade Federal da Paraíba
Departamento de Física Universidade Federal da Paraíba 23 de Março de 2009 O que são os métodos de Monte-Carlo? Métodos numéricos que utilizam amostragem estatística (em contraposição a métodos determinísticos)
Leia mais2 Independência e dependência das taxas de juro
1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo
Leia maisComputação Paralela. Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho.
Computação Paralela Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho Outubro 2005 Desenvolvimento de Aplicações Paralelas Uma Metodologia
Leia maisMétodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF)
Métodos Estatísticos II 1 o. Semestre de 010 ExercíciosProgramados1e VersãoparaoTutor Profa. Ana Maria Farias (UFF) Esses exercícios abrangem a matéria das primeiras semanas de aula (Aula 1) Os alunos
Leia maisUniversidade Federal do ABC. Sinais Aleatórios. Prof. Marcio Eisencraft
Universidade Federal do ABC Sinais Aleatórios Prof. Marcio Eisencraft São Paulo 2011 Capítulo 1 Probabilidades Neste curso, trata-se dos fenômenos que não podem ser representados de forma determinística
Leia maisCAP. 4b INFLUÊNCIA DO IMPOSTO DE RENDA
CAP. b INFLUÊNCIA DO IMPOSTO DE RENDA A influência do Imposto de renda Do ponto de vista de um indivíduo ou de uma empresa, o que realmente importa, quando de uma Análise de investimentos, é o que se ganha
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia maisTAXA DE DESCONTO, ANÁLISE DE RISCO, MODELOS DE PREDIÇÃO
TAXA DE DESCONTO, ANÁLISE DE RISCO, MODELOS DE PREDIÇÃO AGNALDO CALVI BENVENHO, IBAPE, MRICS Eng. Mecânico, Especialista em Engenharia de Avaliações e Perícias TAXA DE DESCONTO NBR 14.653-4: Taxa de desconto:
Leia maisSUMÁRIO LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19. 1.1 - Introdução...21 1.2 - Revisão Bibliográfica...
SUMÁRIO Pág. LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19 CAPÍTULO 1 - INTRODUÇÃO... 21 1.1 - Introdução...21 1.2 - Revisão Bibliográfica...25 CAPÍTULO 2 - MODELAGEM ESTOCÁSTICA
Leia mais6. Geometria, Primitivas e Transformações 3D
6. Geometria, Primitivas e Transformações 3D Até agora estudamos e implementamos um conjunto de ferramentas básicas que nos permitem modelar, ou representar objetos bi-dimensionais em um sistema também
Leia mais3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS
3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3.1 - Conceitos Básicos Entendemos como algoritmo um conjunto predeterminado e bem definido de regras
Leia maisRoteiro. Arquitetura. Tipos de Arquitetura. Questionário. Centralizado Descentralizado Hibrido
Arquitetura Roteiro Arquitetura Tipos de Arquitetura Centralizado Descentralizado Hibrido Questionário 2 Arquitetura Figura 1: Planta baixa de uma casa 3 Arquitetura Engenharia de Software A arquitetura
Leia maisModelagens e Gerenciamento de riscos (Simulação Monte Carlo)
Modelagens e Gerenciamento de riscos (Simulação Monte Carlo) Prof. Esp. João Carlos Hipólito e-mail: jchbn@hotmail.com Sobre o professor: Contador; Professor da Faculdade de Ciências Aplicadas e Sociais
Leia maisRelatório do trabalho sobre medição de temperatura com PT100
Relatório do trabalho sobre medição de temperatura com PT100 Alunos: António Azevedo António Silva Docente: Paulo Portugal Objectivos Este trabalho prático tem como finalidade implementar uma montagem
Leia maisA MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1
A MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1 A IMPORTÂNCIA DA MATEMÁTICA O desenvolvimento das sociedades tem sido também materializado por um progresso acentuado no plano científico e nos diversos domínios
Leia maisCI202 - Métodos Numéricos
CI202 - Métodos Numéricos Lista de Exercícios 2 Zeros de Funções Obs.: as funções sen(x) e cos(x) devem ser calculadas em radianos. 1. Em geral, os métodos numéricos para encontrar zeros de funções possuem
Leia maisDefinição. A expressão M(x,y) dx + N(x,y)dy é chamada de diferencial exata se existe uma função f(x,y) tal que f x (x,y)=m(x,y) e f y (x,y)=n(x,y).
PUCRS FACULDADE DE ATEÁTICA EQUAÇÕES DIFERENCIAIS PROF. LUIZ EDUARDO OURIQUE EQUAÇÔES EXATAS E FATOR INTEGRANTE Definição. A diferencial de uma função de duas variáveis f(x,) é definida por df = f x (x,)dx
Leia mais4 Expansão de Caos Polinomial
4 Expansão de Caos Polinomial Neste capítulo, apresentaremos a teoria fundamental da Expansão por Caos Polinomial (ECP) que utilizaremos para representar a resposta de um modelo aleatório. Começamos com
Leia maisBCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 04: Análise de Algoritmos (Parte 1) Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Ciência da Computação, DECOM Website: www.decom.ufop.br/reifortes
Leia maisDesenvolver um pequeno aplicativo que possa demonstrar a utilização de sockets como meio de comunicação em sistemas distribuídos.
Objetivos Desenvolver um pequeno aplicativo que possa demonstrar a utilização de sockets como meio de comunicação em sistemas distribuídos. Método de Monte Carlo O método de Monte Carlo é uma forma de
Leia maisAlocação de Recursos em Sistemas de Integração Lavoura-Pecuária: uma abordagem da Teoria do Portfólio
Alocação de Recursos em Sistemas de Integração Lavoura-Pecuária: uma abordagem da Teoria do Portfólio FERNANDES, Kellen Cristina Campos 1 ; FIGUEIREDO, Reginaldo Santana 2 Escola de Agronomia e Engenharia
Leia maisMODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL
MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700
Leia maisBioestatística Aula 3
Aula 3 Castro Soares de Oliveira Probabilidade Probabilidade é o ramo da matemática que estuda fenômenos aleatórios. Probabilidade é uma medida que quantifica a sua incerteza frente a um possível acontecimento
Leia maisInfluência do nível de deformação na formação das bandas de Lüders para chapas de aço com mesmo nível de envelhecimento
Influência do nível de deformação na formação das bandas de Lüders para chapas de aço com mesmo nível de envelhecimento Guilherme Couto ANDRADE¹; Alexandre Moura GIAROLA²; Ramila Aparecida MOURA³ ¹ Aluno
Leia maisEquações Diferenciais Ordinárias
Capítulo 8 Equações Diferenciais Ordinárias Vários modelos utilizados nas ciências naturais e exatas envolvem equações diferenciais. Essas equações descrevem a relação entre uma função, o seu argumento
Leia maisTemas para estudo com alunos
Temas para estudo com alunos Este documento reúne alguns dos temas de pesquisa desenvolvidos por professores do Departamento de Matemática Aplicada (DMA) e que podem ter alunos de graduação atuando. Tratam-se
Leia maisEstabilidade Linear e Exponencial de Semigrupos C 0 e
ERMAC 2: I ENCONTRO REGIONAL DE MATEMÁTICA APLICADA E COMPUTACIONAL - 3 de Novembro de 2, São João del-rei, MG; pg 232-236 232 Estabilidade Linear e Exponencial de Semigrupos C e Aplicações Francis F.
Leia maisSubstituição de equipamentos
PLANEJAMENTO ECONÔMICO E FINANCEIRO Prof. Marco A. Arbex Substituição de equipamentos Para Souza e Clemente (1999), o nome substituição de equipamentos refere-se a qualquer ativo fixo da empresa, como
Leia mais