COMPARAÇÃO ENTRE MODELOS MATEMÁTICOS PARA O ESTUDO DO CRESCIMENTO E PRODUÇÃO FLORESTAL

Tamanho: px
Começar a partir da página:

Download "COMPARAÇÃO ENTRE MODELOS MATEMÁTICOS PARA O ESTUDO DO CRESCIMENTO E PRODUÇÃO FLORESTAL"

Transcrição

1 COMPARAÇÃO ENTRE MODELOS MATEMÁTICOS PARA O ESTUDO DO CRESCIMENTO E PRODUÇÃO FLORESTAL Fracsco Walter de Lma Gomes Uversdade Católca de Brasíla Curso de Matemátca RESUMO: Este trabalho vsa comparar dos modelos matemátcos quattatvos para aplcação o corte sustetável de uma platação de phero slvestre para a comercalzação como árvores de Natal. O prmero modelo, a avalação é feta por meo de uma fórmula padrão para o corte sustetável em que o redmeto sustetável ótmo é obtdo cortado todas as árvores de uma classe de altura especfca e ehuma árvore de qualquer outra classe. Neste modelo a altura da árvore determa seu valor ecoômco. Os parâmetros de crescmeto das árvores também devem ser levados em cota para determar o redmeto sustetável ótmo da floresta. No seudo modelo, a avalação é feta por meo de Proramação Matemátca (Método Smple-Lecórafco, em que a mamzação do redmeto total de todas as árvores sem classes específcas, dará o maor redmeto sustetável ótmo para o produtor a cada quatro aos (horzotes de plaejameto. Para esse modelo, os cortes são por talhões. Palavras-chave: Modelos, proramação lear, matrz de crescmeto.. INTRODUÇÃO O uso de modelos matemátcos tem uma loa tradção a área florestal. Desde o íco do plato de florestas maejadas, suru o desejo de fluecar e proostcar o crescmeto com o fm de domar a produção. Esse desejo tem as suas raízes as crcustâcas especas da produção florestal. Os loos prazos e a rreversbldade de tas problemas como: florestas com horzotes de plaejametos duvdosos, desmatametos das florestas atvas e a ão obteção do certfcado florestal epeddos por órãos do Govero Federal. Esse fato levou a produtores e admstradores a procurar ovas alteratvas de bos lucros e coservação das florestas. Os modelos matemátcos fazem papel de suma mportâca para escolha de um bom maejo florestal, propodo maores retabldades e um desevolvmeto sustetável. Seudo Strack (98, modelos são abstrações e smplfcações de processos com o fm de descrever e estmar os seus resultados fas, bem como o seu trascurso. De acordo com Broso (985, estem ferrametas mportates que permtem aalsar as formações e a tomada de decsão em fução das codções de mercado ou da demada da própra empresa, como por eemplo, as avalações ecoômcas, de plaejameto e de otmzação, que cosderam crtéros ecoômcos a obteção de projetos. Lcecado do Curso de Matemátca da Uversdade Católca de Brasíla DF E-mal: walterfram@ahoo.com.br

2 No trabalho proposto ecotraremos um modelo para o qual o valor ecoômco total de todas as árvores removdas é o maor possível. Isto determará o redmeto sustetável ótmo da floresta e é maor redmeto que pode ser obtdo cotuamete sem dzmar a mesma. Seudo Kolma (998, o uso de téccas matrcas aulará o admstrador a escolher um bom maejo.. CONCEITOS TEÓRICOS Seudo Ato & Rorres (, o prmero modelo parte da formulação do seute problema: um platador possu uma floresta de phero slvestre que são veddos ao após ao como árvores de atal. Árvores de dferetes tamahos têm valores ecoômcos dferetes o mercado atalo como mostra a Tabela. Tabela : Relação valor-tervalo de altura Classes de altura Valor (R$ Itervalo de altura ( h ( muda Nehum [, h p [ h, h p [ h,h h h p [, p [ h, Coforme Fura, durate o período de crescmeto uma árvore o mámo muda uma classe para cma. h Altura da Árvore h h h h p p p Valor da Árvore p Fura Represetação Gráfca das Árvores dspostas em classes de alturas e valor ecoômco.

3 Observado a Tabela. A prmera classe cosste de mudas com altura o tervalo de [, h e sem valor ecoômco. Seja (,,, o úmero de árvores a -ésma classe que sobrevvem aos cortes. Com estes úmeros, formamos o vetor de ão-cortadas: X Neste modelo, o úmero total de árvores da floresta é fo e é dado por: s Ode s é predetermado pela área dspoível para plato que cada árvore ocupa. A cofuração da floresta é dada pelo vetor depos de cada corte. Etre dos cortes, as árvores crescem e produzem uma ova cofuração, coforme a Fura. ( C r e s c m e t o Floresta após crescmeto corte Cofurações florestas uas Árvores removdas Árvores ão removdas Floresta o íco do processo de crescmeto Floresta depos de cortar (vetor de ão-cortadas (vetor de ão-cortadas Fura Etapas de maejo para uma polítca de corte sustetável. c P l a t a ç ã o d e m u d a s

4 Para cada árvore removda é platada uma muda o seu luar, de modo que a floresta teha sempre a mesma quatdade de árvores. Durate o período de crescmeto, uma árvore da -ésma classe pode crescer e passar a uma classe de maor altura ou etão o crescmeto pode ser retardado por alum motvo e ela permaecer em sua classe. Portato, é defdo o seute parâmetro de crescmeto para,,,, : é a fração das árvores da -ésma classe que ela permaecem para a ( -ésma classe durate um período de crescmeto. é a fração das árvores da -ésma classe que permaecem durate um período de crescmeto. Daí temos a seute matrz de crescmeto: G é uma matrz de ordem quadrada cujas as lhas represetam as classes (alturas das árvores e as coluas represetam as frações das árvores que permaece a mesma classe ( e as frações das árvores que passam para a classe seute (. Os zeros que aparecem a matrz represetam que ão há mudas essas classes. Todava, se a matrz das árvores cortadas for maor que zero, o produtor estar removedo apeas mudas sem valor ecoômco coforme equação ( 7. ( As etradas da matrz X são o úmero de árvores as classes ates do período de crescmeto. Durate o corte o platador remove,,, ( árvores da -ésma classe. Efetuado o produto das matrzes:. G. GX.

5 5 temos a seute matrz: ( são os úmeros de árvores as classes depos do período de crescmeto. Durate o corte o platador remove,,, ( árvores da -ésma classe. Loo, temos o vetor-colua. de árvores cortadas. Assm, um total de Árvores são removdas a cada corte. Este também é o úmero total de árvores adcoadas à prmera classe (as ovas mudas depos de cada corte, defe a seute matrz de reposção de tamaho R. Ode a prmera lha represeta a reposção de árvores platadas e a demas lhas ão há reposção de árvores. ( etão o vetor-colua (5 RY. GX ( ( ( ( Y R

6 A matrz R Y dca que o total de árvores removdas é ual às platadas. Especfcará a cofuração de árvores platadas após cada corte. Aora ós estamos protos para escrever as seutes equações, que caracterzam uma polítca de corte sustetável: cofuração o fal do período de crescmeto [ corte] cofuração reposção o íco do período de mudas de crescmeto ou, matematcamete, GX Y RY Esta equação pode ser reescrta como X ( I R Y ( G I X (6 ode: I é a matrz detdade. Nós os refermos à Equação (6 como a codção de corte sustetável. Quasquer matrzes vetores X e Y com etradas ão-eatvas e tas que s que satsfazem esta equação matrcal, determam uma polítca de corte sustetável para a floresta. Observe que se >, etão o cortador está removedo mudas sem valor ecoômco e substtudo-as por mudas ovas. Como sto ão faz setdo, ós supomos que (7 com esta hpótese, pode ser verfcado que (6 é o formato matrcal do seute cojuto de equações:. (8 Observe que a prmera equação em (8 é a soma das demas equações. 6

7 Como ós devemos ter para,,,, as equações (8 eem que (9 Recprocamete, se é um vetor-colua com etradas ão-eatvas que satsfaz a Equação (9, etão (7 e (8 defem um vetor-colua com etradas ão-eatvas. Além dsto, e satsfazem a codção de corte sustetável (6. Em outras palavras, uma codção ecessára e sufcete para que um vetor-colua determe uma cofuração da floresta que permte um corte sustetável é que as etradas de satsfazem (9.. RENDIMENTO SUSTENTÁVEL ÓTIMO Fo removda valor ecoômco árvores da -ésma classe (,,, p, o redmeto total RT do corte é dado por: RT p p p Usado (8, pode substtur os em ( e obter e cada árvore a -ésma classe tem ( RT ( p p p ( p p ( Combado (, ( e (9, pode-se eucar o problema de mamzar o redmeto da floresta sobre todas as possíves polítcas de corte sustetável como seue: Icalmete deotamos RT k redmeto obtdo cortado todas as árvores da k-ésma classe e ehuma árvore das outras classes. O maor valor de RT k para k,,, será, etão, o redmeto sustetável ótmo e o correspodete valor de k será a classe que devera ser completamete cortada para obter este redmeto sustetável ótmo. Como ehuma classe é cortada, eceto a k-ésma, temos: k k ( Além dsto, como todas as árvores da k-ésma classe são cortadas, uca há árvores as classes de altura acma da k-ésma classe. Assm, k k ( Substtudo ( e ( a codção d corte sustetável (8 obtemos 7

8 k k k k k k k As Equações ( também podem ser escrtas como k k k k ( (5 Das quas seue que / (6 / / k k Substtudo as Equações ( e (6 em s [ que é a Equação (], pode-se resolver em e obter ode: s k (7 s correspode o total de árvores a floresta. Para o redmeto RT K, comba (, (, (5 e (7 para obter RT p p p k pk k p k pk. s k (8 A equação (8 determa RT K em termos dos parâmetros ecoômcos e de crescmeto cohecdo para quasquer k,,,. 8

9 Para k,,, O correspodete valor de k é o úmero da classe que é completamete cortada.. APRESENTAÇÃO DO º MODELO Esse problema costtu em: Uma empresa florestal deseja elaborar um plao de maejo para uma floresta equâea (florestas heteroêeas em altura, para os prómos aos (horzotes de plaejameto, com o objetvo de mamzar o redmeto sustetável ótmo. Os dados desse eemplo estão apresetados a Tabela. Tabela : Relação preço-tervalo de altura em metro Classes Valor (R$ Itervalo de altura (m, ª (Mudas, [ ª 5, [,;,5 ª 5, [,5;, ª 5, [,;, A seute matrz de crescmeto refere-se a uma floresta de phero slvestre com os seutes parâmetros de crescmeto: Atrbudo valores arbtráros a seute matrz de vértces, represetado as frações das árvores que passam de uma classe para outra e as que fcam a mesma classe, temos: G 7 5 Qual classe devera ser completamete cortada para obter o redmeto sustetável ótmo e qual é o redmeto? Resolução: Da matrz G de crescmeto obtemos: Cosdere uma platação com árvores etão, temos s., 7 e 5 p 5, p 5, e p 5, 5 9

10 Ode: RT redmeto total. são frações das árvores da prmera classe. são frações das árvores da seuda classe. são frações das árvores da quarta classe. p é o preço das árvores da prmera classe p é o preço das árvores da seuda classe. p é o preço das árvores da tercera classe. Aplcado a equação (8, temos: 5. RT R$ 7.5, 5. RT R$ 7.9, RT R$.5,5 5 7 Esse modelo mostra o redmeto de cada classe, coforme mostra a equação (8. RT, correspode o redmeto total cortado todas as árvores da seuda classe e ehuma árvore de qualquer outra classe. Ele fo obtdo multplcado o valor das árvores dessa classe pela quatdade platada, dvddo pela fração das árvores que veram da prmera classe. RT, correspode o redmeto total cortado todas as árvores da tercera classe e ehuma árvore de qualquer outra classe. Ele fo obtdo multplcado o valor das árvores dessa classe pela quatdade platada, dvddo pela fração das árvores que veram da seuda classe mas as frações da tercera. RT, correspode o redmeto total cortado todas as árvores da quarta classe e ehuma árvore de qualquer outra classe. Ele fo obtdo multplcado o valor das árvores dessa classe pela quatdade platada, dvddo pela fração das árvores que veram da seuda, da tercera e da quarta classe. 5. APRESENTAÇÃO DO º MODELO Neste seudo modelo utlzaremos a proramação Lear (Método Smple. Seudo Slva (, esse método é formado por um rupo de crtéros para escolha de soluções báscas que melhorem o desempeho do modelo. Para sso, o problema deve apresetar uma solução básca cal. As soluções báscas subseqüetes são calculadas com a troca de varáves báscas por ão báscas, erado ovas soluções.

11 Utlzamos o método smple lecoráfco vsado a asseurar a coverêca do alortmo devdo a deeeração das varáves báscas. No Método Smple ocorre o processo de deeeração, quado temos uma solução básca vável ode este ao meos uma varável básca ula. O feômeo da deeeração pode, teorcamete, mplcar a ão coverêca do Método Smple, por levar à ocorrêca de cclos. A cclaem cosste em voltarmos à mesma base depos de certo úmero de terações. A cclaem defda etre a mesma seqüêca de bases podera mpedr-os de chear ao fal do processo teratvo do Smple. Como últma observação, cabe ada mecoar que a cclaem é um feômeo bastate raro a deeeração. Na ausêca de deeeração, a coverêca fta do alortmo Smple é aratda pelo fato de erarmos bases que mplcam um valor decrescete para a fução objetvo. No caso de empate, sto é, para o caso em que o Smple permte mas de uma escolha para lha pvô, o método Lecoráfco forece uma rera que permte refar esta escolha, até que uma úca lha pvô possa ser dcada. Basta seur uma escolha arbtrára para o elemeto pvô, e desevolver todo processo de pvoteameto ormal do Smple. Nesta escolha ão mporta se os coefcetes das varáves ão báscas sejam postvos ou eatvos. O mportate é adotar uma escolha para coverêca do método. Obvamete este uma sére de opções possíves as escolhas que podemos fazer para o elemeto pvô. O mportate é que uma vez feta uma escolha, e que mplca certa ordem (maor coefcete ou meor, deve ser matda costtudo a essêca da mecâca do método lecoráfco. Certa floresta é dvdda em quatro classes de altura e a matrz de crescmeto das árvores etre os cortes é dada por Para a matrz de crescmeto desse modelo, atrbuímos os mesmos valores arbtráros de coformdade com o prmero modelo. G 7 5 5

12 Os preços das classes de alturas estão a Tabela abao: Tabela : Relação preço-tervalo de altura em metro Classes Valor (R$ Itervalo de altura (m, ª (Mudas, [ ª 5, [,;,5 ª 5, [,5;, ª 5, [,;, O redmeto total é dado pela fução objetvo: ( p p ( p p Ma. RT p Sujeto a: s,, Ode represeta a quatdade de árvores que foram repostas. A quatdade de árvores removdas é ual à das platadas. Na fução objetvo proposta acma, utlzamos a Luaem de Proramação Lear para mamzar o maor redmeto sustetável ótmo. Ode: p, p e p represetam os preços das árvores., e represetam as frações das árvores. Para a prmera restrção s, o úmero de árvores platadas em cada classe é sempre o mesmo correspodedo o total da floresta. Foram usadas as restrções, devdo o fato de o platador ão está platado apeas mudas sem valor ecoômco. Pos de acordo com o eucado da páa 6, se a restrção fosse do

13 tpo >, o platador estava removedo somete mudas os quas para esse modelo ão faz setdo. O problema é composto das seutes restrções: º a restrção é do tpo : (maor ual a varável de fola é substtuída e seu valor é eatvo, quado se aulam as varáves de decsão. º a restrção é do tpo :(ual ão recebe a varável de fola. Neste caso, acrescetamos em cada uma das restrções do tpo e varáves aulares com a formação de um ovo modelo. Não há uma solução básca cal devdo à seuda, tercera e a quarta restrções. O retoro ao modelo oral deve ser feto com a elmação das varáves aulares e a mauteção da solução básca. Isto pode ser feto de duas maeras: Método do M rade ou Método da fução objetvo aular. Este problema fo desevolvdo pelo Método do M rade. a j RT p p p p p M a M a M a Modelo aular: Ma. ( ( Sujeto a: F F a F a F a Neste caso, este uma deeeração, etão é ecessáro utlzar o Smple-Lecoráfco para a escolha do elemeto pvô. À medda que a fução é mamzada, as varáves aulares a, a e a deam a base, devdo ao rade valor de M, M e M. Quadro Ical: RT F F F F a a a 75 7 M M b M / 7

14 Varáves báscas: Varáves ão-báscas: F F a a a F ª Iteração: RT F F F F a a a b 75 5 M M M 5 5 7/ ª Iteração: RT F F F F a a a b M M M / ª Iteração: RT F F F F a a a b M M M Na prmera parte do problema, que levou à elmação das varáves aulares, o que pretederíamos ão era mamzar o objetvo, e sm elmar as varáves aulares, retorado assm ao problema oral. Podemos escolher para etra a base uma varável com qualquer coefcete a fução objetvo, desde que a etrada dessa varável provoque a saída de uma varável aular

15 Novo Quadro RT F F F F b / ª Iteração: RT F F F F b / / / ª Iteração: RT F F F F b Observado o últmo Tableau, a solução ótma fo ecotrada mamzado a fução objetva dada, ode ecotramos o valor ótmo de R$.7,9 da varável b. Fo feto o pvoteameto de cada lha usado o alortmo Smple. Pelo crtéro do Smple, como todos os coefcetes da prmera lha são postvos, loo a fução atu seu poto ótmo. 6. DISCUSSÃO E CONCLUSÃO O objetvo do trabalho fo alcaçado comparado dos modelos matemátcos para comercalzação de veda de phero slvestre como árvores de atal. As vataes do prmero modelo estão a aplcação de ser um modelo bastate smplfcado. Portato, mas fácl de trabalhar. A preocupação do produtor está apeas o maejo das classes especfcas. 5

16 Apesar das árvores das outras classes terem preços mas elevados, coforme mostra a equação (8, para o produtor a polítca de corte sustetável adotada por essa equação determar o maor redmeto sustetável ótmo sem dzmar a floresta. Por outro lado, como o prmero modelo determa uma polítca de corte sustetável, ão havedo ovos desmatametos por hectares, o produtor receberá o certfcado florestal pela elaboração de um bom maejo florestal. Todava, o prmero modelo o produtor terá redmeto sustetável ótmo de R$ 7.5, cortado todas as árvores da seuda classe, e ehuma árvore de qualquer outra classe. Em termos ecoômcos esse modelo tem a desvataem em relação ao Método Smple pelo fato de o produtor obter recetas orudas dos platos, cortado somete classes de alturas especfcas predestadas para o corte. Por essa razão, esse modelo poderá trazer perdas de lucro para o produtor o mercado atalo. No seudo modelo o produtor terá redmeto total de R$.7,9 a cada corte. Neste caso, a produção é maor devdo ao corte ser raso (cortado todas as árvores por hectares, para obteção do ótmo a fução objetvo. Os preços das árvores este modelo devem ser levados em cota para obteção do maor redmeto. As desvataes desse modelo correspodem a crtéros mas rorosos, a saber: Recursos computacoas adequados para este tpo de problema florestal; Melhor horzote de plaejameto para uma polítca de corte sustetável; Maor dspobldade para o plaejameto do maejo florestal. Portato, o ceáro que apresetou o melhor resultado para a mamzação do lucro fo o seudo modelo em que usou a proramação lear com o redmeto sustetável ótmo da floresta. 7. REFERÊNICAS BIBLIOGRÁFICAS BRONSON, Rchard. Pesqusa operacoal.. ed. São Paulo: Mc Graw Hll do Brasl, 995. HOWAD, Ato; RORRES, Chs. Álebra lear com aplcações. 8. ed. Porto Alere: Bookma,. KOLMAN, Berard. Itrodução à álebra lear com aplcações. 6. ed. Ro de Jaero: Pretce - Hall, 998. SILVA, Ermes Mederos et al. Pesqusa operacoal: proramação lear.. ed. São Paulo, Atlas, 998. STRACK, Jar. Modelaem e smulação de sstemas.. ed. Ro de Jaero, LTC- Lvros Téccos e Cetífcos S.A., 98. 6

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

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

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

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

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

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

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

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

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

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

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

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

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ] ( ) ( k) ( k ) ( ) ( ) Questões tipo exame

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ] ( ) ( k) ( k ) ( ) ( ) Questões tipo exame Questões tpo eame Pá O poto U tem coordeadas (6, 6, 6) e o poto S pertece ao eo Oz, pelo que as suas coordeadas são (,, 6) Um vetor dretor da reta US é, por eemplo, US Determemos as suas coordeadas: US

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

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

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

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

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

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

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

50 Logo, Número de erros de impressão

50 Logo, Número de erros de impressão Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de

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

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

? 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

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

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

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

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

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

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

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

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

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

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

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino

UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino Plao de Eso Uversdade Federal do Espírto Sato Campus: São Mateus Curso: Egehara de Produção Departameto Resposável: Departameto de Egeharas e Tecologa Data de Aprovação (Art. º 91): Docete resposável:

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

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

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

7 Análise de covariância (ANCOVA)

7 Análise de covariância (ANCOVA) Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se

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

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

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

Arquitetura da ART Controle 1 Controle 2

Arquitetura da ART Controle 1 Controle 2 Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme

Leia mais

1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística.

1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística. CAPÍTULO 7 VARIÁVEL ALEATÓRIA A probabldade teve íco com os jogos de azar (século XVII) com Cavalero de Nere, Fermat e Pascal, porém, coube a Beroull (73) laçar as bases da probabldade e a segur Laplace

Leia mais

Monitoramento ou Inventário Florestal Contínuo

Monitoramento ou Inventário Florestal Contínuo C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo

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

Complexidade Computacional da Determinação da Correspondência entre Imagens

Complexidade Computacional da Determinação da Correspondência entre Imagens Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br

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

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

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

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

Prof. Eugênio Carlos Stieler

Prof. Eugênio Carlos Stieler UNEMAT Uversdade do Estado de Mato Grosso Matemátca Facera http://www2.uemat.br/eugeo SÉRIE DE PAGAMENTOS 1. NOÇÕES SOBRE FLUXO DE CAIXA Prof. Eugêo Carlos Steler Estudar sem racocar é trabalho perddo

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

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

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling NOTAS DE AULA DA DISCIPLINA CE76 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 sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:

Leia mais

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA

A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Pesqusa Operacoal a Socedade: Educação, Meo Ambete e Desevolvmeto a 5/09/06 Goâa, GO A PROGRAMAÇÃO LINEAR FUZZY EM PROBLEMAS DE MISTURA Adre Gadolpho Uversdade Católca de Petrópols alvesga@gbl.com.br Rcardo

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

3 Experimento com Mistura com Respostas Não-Normais

3 Experimento com Mistura com Respostas Não-Normais Modelagem em Epermetos Mstura-Processo para Otmzação de Processos Idustras 5 Epermeto com Mstura com Respostas Não-Normas Neste capítulo é apresetado o plaejameto e aálse de um EM com respostas ão ormas,

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

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

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

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES: NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos

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

Í N D I C E. Séries de Pagamentos ou Rendas Renda Imediata ou Postecipada Renda Antecipada Renda Diferida...

Í N D I C E. Séries de Pagamentos ou Rendas Renda Imediata ou Postecipada Renda Antecipada Renda Diferida... Curso: Pós-graduação / MBA Campus Vrtual Cruzero do Sul - 2009 Professor Resposável: Carlos Herque de Jesus Costa Professores Coteudstas: Carlos Herque e Douglas Madaj UNIVERSIDADE CRUZEIRO DO SUL Cohecedo

Leia mais

Modelos de Regressão Linear Simples e Múltipla. Fabio Antonio Avilla (Matemática) Profª Dra. Carine Savalli Redígolo (Orientadora)

Modelos de Regressão Linear Simples e Múltipla. Fabio Antonio Avilla (Matemática) Profª Dra. Carine Savalli Redígolo (Orientadora) Modelos de Regressão Lear Smples e Múltpla Fabo Atoo Avlla (Matemátca) Profª Dra. Care Savall Redígolo (Oretadora) Resumo Dversas áreas do cohecmeto cetífco procuram valdar suas hpóteses por meo de pesqusas

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

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

S S S S 5. Uma pessoa deposita em um banco, no fim de cada mês, durante 5 meses, a quantia de R$ 200,00. 1,05 1

S S S S 5. Uma pessoa deposita em um banco, no fim de cada mês, durante 5 meses, a quantia de R$ 200,00. 1,05 1 CopyMarket.com Todos os dretos reservados. ehuma parte desta publcação poderá ser reproduzda sem a autorzação da Edtora. Título: Matemátca Facera e Comercal utores: Roberto Domgos Mello e Carlos Eduardo

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

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

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

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

Estatística Básica - Continuação

Estatística Básica - Continuação Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas

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

Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto

Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Faculdade de Ecooma, Admstração e Cotabldade de Rberão Preto Ecooma Moetára Curso de Ecooma / º. Semestre de 014 Profa. Dra. Rosel da Slva Nota de aula CAPM Itrodução Há dos modelos bastate utlzados para

Leia mais

Tópicos Extras 2ª parte. Análise de Correlação e Regressão

Tópicos Extras 2ª parte. Análise de Correlação e Regressão Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO

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

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

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