Forma padrão do modelo de Programação Linear

Tamanho: px
Começar a partir da página:

Download "Forma padrão do modelo de Programação Linear"

Transcrição

1 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 7. Propredades dos PPL s 8. Método Smple 9. Solução Algébrca 0. Método Smple a Forma ableau. Método das Duas Fases 2. Método Smple a Forma ableau 3. Dualdade em Programação Lear 4. Algortmo SIMPLEX Prmal-Dual 5. Aálse de Pós-otmaldade

2 Forma padrão do modelo de Programação Lear Ma z c + c c s.a: a + a a b a2 + a a2 b2 a + a a b m m2 0,..., 2 m m Suposções da Programação Lear. Proporcoaldade 2. Adtvdade 3. Dvsbldade 4. Certeza 5. Perspectva das suposções elações de Equvalêca Qualquer que sea a estrutura do PPL, sempre é possível trasformá-lo o formato padrão apresetado acma. Para tato, utlzam-se as segutes relações de equvalêca:

3 a) elação etre equações e equações + S b S a b a 0 S b S a b a 0 b) elação etre mamzação e mmzação c z M c z Ma ) ( ) ( c) ratameto de lmtes de varáves + 0 Substtução : 0 l l l 0 Substtução : l l l 0 0 e

4 Eemplo - Empresa WYNDO GLASS CO. Plata Produtos Capacdade Jaelas Portas Dspoível Lucro Ut. $3 $5 Ma Z 3 X + 5 X2 S.a: X 4 2 X2 2 3 X + 2 X2 8 X, X2 0 X X

5 Propredades dos PPL s (a) Se este eatamete uma solução ótma, etão deve ser uma solução factível em um vértce; (b) Se estem soluções ótmas múltplas, etão ao meos duas delas devem ser soluções factíves em vértces adacetes; (c) Este um úmero fto de soluções factíves em vértces; (d) Se uma solução factível em um vértce é gual ou melhor (segudo o valor de Z) que todas as soluções factíves os vértces adacetes a ela, etão é gual ou melhor que todas as demas soluções factíves estetes os vértces, sto é, é uma solução ótma. Método Smple. Passo cal: car com uma solução factível em um vértce; 2. este de otmaldade: se ão este solução factível em um vértce adacete, melhor que a solução atual, etão PAE. A solução atual é ótma. Em caso cotráro, vá ao passo 3; 3. Passo teratvo: movmete em dreção de uma solução factível melhor, em um vértce adacete; volte ao passo 2.

6 Solução Algébrca Modelo Orgal (Wydor Glass Co.) Ma Z 3 X + 5 X2 s.a: X 4 2 X2 2 3 X + 2 X2 8 X,X2 0 Forma padrão equvalete Ma Z s.a: Z 3 X 5 X2 0 X + S 4 2 X2 + S2 2 3 X + 2 X2 + S3 8 X,X2,S,S2,S3 0 Solução aumetada Solução básca Solução básca vável Vértce Soluções adacetes

7 Z 3 X 5 X2 0 X + S 4 2 X2 + S2 2 3 X + 2 X2 + S3 8 Solução: Z,X,X2,S,S2,S3)(0,0,0,4,2,8) O que fazer para melhorar a solução? Que varável sa da base? Como represetar o sstema de equações leares? Nova represetação do sstema de equações leares Z 3 X + + 5/2 S2 30 X + S 4 X2 + /2 S2 6 3 X - S2 + S3 6 Solução: (Z,X,X2,S,S2,S3)(30,0,6,4,0,6) O que fazer para melhorar a solução? Que varável sa da base? Como represetar o sstema de equações leares? Nova represetação do sstema de equações leares Z + 3/2 S2 + S3 36 S + /3 S2 /3 S3 2 X2 + /2 S2 6 X - /3 S2 + /3 S3 2

8 Solução: (Z,X,X2,S,S2,S3)(36,2,6,2,0,0) O que fazer para melhorar a solução? Método Smple a Forma ableau Varável Coefcetes Lado ásca Z X X2 S S2 S3 Dreto Z S S S Varável Coefcetes Lado ásca Z X X2 S S2 S3 Dreto Z / S X /2 0 6 S Varável Coefcetes Lado ásca Z X X2 S S2 S3 Dreto Z /2 36 S /3 -/3 2 X /2 0 6 X /3 /3 2 Como escolher a varável que etra a base o caso de empate? Como escolher a varável que sa da base o caso de empate? E se ão este varável que possa sar da base? Como descobrr se estem soluções ótmas múltplas?

9 Método das Duas Fases Sea o PPL geérco em sua forma padrão, deomado de P, ode b 0,, para o qual ão é possível obter uma solução básca cal trval: (P) Ma z c s.a: a b,..., m 0,..., Etão, sempre é possível costrur o PPL abao, deomado de P2, cludo varáves artfcas: (P2) Ma z c s.a: a + d b,..., m 0,..., d 0,..., m O problema P2 sempre tem uma solução básca vável trval: d b,,..., m 0,,...,

10 Equvalêca etre os problemas P e P2 P P2 d 0,,..., m Cosdere o PPL abao, deomado de P3: m d (P3) M w s.a: a + d b,..., m 0,..., d 0,..., m Etão: ) toda solução de P3 é também solução de P2; ) se a solução ótma de P3 tver w 0, etão também será uma solução básca vável para o P. Algortmo. Se P tem solução básca vável trval, vá para 4; 2. Formule P3, e resolva-o; 3. Se a solução ótma de P3 as varáves artfcas forem ulas, etão uma solução básca vável para P fo ecotrada; vá para 4. Em caso cotráro, PAE; P ão tem solução vável; 4. esolva P, cosderado a solução básca vável cohecda.

11 Eemplo M Z 3 X + 2 X2 + 4 X3 s.a: 2 X + X2 + 3 X X + 3 X2 + 5 X3 20 X,X2,X3 0 Forma Equvalete Z (-Z) -3 X - 2 X2-4 X3 Ma Z Z + 3 X + 2 X2 + 4 X3 0 2 X + X2 + 3 X X + 3 X2 + 5 X3 S2 20 X,X2,X3,S2 0 Icludo Varáves Artfcas Ma Z Z + 3 X + 2 X2 + 4 X3 0 2 X + X2 + 3 X3 + d 60 3 X + 3 X2 + 5 X3 S2 + d2 20 X,X2,X3,S2,d,d2 0

12 Problema da Prmera Fase M W d + d2 ou Ma W (-W) - d d2 W + d + d2 0 Z + 3 X + 2 X2 + 4 X3 0 2 X + X2 + 3 X3 + d 60 3 X + 3 X2 + 5 X3 S2 + d2 20 X,X2,X3,S2,d,d2 0 Problema Fase Forma ableau Iteração 0 V.. W' Z' X X2 X3 S2 d d2 Valor W' Z' a a Iteração V.. W' Z' X X2 X3 S2 d d2 Valor W' 0 /3-4/3 0 8/ Z' 0 /3 2/ / X /3 /3 0 / a /3 4/ /3 20

13 Iteração 2 V.. W' Z' X X2 X3 S2 d d2 Valor W' Z' 0 /2 0 0 /2 -/2 -/2-90 X /3 0 3/4 /3 -/4 5 X /4 0-3/4-5/4 3/4 5 Problema Fase 2 Forma ableau Iteração 0 V.. Z' X X2 X3 S2 Valor Z' /2 0 0 /2-90 X3 0 2/3 0 3/4 5 X2 0 -/4 0-3/4 5 Solução do Problema X 0 X2 5 X3 5 S2 0 Z -90 Z 90

14 Método Smple a Forma Matrcal Ma s.a: z c (.a) A b (.b) 0 (.c) ode c,,0, posto m. Obteção de uma Solução m b e A é uma matrz m de No sstema de equações leares (.b), para que uma solução sea determada, é ecessáro, cosderado que m, arbtrar o valor de m varáves. Partcoado o vetor de varáves de modo a caraterzar as varáves que serão arbtradas e aquelas que serão calculadas, e segudo esta partção para os demas elemetos do PPL, tem-se: c c c [ ] m A (2) m ode c,, c,, é uma matrz m m ão-sgular, e é uma matrz m ( m).

15 Com sto o PPL poderá ser re-escrto a forma: Ma s.a: z c + c (3.a) + b (3.b) 0 e 0 (3.c) Arbtrado o valor das m compoetes do vetor de varáves, os valores das compoetes do vetor poderão ser obtdo a partr da equação (3.b): b ( b ) b (4) No caso partcular em que se arbtra 0, tem-se uma solução básca, e o valor das compoetes do vetor poderá ser obtdo através de: ˆ b (5) Cosdere que a solução assm obtda satsfaz as codções de ão-egatvdade das varáves báscas, apresetadas em (3.c), sto é, que ˆ 0. Neste caso, dz-se que esta solução é uma solução básca vável. Os vetores e são deomados de vetor de varáves báscas e vetor de varáves ão-báscas, respectvamete.

16 Cálculo do valor da fução obetvo O valor da fução obetvo, que poderá ser calculado através da equação (3.a), o caso partcular de uma solução básca resume-se a: zˆ c ˆ (6) Até agora, mostrou-se como o valor das varáves pode ser obtdo a partr do arbítro das varáves. Varado-se o valor destas, obtém-se dferetes soluções para. Substtudo (4) a epressão (3.a), obtém-se: z c z c z c ( b ) ˆ b c + + c + c ( c c ) z ( c c ) zˆ + (7) Com esta epressão, pode-se calcular o valor da fução obetvo de ovas soluções, como fução dos valores arbtrados para. Portato, dferete valores de produzem dferetes valores para a fução obetvo.

17 Codção de otmaldade Cosderado que desea-se obter uma solução com valor da fução obetvo maor do que o valor atual zˆ, sto é, que z > zˆ, a segute codção deve ser satsfeta: ( c ) < 0 c (8) Dado que a solução básca correte 0, e que a codção de ão-egatvdade deve ser matda, para satsfazer a codção (8) é ecessáro aumetar as compoetes de assocadas a compoetes egatvas do vetor c c (9) Obvamete, se ão estrem compoetes egatvas em, sto é, se / < 0, ão será possível aumetar o valor de z. Neste caso, dz-se que a solução básca vável correte é a solução ótma do PPL.

18 roca de base Mesmo que esta mas do que uma compoete, o Método Smple cosdera que apeas uma < 0 compoete de é aumetada a cada vez. Neste caso, dversas estratégas de escolha poderão ser adotadas. eorcamete, a úca codção para que se obteha uma solução melhor, é que se escolha uma compoete < 0. Na prátca, a escolha da compoete egatva de meor valor, sto é: m { < 0} k (0) é uma boa estratéga para aumetar o valor da fução obetvo, pos é a que produz o maor cremeto em z com o aumeto utáro da respectva compoete em. Determada a varável ão-básca que será aumetada, assocada a uma compoete k < 0, e deotada por, deve-se determar o valor do cremeto. k Em prcípo, quato maor o valor do cremeto, maor será o valor de z. A fm de mater a vabldade da solução, é ecessáro que a ova solução, que poderá ser calculada pela epressão (4), satsfaça a segute codção: b 0 ()

19 Cosderado que apeas um compoete do vetor de varáves ão-báscas é cremetado por vez, esta epressão resume-se a: ˆ a 0 (2) k k ou ada, cosderado as váras lhas desta codção vetoral: ˆ ak 0,..., m (3) ode a k é a -ésma compoete de k a k. Cosderado que a varável ão-básca será aumetada (postva), é ecessáro verfcar a codção (3) somete para a k > 0. Com sto o cremeto da varável ão-básca será lmtado em: ˆ θ r m{ θ } m ak > 0 (4) ak Não estdo a k > 0, ão haverá lmtes para o cremeto da varável ão-básca. Neste caso, dz-se que ão este solução ótma fta, ou que a solução é lmtada, pos o valor da fução obetvo z.

20 Por outro lado, ecotrado um lmte θ r para o cremeto da varável ão-básca, uma ova solução poderá ser obtda fazedo-se: k θ (5) r Com sto, 0 e o valor da fução obetvo aumeta para r z zˆ + θ. k r Esta ova solução poderá ser represetada por uma ova partção o vetor de varáves, a qual a varável básca que fo aulada passa a fazer parte do vetor de varáves ão-báscas, e a varável ão-básca que fo cremetada passa a fazer parte do vetor de varáves báscas. A esta operação, dá-se o ome de troca de base. Efetuada a re-defção dos vetores e, todas as etapas do processo são repetdas até que se obteha uma solução ótma ou uma solução lmtada.

21 Dualdade em Programação Lear Sea o PPL apresetado a forma abao: (PIMAL) Ma c s.a: (I.a) A b (I.b) 0 (I.c) Etão sempre é possível costrur o PPL que se segue: (DUAL) M b π (II.a) s.a: A π c (II.b) 0 π (II.c) O PPL Prmal relacoa-se com o PPL Dual através das segutes proposções: Proposção * * ) Sea a solução ótma do PPL Prmal. Sea π a * * solução ótma do PPL Dual. Etão c b π. ) Se o PPL Prmal tem solução lmtada, etão o PPL Dual ão tem solução, e vce-versa. Proposção 2 * Sea a solução básca ótma do PPL Prmal, e a * base correspodete. Etão π c c é a solução ótma do PPL Dual.

22 Algortmo SIMPLEX Prmal-Dual (G.. DANZIG, 956) P0 Mote o PPL em sua forma padrão. Escolha um couto de m varáves báscas quasquer, e partcoe o problema como segue: Ma s.a: c + c + b P Calcule Calcule. ˆ b e z c c. P2 Determe Determe ˆ m ˆ. r z m z. k Se z k ˆ e zk < 0, etão vá a P3. r Se ˆ < z e ˆ < 0 r k, etão vá a P4. r Se 0 e z 0, etão PAE. A solução ˆ r atual é ótma. k a. Se 0 P3 Iteração Prmal. Calcule k k / a k >, etão PAE. O problema tem solução lmtada. Em caso cotráro, determe a varável que deverá sar da base: ˆ θ r m θ m ak > 0 ak Vá para P5. a

23 P4 Iteração Dual. Calcule ar er, ode e r é o r-ésmo vetor lha utáro. Se a < 0, etão / r PAE. O problema ão tem solução vável. Em caso cotráro, determe a varável que deverá etrar a base: z α k ma α ma ar < 0 ar P5 roca de base. Efetue a troca de base etre as varáves. Determe a ova partção r k para o PPL e retore a P.

24 Eemplo de Aplcação do Algortmo Smple Prmal-Dual Ma s.a: , 2, 3 0 Motado o problema a forma padrão, obtém-se as segutes matrzes e vetores: X 3 X2 2 X X3 C 4 S 0 S2 0 S A b

25 Iteração S Xb S S X 2 2 Xr X2 0 4 X3 Cb' Cr' S Xb S2 0-0 * 2-2 S dz * 0-0 * dz Observado os resultados verfca-se que as codções de otmaldade e vabldade ão são satsfetas e que a realzação de uma teração dual é recomedada, escolhedo-se a seguda varável básca para sar da base a2 0 0 * 0-0 * Alfa 3? e portato a prmera varável ão-básca etra a base.

26 Iteração 2 S Xb X S S2 0 2 Xr X2-0 4 X3 0 Cb' Cr' S Xb X 0 0 * 2 2 S dz * 0 0 * dz Observado os resultados verfca-se que a solução é vável e que as codções de otmaldade ão são satsfetas e portato a realzação de uma teração prmal é recomedada, com a escolha da prmera varável ão-básca para etrar a base a 0 0 * eta?? 4 e portato a tercera varável básca sa da base.

27 Iteração 3 S Xb X S S3 0 2 Xr X X3 Cb' Cr' S Xb X 0 0 * 2 6 S dz * 0 0 * dz 3 - Verfca-se que as codções de vabldade cotuam sedo satsfetas, o que ada ão acotece com as codções de otmaldade. Portato, é recomedada uma teração prmal, escolhedo-se a tercera varável ão-básca para etrar a base a 0 0 * eta? 6? e a seguda varável básca é escolhda para sar da base.

28 Iteração 4 S Xb X S S3 0 2 Xr X2 0 0 X Cb' Cr' S Xb X3 0 0 * 2 6 S dz * 0 0 * dz 4 2 e a solução é ótma. O valor da fução obetvo poderá ser calculado por: 22 Z *

29 Iterpretação dos esultados Ma (Lucro) s.a: (Subproduto ) (Subproduto 2) (Mão de Obra) 2 3, 2, 3 0 X, X2, X3 são quatdades dos processos de produção Var. Valor dz X 0 X2 0 2 X3 6 0 S 22 0 S S3 0 4 Z 64

30 Aálse de Pós-otmaldade Sea o PPL a forma padrão Ma s.a: * e sea ( ) *, A b c 0 a sua solução básca ótma. Se algum parâmetro do modelo sofrer alteração, uma ova solução deverá ser determada. Etre as alterações mas sgfcatvas, tem-se:. Alteração de um coefcete do vetor b 2. Alteração de um coefcete do vetor c a) assocado a uma varável ão-básca b) assocado a uma varável básca 3. Iclusão e eclusão de restrção a) restrções ão-atvas b) restrções atvas 4. Iclusão e eclusão de varável a) varáves báscas b) varáves ão-báscas Obs. Em algus sstemas computacoas (Ldo, MPSX, Ecel) este a opção de efetuar a aálse sobre os coefcetes de b e de c.

31 Caso - Alteração de um coefcete do vetor b Os valores das varáves báscas a solução ótma do PPL é dada, a partr dos valores por: * ( b ) * Dado que um coefcete do vetor b sofreu alteração, sto é, dado que o ovo vetor b é dado por b b + r e r, ode e r é o r-ésmo vetor colua utáro tem-se: * * * * ( b ) [( b + r er ) ] * * ( b ) + r er + r er Para que esta ova solução cotue sedo ótma é ecessáro que: ou * * * * + + r r r e r 0 * 0,,..., m Desta epressão obtém-se os lmtes r para varação de cada compoete do vetor b, a forma apresetada abao.

32 r r * r r r * * r se se r r Caso 2 - Alteração de um coefcete do vetor Para a solução ótma de um PPL, tem-se: > 0 < 0 c Z c c 0, se ˆ 0 No caso do -ésmo coefcete do vetor c modfcar, sto é, se c c +, tem-se para o caso da solução básca permaecer ótma: Z c c c + c 0 Z + Z 0, ou Z

33 Caso 3 - Alteração de um coefcete do vetor No caso do k-ésmo coefcete do vetor k k c c modfcar, sto é, se c c + k e, ode e é o k-ésmo vetor lha utáro, tem-se, para o caso da solução básca permaecer ótma: ode Z Z c c c ( c + e ) 0 k k Z Z 0, k k e k k Z k k k k k e Z k Z k k se se k k 0 > 0 < 0

(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

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

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

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

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

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

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

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

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

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

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

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

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

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

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

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

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. 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

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

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

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

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

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

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

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

Leia mais

MODELOS DE REGRESSÃO NÃO LINEARES

MODELOS DE REGRESSÃO NÃO LINEARES M. Mede de Olvera Excerto da ota peoa obre: MODELOS DE REGRESSÃO NÃO LINEARES Obervação No modelo de regreão dto leare, a varável depedete é exprea como fução lear do coefcete de regreão. É rrelevate,

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

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

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

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

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

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

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

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

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

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

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

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

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

3- Autovalores e Autovetores.

3- Autovalores e Autovetores. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 3- Autovalores e Autovetores. 3.- Autovetores e Autovalores de ua Matrz. 3.- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. 3.- Autovetores

Leia mais

e represente as no plano Argand-Gauss.

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

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

Capítulo 8. Método de Rayleigh-Ritz

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

Leia mais

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si. Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de

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

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

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

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

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

FINANCIAMENTOS UTILIZANDO O EXCEL

FINANCIAMENTOS UTILIZANDO O EXCEL rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas

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

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

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

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

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

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

Aula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte

Aula de Hoje. Introdução a Sistemas Inteligentes. Redes RBF. Redes RBF. Tópicos em Redes Neurais II: Redes Neurais RBF 1ª Parte Itrodução a Sstemas Itelgetes ópcos em Redes Neuras II: Redes Neuras RBF ª Parte Prof. Rcardo J. G. B. Campello Aula de Hoje Neurôos de Resposta Radal Modelos Neuras RBF Úca Saída Múltplas Saídas Represetação

Leia mais

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%

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

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

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

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

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

AULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância.

AULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância. Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas

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

Matemática Aula 1. Decomposição Matricial

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

Leia mais

2-Geometria da Programação Linear

2-Geometria da Programação Linear I 88 Otmzação Lear -Geometra da Programação Lear ProfFeradoGomde DC-FEEC-Ucamp Coteúdo. Poledros e cojutos coveos. Potos etremos vértces soluções báscas factíves 3. Poledros a forma padrão 4. Degeeração

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

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

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

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole

Bioestatística Curso de Saúde. Linha Reta 2 Parábola ou curva do segundo grau. terceiro grau curva do quarto. grau curva de grau n Hipérbole Teora da Correlação: Probleas relatvos à correlação são aqueles que procura estabelecer quão be ua relação lear ou de outra espéce descreve ou eplca a relação etre duas varáves. Se todos os valores as

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

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

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

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

Leia mais

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

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

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

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

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

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

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

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

Métodos Matemáticos Aplicados a Processos Químicos e Bioquímicos. Capítulo II : Autovalores, Autovetores e Formas Quadráticas

Métodos Matemáticos Aplicados a Processos Químicos e Bioquímicos. Capítulo II : Autovalores, Autovetores e Formas Quadráticas J.L. de ederos & Oféla Q.F. raúo DISCILIN étodos atemátcos plcados a rocessos Químcos e Boquímcos Capítulo II : utovalores utovetores e Formas Quadrátcas José Luz de ederos e Oféla Q.F. raúo Egehara Químca

Leia mais

3- Autovalores e Autovetores.

3- Autovalores e Autovetores. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS - Autovalores e Autovetores..- Autovetores e Autovalores de ua Matrz..- Métodos para ecotrar os Autovalores e Autovetores de ua Matrz. Cotuação da

Leia mais

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

Números Complexos Sumário

Números Complexos Sumário Números Complexos Sumáro. FORMA ALGÉBRICA DOS NÚMEROS COMPLEXOS.. Adção de úmeros complexos... Propredades da operação de adção.. Multplcação de úmeros complexos... Propredades da operação de multplcação..

Leia mais

Probabilidade II Aula 10

Probabilidade II Aula 10 Probabldade II Aula 0 Mao de 009 Môca Barros, D.Sc. Coteúdo Esperaça Matemá (Valores esperados) Mometos e Mometos Cetras Valores esperados de uma fução de Covarâca e Correlação Matrz de covarâca, matrz

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

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se

Leia mais

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

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

Leia mais

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering)

Representação dos padrões. Tipos de atributos. Etapas do processo de agrupamento. 7.1 Agrupamento clássico. 7. Agrupamento fuzzy (fuzzy clustering) 7. Agrupaeto fuzzy (fuzzy clusterg) 7. Agrupaeto clássco Agrupaeto é a classfcação ão-supervsoada de padrões (observações, dados, objetos, eeplos) e grupos (clusters). Itutvaete, padrões seelhates deve

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

Disciplina: Análise Multivariada I Prof. Dr. Admir Antonio Betarelli Junior AULA 6.1

Disciplina: Análise Multivariada I Prof. Dr. Admir Antonio Betarelli Junior AULA 6.1 Dscpla: álse Multvaraa I Prof. Dr. mr too Betarell Juor UL 6. MÉTODO DE ESCLONMENTO MULTIDIMENSIONL (MDS) Proposto por Youg (987) esse métoo poe ser utlzao para agrupameto. É uma técca para represetar

Leia mais

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

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

Leia mais

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

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

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

Métodos tipo quadratura de Gauss

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

Leia mais

Capítulo 5 CINEMÁTICA DIRETA DE ROBÔS MANIPULADORES

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

Leia mais