Programação Não Linear. Programação Não-Linear 1

Tamanho: px
Começar a partir da página:

Download "Programação Não Linear. Programação Não-Linear 1"

Transcrição

1 Proramação Não Lnear Proramação Não-Lnear

2 Os modelos empreados em Proramação Lnear são, como o própro nome dz, lneares (tanto a unção-obetvo quanto as restrções). Este ato é, sem dúvda, a maor das restrções mpostas sobre um modelo de Proramação. Em rande parte das aplcações, modelos lneares reletem apenas apromações dos modelos reas. Fenômenos íscos ou econômcos são eralmente melhor representados por modelos não-lneares. A maora das não-lneardades enlobadas em um modelo de proramação está dentro de prncpas cateoras: )Relações observadas emprcamente, tas como varações não-proporconas em custos, resultados de processos e característcas de qualdade. )Relações deduzdas estruturalmente, que enlobam enômenos íscos, deduzdos matematcamente e reras admnstratvas. Em eral, os modelos empreados em Proramação Não-Lnear são do tpo: Ma (ou Mn) sueto com a b (,,..., n ) (). e (). unções não lneares para,,..., m Proramação Não-Lnear

3 Os métodos para resolução de problemas de Proramação Não-Lnear podem ser dvddos em rupos: ) Modelos sem restrções e ) Modelos com restrções O prncpal conceto envolvdo em Proramação Não-Lnear é o de taa de varação dervadas e radentes. O rande problema que dculta a obtenção da solução ótma nos problemas de Proramação Não-Lnear são os mínmos e mámos (etremos) locas da unçãoobetvo. () a b c Proramação Não-Lnear 3

4 Métodos de Otmzação Sem Restrções Método de Mnmzação de unções muto smples Consste nos seuntes passos: ) chutar 3 pontos (a,b,c). () )Escolher um ponto entre a e b ou entre b e c. supondo que escolhemos entre b e c: 3)Se (b) < () 3 novos pontos são (a,b,). 4)Senão 3 novos pontos são (b,,c). 5)Repetr processo até precsão deseada. (b) (c) (a) a b c Problema deste Método: Etremamente dependente da ncalzação determnístcos). (problema comum aos Métodos Função precsa ser avalada em mutos pontos alto custo computaconal. Inormação da dervada da unção permte alcançar o etremo com menor número de avalações da unção melhor ecênca computaconal. Proramação Não-Lnear 4

5 Método do Gradente (ou Método de Cauchy ou Método do Passo Mas Descendente (Steepest Descent Method)). Dervada ornece a normação da taa de varação da unção (-D). Para o caso n-d, o vetor radente ornece a dreção da maor taa de varação da unção.vetor Gradente Método consste em: Procurar o mámo (ou mínmo) na dreção de maor taa de crescmento (decrescmento) da Função Obetvo a partr de uma solução (ponto) ncal (). mamzação,,,..., 3 n ( ) t. ( ) mnmzação ( ) t. ( ) t é o tamanho do passo é o número da teração,,..., n Proramação Não-Lnear 5

6 Eemplo De uma lona olha de metal de 3 cm de larura deve-se azer uma calha dobrando as bordas perpendcularmente à olha. Quantos centímetros devem ser dobrados de cada lado de modo que a calha tenha capacdade máma? 3 cm 3 - Quanto deve medr para que a calha tenha capacdade máma? 3 - Proramação Não-Lnear 6

7 A capacdade de escoamento de áua da calha é, ormalmente, a vazão! ( A, v) A. v Q Q(A,v) é a vazão (cm 3 /s); A é a área da seção (cm ); e v é a velocdade do luído (cm/s). Supondo v constante, a vazão torna-se dretamente proporconal à área da seção! Portanto, mamzando A mplca em mamzar Q(A,v). Área da seção área máma ().(3 ) Proramação Não-Lnear 7

8 Área da seção 7.5cm 7.5cm Por nspeção do ráco anteror verca-se que a unção alcança o mámo (ótmo) em () Solução do problema da calha pelo Método do Gradente.(3 ) 3 () 3 4 ( ) t( 3 4 ) resíduo ()-() Processo teratvo cessa quando resíduo é menor que precsão deseada crtéro de parada. Para t.. o teração () -3 () -3.(3-4(-3)). resíduo4. o teração (). ()..(3-4(.)) 3.7 resíduo.5 3 o teração () 3.7 (3) 3.7.(3-4(3.7)) 5.3 resíduo.5 9 o teração (8) (9) (3 4(7.498)) resíduo.7 Proramação Não-Lnear 8

9 O ráco da esquerda mostra o camnho de busca (traetóra) da solução ótma realzada pelo alortmo para t. e o da dreta para t.4. 5 Função Obetvo e Processo de Busca do Mámo 5 Função Obetvo e Processo de Busca do Mámo solução ótma Solução ótma 5 Função Obetvo 5 Função Obetvo área Camnho de Busca área -5-5 Camnho de Busca - solução ncal solução solução traetóra é unção do tamanho do passo Deve estr um tamanho de passo ótmo?! A solução ótma será alcançada mas rapdamente quanto menos a Função Obetvo or avalada! Para sso, vamos azer, sem perda de eneraldade, alumas alterações no Método do Gradente substtundo () por Z(t), ou sea, uma epressão que é unção do tamanho do passo t e () por smplesmente. O Método então ca: Z (t) t. () t. () Proramação Não-Lnear 9

10 Substtundo Z(t) em (), temos: () t ( Z(t) ) Iualando a dervada de (t) (em relação a t) a zero ('(t)) e então resolvendo para t, encontra-se uma unção que descreve os valores ótmos de t para cada solução. No eemplo, Z(t) ca: Z(t) t(3 4) Substtundo Z(t) em, ca: (t) (t) 3 9 9t 4t t t 36t 48t 8t 64 t 3 t Resolvendo para t: o teração () -3 t R 7.5 t para 7.5 área 5 5 Função Obetvo Função Obetvo e Processo de Busca do Mámo Solução ótma Camnho de Busca () -3.5(3-4(-3)) solução Proramação Não-Lnear

11 Outro eemplo (caso -D) 3 Mn 6 unção obetvo representada por curvas de nível vetores radentes Proramação Não-Lnear

12 A próma ura mostra o "camnho de busca" no plano dada a solução ncal em (-,). unção obetvo representada por curvas de nível vetores radentes Proramação Não-Lnear

13 O tamanho do passo ótmo t é calculado como: ( ) ( ) () () t. 6 () tamanho passo teração Fazendo z () t ( ) e ( t ) z( t ) Resolvendo para t () t ( z( t )) ( t ) 3( 6t ) () t ( t) ( ) 6( 6t) ( 6) t resíduo ( ( ) ) ( ( ) ) Proramação Não-Lnear 3

14 Uma outra manera de encontrar etremos de uma unção não-lnear é smplesmente ualar as dervadas parcas a zero e resolver o sstema de equações não-lneares. Eemplo 8 Mn (, ) O sstema não-lnear ca: 8 8 Resolvendo este sstema, na reão,, tem-se: e. Para conrmar que temos um ponto de mínmo, podemos substtuí-lo, nas dervadas parcas de o ordem: ,, 8 que por sua vez, são postvos, conrmando portanto, que o ponto é de mínmo. Proramação Não-Lnear 4

15 Resumo e e seundo > < Mn. e e Stran yy yy m bm e (,,..., ) Eemplo m Ma sueto ou b b e Ma n > Mínmo < Mámo > > y y não lneares Mínmo Mámo satsaça local local local local equações (, ) a { (, ) crcunerênca (r ) n as Um rande problema desta abordaem está em resolver sstemas de equações nãolneares, os quas eralmente, são resolvdos através de métodos numércos. Otmzação com Restrções e Função-Obetvo Não-Lnear Proramação Não-Lnear 5

16 Função Laranana h m (, ) [ b ] onde: Método dos Multplcadores de Larane (,,..., m ) são os multplcadores de Larane. Nota-se que para valores váves de : assm: (, ) h b, Portanto, se (, ) (, ) é um etremo local ou lobal para a unção sem restrção h(, ), então é um etremo para o problema ornal. Assm, h(, ) é analsado normalmente como um modelo sem restrções. Com sso, n m dervadas devem ser ualadas a zero. h h m b,,,...,n,,,...,m Este sstema deverá ornecer os etremos locas (ou lobas). No entanto, para problemas reas, tas sstemas tornam-se pratcamente mpossíves de solucona-los. Proramação Não-Lnear 6

17 Proramação Não-Lnear 7 () () h 3 h h então,, h,, Eemplo () 3 ou (),, e,, 3 Se ± Estes pontos são mámo e mínmo locas. Neste caso, estes pontos são mámo e mínmo lobas. Como estamos querendo mamzar, a solução ótma é (, )(,). (,)..

18 No eemplo anteror, os etremos locas são também lobas. Porém, este ato o observado apenas por nspeção dos resultados. Uma manera mas eleante de vercar sto consste em analsar a questão de convedade de uma unção, uma vez que esta propredade pode arantr a estênca de mínmos ou mámos lobas. Funções Conveas e Côncavas Undmensonas Uma unção de uma únca varável () é uma unção convea se, para cada par de valores de, por eemplo, e com < tem-se: [ ( ) ] ( ) ( ) ( ) < < Se pode ser recolocado por <, é uma unção estrtamente convea. Se pode ser recolocado por por, é uma unção côncova. Se pode ser recolocado por por >, é uma unção estrtamente côncova. A nterpretação eométrca destas propredades é a seunte: se para cada par de pontos sobre o ráco de (), um semento de reta conectando estes pontos estver nteramente acma ou sobre o ráco de (), () é dta convea. Proramação Não-Lnear 8

19 Convea Concâva Convea e Côncava Estrtamente Convea Estrtamente Concâva Não Convea e Não Côncava Proramação Não-Lnear 9

20 O racocíno é análoo para unções côncavas. De manera mas ormal, o teste de convedade (ou concavdade) pode ser realzado através da dervada seunda.() é: -Convea se e somente se -Estrtamente convea se e somente se -Côncava se e somente se d -Estrtamente côncava se e somente se d d d d d d d Esta propredade pode ser eneralzada para o caso de varáves. A seunte tabela resume as condções. > > Proramação Não-Lnear

21 As propredades acma ornam da análse da matrz Hessana. De modo ormal, uma unção com n varáves é dta convea se a sua respectva matrz Hessana é Sem- Denda Postva. Com sso, o conceto de convedade pode ser eneralzado para n dmensões. Apenas como recordação, a matrz Hessana de uma unção de n varáves é: [][] H (,,..., ) n,,,..., n Uma matrz é Sem-Denda Postva se qualquer uma das seuntes propredades é satseta. ) t H )todo 3)todas 4)todo submatrzes pvô é autovalor vetor de H é prncpas possuem H com det er mn antes autovetores Proramação Não-Lnear

22 Condções para Otmzação com Restrções de Karush-Kuhn-Tucker (KKT) Se (), (), (),..., m () são derencáves, então: (,,..., n ) pode ser uma solução ótma para um problema de Proramação Não-Lnear somente se este m números,,..., m tas que todas as condções KKT são satsetas: m. em e,,..., n m ( ) b [ b ],,..., n,,...,n para,,..., n Nas condções e 4 estem o produto de quantdades, portanto, no mínmo umas dessas quantdades deve ser zero para satsazer a ualdade. Proramação Não-Lnear

23 Proramação Não-Lnear 3 Assm, as condções 3 e 4 podem ser combnadas para uma orma equvalente: Da mesma manera, pode-se combnar as condções e : Os multplcadores de Larane correspondem para varáves duas. As condções KKT não arantem solução ótma anda, az-se necessáro vercar as condções de convedade-concavdade. Se () é côncava e (), (),..., m () são conveas (Proramação Não-Lnear Convea) e condções KKT satsetas, (,,..., n ) é ótma. se b se b 3,4. se se,. m m

24 Proramação Não-Lnear 4 3 a sueto ln Ma Eemplo ótma é KKT atenda que solução qualquer. pos : côn cov a, ln. pos : convea, m < condção condção KKT [ ] [ ] condção6, condção5 3 b condção4 3 b condção3

25 Re solução ) 3) 4) 5) 6) 7) ) 3 nenhuma condção 5, condção 3 condção condção (,3) é ótma 3, <, ( 3 ( ) ) condção 3, volada condção 4 ( por : ) satsazen do Outros tpos de problemas de Proramação Não-Lnear: -Proramação Separável -Proramação Quadrátca -Proramação Geométrca -Proramação Fraconal -Proramação Não-Convea condções KKT Proramação Não-Lnear 5

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores. MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara [email protected] Resumo

Leia mais

Teoremas de Otimização com Restrições de Desigualdade

Teoremas de Otimização com Restrições de Desigualdade Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

CAPÍTULO IV DIFERENCIAÇÃO NUMÉRICA

CAPÍTULO IV DIFERENCIAÇÃO NUMÉRICA PMR - Mecânca Computaconal para Mecatrônca CAPÍTULO IV DIFERENCIAÇÃO NUMÉRICA O problema de derencação numérca aparentemente é semelante ao de ntegração numérca ou seja obtendo-se um polnômo nterpolador

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. [email protected] http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Associação entre duas variáveis quantitativas

Associação entre duas variáveis quantitativas Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

Engenharia Civil/Mecânica Cálculo 3-3º semestre de 2012 Profa Gisele A.A. Sanchez

Engenharia Civil/Mecânica Cálculo 3-3º semestre de 2012 Profa Gisele A.A. Sanchez Engenhara Cvl/Mecânca Cálclo - º semestre de 01 Proa Gsele A.A. Sanchez 4ª ala: Dervadas Dreconas e Gradente Gradentes e dervadas dreconas de nções com das varáves As dervadas parcas de ma nção nos dão

Leia mais

Flambagem. Cálculo da carga crítica via MDF

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

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. [email protected] http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Programação Linear 1

Programação Linear 1 Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework

Leia mais

MECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor

MECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor 1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos

Leia mais

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para

Leia mais

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite 5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS

D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,

Leia mais

4 Discretização e Linearização

4 Discretização e Linearização 4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas

Leia mais

PERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS

PERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS PERCEPTRON Característcas Báscas Modelo de Neurôno Estrutura da Rede Algortmo de Aprendzado CARACTERISTICAS BASICAS - Regra de propagação net - Função de atvação: Degrau = x w + - Topologa: uma únca camada

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

Leia mais

Covariância na Propagação de Erros

Covariância na Propagação de Erros Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos

Leia mais

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas

Leia mais

XXVII Olimpíada Brasileira de Matemática GABARITO Primeira Fase

XXVII Olimpíada Brasileira de Matemática GABARITO Primeira Fase Soluções Nível Unverstáro XXVII Olmpíada Braslera de Matemátca GABARITO Prmera Fase SOLUÇÃO DO PROBLEMA : Pelo enuncado, temos f(x) = (x )(x + )(x c) = x 3 cx x + c, f'(x) = 3x cx, f '( ) = ( + c) e f

Leia mais

NOTA II TABELAS E GRÁFICOS

NOTA II TABELAS E GRÁFICOS Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.

Leia mais

Covariância e Correlação Linear

Covariância e Correlação Linear TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento

Leia mais

Introdução a Combinatória- Aplicações, parte II

Introdução a Combinatória- Aplicações, parte II Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o

Leia mais

MÉTODOS DE ANÁLISE DE CIRCUITOS RESISTIVOS ANÁLISE NODAL

MÉTODOS DE ANÁLISE DE CIRCUITOS RESISTIVOS ANÁLISE NODAL CIRCUITOS ELÉTRICOS Método de Análse: Análse Nodal Dscplna: CIRCUITOS ELÉTRICOS Professor: Dr Marcos Antôno de Sousa Tópco MÉTODOS DE ANÁLISE DE CIRCUITOS RESISTIVOS ANÁLISE NODAL Referênca bbloráfca básca:

Leia mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF) PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra

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

3 Animação de fluidos com SPH

3 Animação de fluidos com SPH 3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)

Leia mais

Classificação das Equações de Conservação

Classificação das Equações de Conservação Angela Neckele PUC-Ro Classcação as Equações e Conservação Equação erencal parcal lnear e seguna orem, com uas varáves nepenentes (x, y) ou (x, t) B AC 0 elíptca Classcação: B AC 0 parabólca B AC 0 perbólc

Leia mais

Análise Complexa Resolução de alguns exercícios do capítulo 1

Análise Complexa Resolução de alguns exercícios do capítulo 1 Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ ANÁISE MATRICIA DE ESTRUTURAS DE BARRAS PEO MÉTODO DE RIGIDEZ A análse matrcal de estruturas pelo método de rgdez compreende o estudo de cnco modelos estruturas báscos: trelça plana, trelça espacal, pórtco

Leia mais

Eletrotécnica AULA Nº 1 Introdução

Eletrotécnica AULA Nº 1 Introdução Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca

Leia mais