Capítulo 8. Método de Rayleigh-Ritz

Tamanho: px
Começar a partir da página:

Download "Capítulo 8. Método de Rayleigh-Ritz"

Transcrição

1 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 um problema de valor lmte (borda), ós trocamos a operação cotíua de dferecação por operações de dscretzação de dfereças ftas. O método Ralegh-Rtz ataca o problema de uma forma dferete. O problema de valor lmte é prmeramete reformulado para um problema de escolha. Etre todo o cojuto de fuções dferecáves que satsfazem as codções de lmte, escolhe-se as fuções que mmzam uma certa tegral. Etão, o cojuto de fuções váves fca reduzdo, para resultar em uma solução para o problema de mmzação e, cosequetemete, uma solução para o problema de valor lmte. 8.. Motvação Um mportate problema lear com valor lmte de dos potos a aálse beam-stress é dada pela equação dferecal (.3) com as codções lmtes d + = d p ( ) dy q( ) y f ( ) para 0 d (.33) y ( 0) = y( ) = 0., 70

2 Esta equação dferecal descreve o desvo y( ) em um rao de etesão com uma secção de cruzameto represetada por q( ). Este desvo é devdo às tesões p( ) e f ( ). Na dscussão segute assumremos p egmos que lá esta uma costate δ > 0 tal como C [ 0, ] e q, f C[ 0, ].Mas adate, p( ) δ > 0 para 0 e que q( ) 0 para 0. Essas suposções são sufcetes para garatr que o problema com o valor lmte (.3) e (.33) teha uma solução úca. Como o caso de mutos problemas com valor lmte que descrevem um feômeo físco, a solução para equação rao satsfaz uma propredade varate. O prcípo varate para a equação rao é fudametal para o desevolvmeto do método Raylegh-Rtz e caracterza a solução para a equação de rao como a fução que mmza uma certa tegral em todas as fuções em C 0 [ 0, ], o cojuto destas fuções u em C [ 0, ] com a propredade que u( 0) = u( ) = 0. O teorema segute dá a caracterzação. A prova deste teorema, por equato ão dfícl, é etesa; pode ser ecotrada em Schultz[77] Método Teorema.5 Seja p C [ 0, ], q, f C[ 0, ], e 7

3 (.34) p( ) δ > A fução y (.35). 0, q( ) 0 para 0 C 0 [ 0, ] é a úca solução para a equação dferecal d + = d p ( ) dy q( ) y f ( ), 0 d se e somete se y for a úca fução em C 0 [ 0, ] que mmza a tegral, (.36) I[ u] = { p( )[ u ( )] + q( )[ u( )] f ( ) u( ) d 0. No procedmeto Raylegh-Rtz a tegral I ão é mmzada em todas as fuções em C 0 [ 0, ], mas em um cojuto meor de fuções cosstdo de combações leares de certas fuções de base φ, φ,..., φ. As fuções de base { φ ser learmete depedete e satsfazerem φ ( 0) = φ ( ) = 0 para cada =,,...,. = devem Uma apromação φ = ( ) = c φ ( ) para a solução y( ) da Eq.(.35) é obtda pelas costates costates descobertas c, c,..., para mmzar I[ c φ ]. = Da Eq.(.36), c 7

4 (.37) I[ φ] = I[ c φ ] = =, { p( )[ cφ ( )] + q( )[ c ( )] φ = 0 = e, a ordem para um mímo ocorrer é ecessáro, cosderado I uma fução de c, c,...,, ter c (.38) I = 0 para cada j =,,...,. c j Dferecado (.37) dá I c j =,, p( ) cφ ( ) φ j ( ) + q( ) cφ ( ) φ j ( ) f ( ) φ j ( ) d = = 0 e substtudo a Eq.(.38) produz (.39),, 0 = { p( ) φ ( ) φ j ( ) + q( ) φ ( ) φ j ( ) dc f ( ) φ j ( ) d = 0 0 para cada j =,,...,. A prmera escolha das fuções de base que dscutremos evolve polômos leares de tervalos coveetes. O prmero passo é formar uma partção em [ 0, ] escolhedo potos 0,,..., + com 73

5 0 = < <... < < =. 0 + Permtdo h = + para cada = 0,,...,, defmos as fuções de base φ ( ), φ ( ),..., φ ( ) por (.40) φ para cada 0, ( ) h ( ) = ( + ) h 0, =,,...,. 0 +,, +,, A partr do mometo que as fuções φ são tervalos leares coveetes, as dervadas φ,, equato ão cotíuos são costates o subtervalo aberto (, ) + para cada j = 0,,...,. Etão temos 0, h, ( ) = h 0, (.4) φ para cada =,,...,. 0 < < < < + < <,, + < <,, 74

6 , Porque φ e φ são ão ulo somete em (, ) reduz para um o sstema lear trdagoal: (.4) Ac = b. As etradas ão ulas em são dadas por +, o sstema lear (.39) a = { p( )[, ( )] + q( )[, φ φ ( )] d 0 = + p( ) d + p( ) d + h h + + ( ) q( ) d + ( + ) q( ) d h h para cada =,,..., ;,, a = { p( ) φ ( ) φ ( ) + q( ) φ ( ) φ ( ) d, = + p( ) d + ( + )( ) q( ) d h h para cada =,,..., ;e,, a = { p( ) φ ( ) φ ( ) + q( ) φ ( ) φ ( ) d, 0 = p( ) d + ( )( ) q( ) d h h 75

7 para cada =,...,. As etradas em b são dadas por b = f ( ) φ ( ) d 0 + = ( ) f ( ) d + ( + h h ) f ( ) d para cada =,,...,. As etradas em c são os coefcetes descohecdos c, c,..., da qual a apromação Raylegh-Rtz φ dada por c φ ( ) = c φ ( ) = é costruída. O algortmo segute estabelece o sstema lear trdagoal e corpora o Algortmo Trdagoal 6.7 para resolver o sstema. Nos passos 3, 4 e 5 as tegrações devem ser eecutadas, etão uma fórmula quadratura deve ser cluída. É recomeda que a quadratura seja realzada terpolado p, q e f com os tervalos polomas coveetes φ,..., φ, a meos que estes valores possam ser avalados faclmete. Para a resolução de tegras fo utlzado o método de Smpso Algorítmo Para apromar a solução ao problema de valor lmte d + = d p ( ) dy q( ) y f ( ) para 0, y( 0) = y( ) = 0 d 76

8 com a fução lear φ ( ) = c φ ( ): = Etrada:, = 0 < <... < < =. 0 + Saída: coefcetes c,... c. Passo : Para Passo : Para = 0,..., estabeleça h = + = 0,..., defa o tervalo coveete base lear φ por φ 0, ( ) h ( ) = ( + ) h 0, 0 +,, +,, Passo 3: Para cada =,,..., - computar Q Q Q, = + ( )( ) q( ) d + h 3, = ( ) q( ) d h, = + ( ) q( ) d + h 77

9 Q Q Q 4 5, = p( ) d h, = ( ) f ( ) d h +, = ( + ) f ( ) d h 6 Passo 4: Para cada =,,..., - estabeleça Passo 5: Estabeleça Passo 6: Estabeleça α = Q 4, + Q 4, + + Q, + Q 3, β = Q, Q 4, + b = Q + Q 5, 6, α = Q 4, + Q 4, + + Q, + Q 3, b = Q + Q a = α 5, 6, ζ β = α Passo 7: Para =,..., - estabeleça α β ζ a = 78

10 ζ = β a = α β ζ Passo 8: Estabeleça a Passo 9: Estabeleça z = b a Passo 0: Para =,..., estabeleça z = β ( b z ) a Passo : estabeleça c = z Saída(c ) Passo : Para = -,..., estabeleça ζ c = z c + Saída(c ) Passo 3: Pare 8.5. Fluograma 79

11 Iíco Para = 0 até Yes h = + - No Para = até Yes Defção do tervalo coveete base lear No Para cada =,...,- Yes Q, Q, Q 3, Q 4, Q 5, Q 6, No Para cada =,...,- Yes A = Q 4, +Q 4,+ +Q, +Q 3, B = Q, - Q 4,+ b = Q 5, + Q 6, No a = Q 4, + Q 4,+ + Q, + Q 3, b = Q 5, + Q 6, a = A C = B / A Para cada =...,- Yes a = A - B - *C - C = B / A No a = A - B - *C - 80

12 z = b / a Para cada Yes z =..., = (b - B - *z - ) / a No c = z Dsplay (c ) Para cada Dsplay Yes c = -,..., = z - C *c + (c ) No Pare 8.6. Implemetação #clude <strg.h> #clude <stdo.h> #clude <coo.h> #clude <trgo.h> #clude <math.h> #clude <graphcs.h> #clude <stdlb.h> #defe 9 double sqr(double); 8

13 double fuc(double ); double smpso(); double ter; double tsmp; double q,f; double tpofucaos; char tpofucao[5],teste[0]; vod Plota_Tabela(vod); vod Passo(vod); vod Passo(vod); vod Passo3(vod); vod Passo4(vod); vod Passo5(vod); vod fm (vod); vod grafco(vod); typedef float vetor[+]; vetor h,f,alfa,beta,gama,b,a,z,c; float []={.0,.,.,.3,.4,.5,.6,.7,.8,.9; double X,IOLD,IOLD,INEW,INEW,INEW3,INEW4,INEW5,INEW6; t ; vod ma(vod) { 8

14 clrscr(); Passo(); Passo(); Passo3(); Passo4(); Passo5(); f (tpofucaos==) { a[]=alfa[]; gama[]=beta[]/alfa[]; for (=; <=-; ++) { a[]=alfa[]-(beta[-]*gama[-]); gama[]=beta[]/a[]; a[]=alfa[]-(beta[-]*gama[-]); z[]=b[]/a[]; for (=; <=-; ++) z[]=(b[]-(beta[-]*z[-]))/a[]; c[]=z[]; prtf("%f",c[]); for (=-; >=; ++) { c[]=z[]-(gama[]*c[+]); prtf("%f",c[]); getch(); 83

15 Plota_Tabela(); double smpso() { t m=50; double result; double valor; q=(sqr(3.4597)); f=*q*(s(3.4597*x)); t ; tsmp=0; f ((strcmp(tpofucao,"iold")==0) (strcmp(tpofucao,"iold")==0)) { ter=([]-[0])/m; valor=[0]; else f (strcmp(tpofucao,"inew5")==0) { ter=([]-[-])/m; valor=[-]; else f (strcmp(tpofucao,"inew5")==0) { ter=([]-[-])/m; valor=[-]; 84

16 else f ((strcmp(tpofucao,"inew")==0) (strcmp(tpofucao,"inew3")==0) (strcmp(tpofucao,"inew6")==0)) { ter=([+]-[])/m; valor=[]; else { ter=([+]-[])/m; valor=[]; for (=0; <m; ++) { tsmp=(ter/6) * (fuc(valor) + 4*fuc((*valor +ter)/) + fuc(valor+ter)) + tsmp; valor=valor+ter; retur(tsmp); double fuc(double X) { double y; f (strcmp(tpofucao, "IOLD")==0) y=; 85

17 f (strcmp(tpofucao, "IOLD")==0) y=(sqr(x-[0]))*q; f (strcmp(tpofucao, "INEW")==0) y=; f (strcmp(tpofucao, "INEW")==0) y=; f (strcmp(tpofucao, "INEW")==0) y=(sqr(x-[]))*q; f (strcmp(tpofucao, "INEW3")==0) y=(sqr([+]-x))*q; f (strcmp(tpofucao, "INEW3")==0) y=(sqr([+]-x))*q; f (strcmp(tpofucao, "INEW4")==0) y=([+]-x)*(x-[])*q; f (strcmp(tpofucao, "INEW5")==0) y=(x-[-])*f; 86

18 f (strcmp(tpofucao, "INEW5")==0) y=(x-[-])*f; f (strcmp(tpofucao, "INEW6")==0) y=([+]-x)*f; f (strcmp(tpofucao, "INEW6")==0) y=([+]-x)*f; retur (y); double sqr(double T) { T=T*T; retur(t); vod Passo(vod) { for (=0; <=; ++) h[]=[+]-[]; vod Passo(vod) { tpofucaos=0; 87

19 for (=; <=-; ++) { f ((X >= 0.0) && (X <= [-])) F[] = 0.0; else f (X <= []) F[] = (X-[-])/h[-]; else f (X <= [+]) F[]=([+]-X)/h[]; else f (<=(float *)) F[]=0.0; vod Passo3(vod) { strcpy(tpofucao,"iold"); IOLD=(sqr(/h[0]))*smpso(); strcpy(tpofucao,"iold"); IOLD=(sqr(/h[0]))*smpso(); vod Passo4(vod) { f (tpofucaos==) { for (=0; <=-; ++) { strcpy(tpofucao,"inew" ); 88

20 INEW=(sqr(/h[]))*smpso(); strcpy(tpofucao,"inew" ); INEW=(sqr(/h[]))*smpso(); strcpy(tpofucao,"inew3" ); INEW3=(sqr(/h[]))*smpso(); strcpy(tpofucao,"inew4" ); INEW4=(sqr(/h[]))*smpso(); strcpy(tpofucao,"inew5" ); INEW5=(/h[-])*smpso(); strcpy(tpofucao,"inew6" ); INEW6=(/h[])*smpso(); alfa[]=iold+inew+iold+inew3; beta[]=-inew+inew4; b[]=inew5+inew6; IOLD=INEW; IOLD=INEW; vod Passo5(vod) { strcpy(tpofucao,"inew" ); INEW=(sqr(/h[]))*smpso(); strcpy(tpofucao,"inew3" ); 89

21 INEW3=(sqr(/h[]))*smpso(); strcpy(tpofucao,"inew5" ); INEW5=(/h[-])*smpso(); strcpy(tpofucao,"inew6" ); INEW6=(/h[])*smpso(); alfa[]=iold+inew+iold+inew3; beta[]=inew5+inew6; result(); vod Plota_Tabela(vod) { t ; char s[0]; f (tpofucaos==) { settetstyle(0,0,0); le(460,90,460,450); le(540,90,540,450); le(60,90,60,450); for (=0;<=30;++) le(460,90+*,60,90+*); outtety(50,43,"tabela"); outtety(0,65,""); 90

22 outtety(465,77,"(to/cm)"); outtety(300,65,""); outtety(560,77,"000"); for (=0;<=9;++) { sprtf(s,"%.4f",); outtety(0,93+*,s); f (<7) sprtf(s,"%.4f",[]); else f (<4) sprtf(s,"%.3f",f[]); else f (<) sprtf(s,"%.f",f); else sprtf(s,"%.f",f[]-f); outtety(300,93+*,s); 8.7. Eemplo O eemplo segute usa o algortmo acma. Modelo: Cosderar o problema de valor lmte 9

23 Façamos h y + π y = π s( π) 0, y( 0) = y( ) = 0 = h = 0. tal que = para cada = 0,, As tegras são π Q, = 00 ( )( 0. ) π d = π Q, = 00 ( ) π d = π Q3, = 00 ( ) π d = 30 Q 4, = 00 d = Q5, = 0 ( ) π sπd = = π cos 0. π + 0[ s( 0. π) s(( ) π )] Q6, = 0 ( ) π sπd = 0. = π cos 0. π 0[ s(( ) π s( 0. π )] O sstema lear Ac = b has 9

24 a a a π, = 0 + para cada =,, π, + = 0 + para cada =,, π, = 0 + para cada =, 3, b = 40s( 0. π )[ cos 0. π ], para cada =,, A solução para o sstema lear trdagoal é c 9 = c 4 = c 8 = c 3 = c 7 = c = c 6 = c = c5 = O tervalo da apromação lear é 9 φ ( ) = cφ( ) = A atual solução para o problema do valor lmte é y ( ) = sπ 93

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos [email protected] Prof. Marco A.F.H. Cavalcat [email protected] 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

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

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

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

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

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

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro

Leia mais

Capítulo 3. Interpolação Polinomial

Capítulo 3. Interpolação Polinomial EQE-358 MÉTODOS NUMÉRICOS EM ENGENHARIA QUÍMICA PROFS. EVARISTO E ARGIMIRO Capítulo 3 Iterpolação Polomal Teorema de Weerstrass: se f( é uma fução cotíua em um tervalo fechado [a, b], etão para cada >,

Leia mais

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;

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

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

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

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

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

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

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. [email protected] 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

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

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 [email protected] Prof. arco A.F.H. Cavalcat [email protected] Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo

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

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA

CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA Polômos de Jacob e CAPÍTULO III - POLINÔMIOS DE JACOBI E QUADRATURA NUMÉRICA III--)INTRODUÇÃO Para um melhor etedmeto do método da colocação ortogoal e sua relação com o método dos resíduos poderados (MRP),

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

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. [email protected] http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Ajuste de dados experimentais

Ajuste de dados experimentais Capítulo 8 8. Itrodução Uma forma de trabalhar com uma fução defda por uma tabela de valores é a terpolação polomal. Etretato esta ão é acoselhável quado:. é precso obter um valor aproxmado da fução em

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

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

CAMPUS DE GUARATINGUETÁ Computação e Cálculo Numérico: Elementos de Cálculo Numérico Prof. G.J. de Sena - Depto. de Matemática Rev.

CAMPUS DE GUARATINGUETÁ Computação e Cálculo Numérico: Elementos de Cálculo Numérico Prof. G.J. de Sena - Depto. de Matemática Rev. uesp CAMUS DE GUARATINGUETÁ Computação e Cálculo Numérco: Elemetos de Cálculo Numérco ro. G.J. de Sea - Depto. de Matemátca Rev. 5 CAÍTUO 4 INTEROAÇÃO 4. INTRODUÇÃO Cosdere a segute tabela relacoado calor

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

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

CLEBER HELIO GARCIA OS TEOREMAS DO CÁLCULO VETORIAL

CLEBER HELIO GARCIA OS TEOREMAS DO CÁLCULO VETORIAL CLEBER HELIO GARCIA OS TEOREMAS DO CÁLCULO VETORIAL Trabalho de Coclusão de Curso apresetado ao Curso de Matemátca Habltação Lcecatura Departameto de Matemátca, Sob a oretação do Profº Dr.Elezer Batsta.

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

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

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

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 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

Aerodinâmica I. Asas Finitas Teoria da Linha Sustentadora Método de Glauert

Aerodinâmica I. Asas Finitas Teoria da Linha Sustentadora Método de Glauert ( y Método de Gauert ( y ( y V c( y β 4 V d y y dy ( y dy Método de resoução da equação tegro-dfereca da ha sustetadora através da sua trasformação um sstema de equações agérco - Asas smétrcas, sem dedro

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

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

Leia mais

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos

Leia mais

Capítulo 6 - Centro de Gravidade de Superfícies Planas

Capítulo 6 - Centro de Gravidade de Superfícies Planas Capítulo 6 - Cetro de ravdade de Superfíces Plaas 6. Itrodução O Cetro de ravdade (C) de um sóldo é um poto localzado o própro sóldo, ou fora dele, pelo qual passa a resultate das forças de gravdade que

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

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

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

Leia mais

CEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias

CEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias CEDEPLAR - UFMG Nvelameto em Estatístca 3 Prof a Suel Moro Varáves aleatóras Varável aleatóra resultado ou produto de um epermeto aleatóro com um resultado úco. Varável resultado = Espaço amostral cojuto

Leia mais