José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas

Tamanho: px
Começar a partir da página:

Download "José Álvaro Tadeu Ferreira. Cálculo Numérico. Notas de aulas"

Transcrição

1 UNIVERSIDADE FEDERAL DE OURO PRETO Isttuto de Cêcas Eatas e Bológcas Departameto de Computação José Álvaro Tadeu Ferrera Cálculo Numérco Notas de aulas Iterpolação Polomal Ouro Preto 3 (Últma revsão em ovembro de 3)

2 Sumáro - Itrodução Estêca e ucdade do polômo terpolador Erro de trucameto Métodos de obteção do polômo terpolador Método de Lagrage Método das dfereças dvddas O operador dfereça dvdda O polômo terpolador com dfereças dvddas Método das dfereças ftas ascedetes O Operador Dfereça Fta Ascedete O polômo terpolador com dfereças ftas ascedetes Compledade dos métodos de terpolação Cosderações fas... 3 Aeos... 5 a) Teorema do Valor Médo... 5 b) Operador lear... 6 Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco

3 Iterpolação polomal - Itrodução Em geral, dspõe-se de dados que são forecdos em um cojuto dscreto de valores, detro de um cotíuo de possbldades. Etretato, pode ser ecessáro fazer estmatvas em potos que estão etre os valores dscretos, ou seja, ão costam do cojuto. Ocorre, também, a stuação a qual se faz ecessára uma versão smplfcada de uma fução complcada. Ambas as aplcações são cohecdas como ajuste de curvas. Há duas abordages geras para o ajuste de curvas, as quas se dstguem com base a quatdade de erro assocada com os dados. Prmero, quado os dados ebrem um grau sgfcatvo de erro, a estratéga será determar uma úca curva que represete a tedêca geral dos dados. Como cada poto dvdual poderá estar correto, ão será feto qualquer esforço para passar a curva por todos os potos. Em vez dsto, a curva é escolhda para segur o padrão dos potos cosderados como um grupo. Uma abordagem desta atureza é chamada de regressão por mímos quadrados. Segudo, quado se souber que os dados são muto precsos, a abordagem básca é ajustar uma curva ou uma sére de curvas que passam dretamete por cada um dos potos. Este tpo de abordagem, que é o objeto deste teto, é chamada de terpolação. Iterpolar uma fução, = f(), em um tervalo fto (a, b), cosste em substtuí-la, ou apromá-la, por outra fução, = g(). A ecessdade de se utlzar este procedmeto ocorre, bascamete, quado a fução: a) ão é cohecda a sua forma aalítca, mas, apeas por meo de um cojuto de potos (, ), =,,..., ; esta stuação ocorre com muta freqüêca, a prátca, quado se trabalha com dados obtdos de forma epermetal; b) é cohecda aaltcamete, mas operações como a dferecação e a tegração são dfíces (ou mesmo mpossíves) de realzar, ou seja, a fução é de dfícl tratameto. Teorcamete, a fução = g() pode ser qualquer, mas o caso mas comumete cosderado é aquele em que pertece à classe das fuções polomas. A apromação de fuções por polômos é uma das déas mas atgas da aálse umérca, e ada das mas utlzadas. É fácl eteder a razão. Os polômos são faclmete computáves, suas dervadas e tegras são, ovamete, polômos, seus zeros podem ser determados com facldade, etc. O uso de polômos terpoladores é mportate, por eemplo, para a obteção de valores termedáros em tabelas, a tegração umérca, o cálculo de raízes de equações e a resolução de equações dferecas ordáras. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 3

4 As fuções terpolates polomas são as mas populares ão só por suas propredades algébrcas, mas, sobretudo, pela justfcatva forecda pelo teorema de apromação de Weerstrass que, de fato, garate a estêca de um polômo capaz de apromar uma fução f tão bem quato se quera. Teorema (Weerstrass) Se f é uma fução cotíua em um tervalo fechado [a, b], etão, dado >, este alguma fução polomal, p, de ordem = (), tal que f() p() <, para [a, b] Apesar de justfcar a estêca da fução terpolate polomal, este teorema ão é costrutvo, sto é, ão forece modos ou crtéros para a sua obteção. Neste teto apresetam-se algus dos procedmetos mas usuas para a obteção de fuções terpolates polomas. Objetvo Sedo (, ), =,,..., ; potos, com abscssas dsttas, de uma fução = f(), obter o polômo, = p() tal que: p( ) = f( ) =, =,,..., - Estêca e ucdade do polômo terpolador Teorema. Se (, ) =,,..., ; são ( + ) potos com abscssas dsttas, de uma fução, = f(), etão este um, e só um, polômo, = p(), de grau mámo, tal que: Demostração p( ) = f( ) =, =,,..., O objetvo é apromar uma fução, = f(), por um polômo, = p(), ou seja, desejase obter p() a a -... a a tal que p( ) = f( ) = para todo =,,,..., Com esta codção, tem-se: Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 4

5 p( p( p( ) a ) a ) a a a a a... a... a Que é um sstema de ( + ) equações leares com ( + ) cógtas a, a, a,..., a. A sua matrz dos coefcetes é dada por: a a a X (.) Trata-se de uma ma matrz de Vadermode. O seu determate é calculado da segute maera det(x) = ( ) ( )... ( ) ( ) ( 3 )... ( )... ( - ) Como, por codção,,,..., são valores dsttos, etão tem-se que o determate de X é ão ulo e o sstema lear admte solução úca. Portato, este um úco polômo, = p(), tal que p( ) = f( ) =, =,,...,. Coclu-se, ada, que o polômo tem grau mámo, uma vez que os coefcetes, a, =,,..., ; podem assumr qualquer valor real, zero clusve. 3 - Erro de trucameto Teorema 3. Sejam: () (, ), =,,..., potos com abscssas dsttas de uma fução = f(); () = f() uma fução com ( + ) dervadas cotíuas o tervalo [, ]. Etão, para cada [, ], este um úmero ξ (, ), que depede de, tal que f () - p() f ( ()) Et () ( - ).( - )...( - ). ( )! (3.) Ode f + (.) é a dervada de ordem ( + ) de = f() e = p() é o polômo que a terpola os potos (, ), =,,...,. A epressão (3.) é chamada de termo do erro ou erro de trucameto. É o erro que se comete quado se substtu a fução pelo polômo que a terpola, o poto. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 5

6 A mportâca do Teorema 3. é mas teórca do que prátca, uma vez que ão é possível determar o poto ξ. Na prátca, para estmar o erro cometdo, quado a fução é dada aaltcamete, é utlzado o coroláro a segur. Coroláro 3. Se f() e suas dervadas até a ordem ( + ) são cotíuas o tervalo [, ], etão: E () ( - t ).( - )...( - M ). ( )! (3.) Ode M = ma f () o tervalo [, ]. Eemplo 3. Sabedo-se que os potos a segur são da fução f() =.e 3., calcular um lmtate superor para o erro de trucameto quado se avala para =,5. Solução De (3.) tem-se que,,3,4 f( ),8,4596 3,3 E () ( - t ).( - )...( - M ). ( )! Ode M = ma f ''' () o tervalo [,;,4]. Como f() =.e 3., segue que: f () = e 3. ( + 3.) f () = e 3..(6 + 9.) f () = 7.e 3..( + ) No tervalo [,;,4], f () é máma para =,4. Logo M = f (,4) = 5,4998. Sedo assm: Et (,5) Et (,5),78 5,4998 (,5 -,).(,5 -,3).(,5 -,4). 3! Note-se que = p() ão ecessaramete coverge para = f() em [a, b] à medda que se aumeta o úmero de potos de terpolação. Polômos terpoladores de grau elevado podem produzr grades osclações os etremos do tervalo, é o Feômeo de Ruge. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 6

7 Este feômeo demostra que polômos de grau elevado são ormalmete pouco recomedáves para a terpolação porque aumetam o erro em valores prómos aos etremos do tervalo de terpolação e melhoram a apromação em valores prómos ao cetro. O problema pode ser evtado usado terpolação polomal por partes com polômos de grau moderado. Desta forma, pode-se tetar dmur o erro de terpolação aumetado o úmero de peças de polômos usadas, em vez de aumetar o grau do polômo. Eemplos típcos: terpolação lear por partes (uma reta para cada par de potos) e terpolação quadrátca por partes (uma parábola para cada três potos), curvas sple. 4 - Métodos de obteção do polômo terpolador Os város métodos para a determação do polômo terpolador têm em comum o coceto de que um polômo ada mas é do que uma combação lear de polômos. O que dfere um método do outro é a forma como este coceto é utlzado, ou seja, a maera de como o polômo terpolador é cocebdo. 4. Método de Lagrage Neste método, o polômo, = L(), que terpola uma fução, = f(), em um cojuto de potos (, ), =,,..., é cocebdo da forma L() ode os L (), =,,,...,..L ().L ().L () (4.) Para que este modelo resulte em um polômo terpolador é ecessáro que L( ) = f ( ) =, =,,..., Sejam, etão L( ) =.L ( ) +.L ( ) +.L ( ) + +.L ( ) Para que L( ) = é ecessáro que L ( ) = e L ( ) = L ( ) = = L ( ) = Cosdere-se agora L( ) =.L ( ) +.L ( ) +.L ( ) + +.L ( ) Para que L( ) = é ecessáro que L ( ) = e L ( ) = L ( ) = = L ( ) = Portato, para que (4.) seja o polômo terpolador de = f() os potos (, ) os L (); =,,,..., ; devem ser tas que L ( ) = L ( j ) = ;, j =,,,..., ; j Assm, os L () são polômos de grau uma vez que cada um tem zeros. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 7

8 Para determar cada L (), =,,..., ; basta cosderar que todo j, j =,,..., ; é um zero de L () quado j. Seja a determação de L (). Tem-se, por codção, que: L ( ) = L ( j ) = ; j =,,..., Portato, cohecedo os zeros de L (), pode-se escrevê-lo a forma fatorada: L () = c.( ).( )... ( ) Para determar o coefcete c basta cosderar o valor umérco de L () em = que, por codção, é gual a. L ( ) = c.( ).( )... ( ) = c ( )( ) ( ) Tem-se, etão, que L ( )( ) ( ) () ( )( ) ( ) (4.) Seja, agora, a determação de L (). Por codção, tem-se que L ( ) = L ( j ) = ; j =,,..., E, etão, L (), pode ser escrto a forma L () = c.( ).( )... ( ) De modo aálogo ao que fo feto aterormete, para determar o coefcete c basta cosderar o valor umérco de L () em = que, por codção, é gual a, obtedo-se etão L ( ) = c.( ).( )... ( ) = c ( )( ) ( ) Tem-se, etão, que Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 8

9 ( )( ) ( ) L() ( )( ) ( ) (4.3) Cosderado os resultados 4. e 4.3, coclu-se que ( )( ) ( )( ) ( ) L (), =,,..., (4.4) ( )( ) ( )( ) ( ) Eemplo 4. Seja = f() uma fução dada os potos a segur. Utlzado terpolação polomal, método de Lagrage, determar o polômo que a terpola. Solução O polômo terpolador é: L() =.L () +.L () +.L () + 3.L 3 () Seja, etão, a obteção de L (), =,,, 3 L ( - )( - )( - 3) () ( - )( - )( - 3 ) ( -).( - ).( - 4) L() ( ( - - )( - )( - 3) )( - )( - ) 3 ( - ).( - ).( - 4) L () ( ( - - )( - )( - 3) )( - )( - ) 3 ( - ).( -).( - 4) L3() ( ( )( - )( - ) )( - )( - ) 3 3 ( - ).( -).( - ) Obtém-se, etão, que L() = Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 9

10 Eemplo 4. Sedo = f() uma fução cohecda os potos: Pede-se:,9,,66,543,4536 () Utlzado terpolação polomal, método de Lagrage, estmar o valor de para =,7. Solução O polômo terpolador é: L() =.L () +.L () +.L () Neste tem, pede-se para calcular L(,7) que é dado por: L(,7) =.L (,7) +.L (,7) +.L (,7) Tem-se que ( - )( - ) ( -).( -,) () L (,7) -,5 ( - )( - ) (,9 -).(,9 -,) L ( - )( - ) ( -,9).( -,) () L (,7),5 ( - )( - ) (-,9).(-,) L ( - )( - ) ( -,9).( -) () L (,7),595 ( - )( - ) (,-,9).(,-) L Portato L(,7) = (,66).(-,5) + (,543).(,5) + (,4536).(,595) L(,7) =,48 () Sabedo-se que os potos dados são relatvos à fução = cos(), estmar o erro de trucameto mámo cometdo o tem (). Solução Sabe-se que o erro de trucameto mámo cometdo é dado por: E () ( - ode M = má f + () o tervalo [, ]. t ).( - )...( - M ). ( )! Tem-se que f () = se(), cujo módulo é mámo o tervalo [,9;,] para =, e f (,) =,89 = M. Sedo assm,,89 Et (,7) (,7 -,9).(,7 -).(,7 -,). Et (,7) 5,3 3! Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco - 5,

11 4. Método das dfereças dvddas 4.. O operador dfereça dvdda Defção 4. Dada uma fução, = f(), a sua prmera dervada é defda como: f f ( h) - f() '() lm (4.5) h h Sedo (, ), =,,..., ; um cojuto de potos da fução, etão: Seja f '( ) lm h f ( h) - f( ) h Sedo assm f '( ) + h = + h = + - f ( ) - f( ) lm (4.6) - Defção 4. Sedo (, ), =,,..., ; um cojuto de potos, com abscssas dsttas, de uma fução = f(), defe-se o operador dfereça dvdda de prmera ordem como: D f ( ) - f( ) -, =,,..., (4.7) - - Observe-se que este operador ada mas é do que uma apromação do valor umérco da prmera dervada de uma fução em um poto. Pode ser demostrado que as dfereças dvddas de ordem superor são apromações para as dervadas de ordem superor. A dfereça dvdda de seguda ordem é defda como: D D - D, =,,..., (4.8) - A dfereça dvdda de tercera ordem é defda como: D 3 D - D, =,,..., 3 (4.9) 3 - Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco

12 Cosderado as defções (4.7), (4.8) e (4.9), tem-se que a dfereça dvdda de ordem k, é defda como: D k D k - k - D - k - k,,,,...,,..., - k (4.) Sedo a dfereça dvdda de ordem zero defda como: D =, =,,..., (4.) 4.. O polômo terpolador com dfereças dvddas Neste método, o polômo, = p(), que terpola uma fução, = f(), em um cojuto de potos (, ), =,,..., ; é cocebdo da forma: p() = a + a.( ) + a.( )( ) a.( )( )... ( - ) (4.) Tedo em vsta que = p() deve ser tal que p( ) = f( ) =, =,,..., Etão p( ) = a a = = D (4.3) p( ) = + a.( ) = Vem, etão, que - a (4.4) - Tedo em vsta a defção 4.7, verfca-se que 4.4 é a dfereça dvdda de prmera ordem, ou seja a = D (4.5) O polômo 4. deve terpolar = f() o poto (, ). Portato p( ) = + D.( ) + a.( )( ) = (4.6) Sabe-se que: - D Y Y - -Y = D ( - ) - DY Y - -Y = D ( - ) Cotrbução do Professor José Amérco Trvellato Messas Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco

13 Somado-se as duas equações, tem-se: Y -Y + Y -Y = D ( - ) + D ( - ) Y Y = D ( - ) + D ( - ) (4.7) Eplctado a em (4.6), tem-se que: a Y - Y - D( ) ( )( ) Tedo em vsta (4.7), vem que: a D ( ) D( ) - D( ( )( ) ) D. D. D( ) - D a ( )( ) D. D ( ( ) - D )( D ). Portato D( ) - D ( ) a ( )( ) D - D a (4.8) - Com base a defção 4.8, coclu-se que 4.8 é a dfereça dvdda de seguda ordem. Sedo assm a = D (4.9) Cosderado os resultados (4.3), (4.5) e (4.9), pode-se coclur que: e que 4. é um polômo da forma: a = D, =,,... p() = + ( ).D + ( )( ).D ( )( )... ( - ).D (4.) Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 3

14 Teorema 4. (Valor Médo de Lagrage Geeralzado) Se = f() é uma fução com dervadas cotíuas o tervalo [, ], etão este um poto ξ [, ] tal que f ( ) D! (4.) Demostração Seja e() = f() p() Ode p() é o polômo que terpola f() os potos dados. Assm sedo, a fução e() tem + zeros dsttos, o que mplca, pelo Teorema de Rolle Geeralzado, que e`() tem zeros em [, ] e, assm, sucessvamete. Assm, coclu-se que este um ξ [a,b] tal que e (ξ) =. Ou seja = f (ξ) p (ξ) = f (ξ) D.! c.q.d. Coroláro 4. Sob as hpóteses do teorema ateror, tem-se que f () D f ()! (4.) Coroláro 4. Se = f() e suas dervadas até a ordem ( + ) são cotíuas o tervalo [, ], etão: E T () ( ). ( )..... ( ).má D + f() Tedo em vsta o teorema 4. e o coroláro 4., a ausêca de formação sobre f + (), uma estmatva para o erro de trucameto mámo pode ser obtda utlzado-se uma dfereça dvdda de ordem ( + ), caso estas ão varem muto. Eemplo 4.3 A tabela a segur apreseta valores da voltagem, V, em fução da correte elétrca, I. Utlzado terpolação polomal, método das dfereças dvddas, estmar o valor de V quado I = 3A. 3 I = 4 8 V = Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 4

15 3 m 8 m parede A parede B Depto de Computação Isttuto de Cêcas Eatas e Bológcas Uversdade Federal de Ouro Preto Solução Icalmete, são determados os valores das dfereças dvddas. Tem-se, etão: I = V = D D D 3-6 5,5 -, ,5, , p() = + ( - ).D + ( - ).( ).D + ( - ).( ).( ).D 3 p(3) = + (3 - ).(- 6) + (3 - ).(3 ).(5,5) + (3 - ).(3 ).(3 4).(-,64) p(3) = 8,8V Eemplo 4.4 Uma barra de metal está presa em duas paredes separadas pela dstâca de m. A 5m da parede A, um corpo apoado sobre a barra faz com que esta toque o solo. Os potos de egate as duas paredes estão a 8m (parede A) e 3m (parede B) do solo, coforme mostra a fgura a segur. Usado terpolação polomal, Método das Dfereças Dvddas, pede-se estmar: a) a altura, em relação ao solo, de um poto da barra localzado a m da parede A; b) qual deve ser a altura da barra o poto localzado a m da parede A, para que o trecho compreeddo até 5m da mesma seja represetado por um polômo de grau um. SOLO d=m Solução a) Os potos a cosderar são os da tabela a segur. V = D D 8 -,6,69 5,49 3 Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 5

16 p() = + ( - ).D + ( - ).( ).D p() = 8 + ( - ).(-,6) + ( - ).( 5).(,69) p() = 3,786m b) Pede-se para determar a altura da barra a m da parede A. Os potos a cosderar e as dfereças dvddas estão a tabela a segur. D D 8 5 Para que este trecho seja represetado por um polômo de grau um, é ecessáro que a dfereça dvdda de seguda ordem seja ula. Etão, fazedo: = 4,8m 4.3 Método das dfereças ftas ascedetes 4.3. O Operador Dfereça Fta Ascedete Defção 4.3 Sedo (, ), =,,..., ; potos de uma fução, = f(), tas que + = h = costate; =,,..., ; defe-se a dfereça fta ascedete de prmera ordem como: f() = f( + h) f() (4.4) Em um poto tem-se que f( ) = f( + h) f( ) = +, =,,,..., (4.5) Da defção (4.4), verfca-se que o operador (.) é lear (ver aeo), sedo assm, as dfereças ftas ascedetes de ordem superor são defdas, por recorrêca, da segute maera. Seguda ordem. [ ] = [ + ] = +, =,,,..., (4.6) Tercera ordem. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 6

17 [ ] = [ +,] 3 = +, =,,,..., 3 (4.7) Geeralzado, tem-se que a dfereça fta ascedete de ordem k é defda como: k = k - + k - k,,,...,,..., - k (4.8) Sedo a dfereça fta ascedete de ordem zero defda como: = ; =,,,..., (4.9) As dfereças ftas ascedetes estão tmamete relacoadas com as dervadas de uma fução. Tedo em vsta as defções 4. e 4.3, verfca-se que f () h é uma apromação para a prmera dervada de uma fução = f(). O teorema a segur geeralza esta déa. Teorema 4.3 Sedo = f() uma fução com dervadas cotíuas até a ordem k, tem-se que: k f() = h k.f (k) ( k ) para algum k (, + k.h) (4.3) Demostração A demostração será feta por dução sobre k. Base de dução: a relação vale para k = f() = f( + h) f() = h.f (ξ) (Teorema do Valor Médo) Hpótese de dução Admta-se que a relação vale para k. k f() = h k.f k (ξ k ), ξ k (, + (k ).h) Passagem de dução Provar que a relação é válda para k. k [f()] = k - [ [f()]] = k - [f( + h) f()] = k - [f( + h)] k - [f()] k - [f( + h)] = h k - f (k ) (µ ) com µ ( + h, + h + (k )h) = ( + h, + h.k) k [f()] = h k f (k ) (µ ) com µ (, + (k )h) Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 7

18 Usado agora o (T.V.M) para f (k ) tem-se ξ k (µ, µ ) ou (µ, µ ) : f (k ) (ξ ) f (k ) (ξ ) = hf (k) (ξ k ) Vem, etão, que k [f()] = k [f( + h)] k [f()] = h k (f (k ) (µ ) f (k ) (µ )) = h k hf (k) (ξ k ), ξ k (µ, µ ) = h k f (k) (ξ k ), ξ k (, + k.h) c.q.d. Coroláro 4.3 [ k f() / h k ].é uma apromação para f (k) () e o erro cometdo tede a zero quado h tede a zero O polômo terpolador com dfereças ftas ascedetes Teorema 4. Se (, ), =,,..., ; são potos de uma fução, = f(), tas que + = h, =,,..., ; etão vale a relação: D k k, k =,,,..., ; =,,,..., k (4.3) h k.k! Demostração: A demostração é feta por meo de dução fta em k. Base de dução: ordem D = = h, =,,,, - h.! Hpótese de dução Admta-se que o argumeto é váldo para a ordem k. k k- D, =,,,, k + k h.(k )! Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 8

19 Passagem de dução Provar que é váldo para ordem k. Por defção D k D k k D k, =,,,, k Sedo + k = k.h,,tem-se que D k h k k.(k )! h k.h k k.(k )!, =,,,, k k D k k - k h.h.k.(k )!, =,,,, - k Portato D k h k k, k =,,,..., ; =,,,..., k.k! c.q.d. Seja a varável De ode vem que = + h.z - = h.z = ( + h) = h = h.z h = h.(z ) = ( +.h) =.h = h.z.h = h.(z )... - = h.[z ( - )] - z (4.3) h Efetuado as substtuções o polômo terpolador com dfereças dvddas, 4., obtém-se que o polômo terpolador com dfereças ftas ascedetes: z(z ) z(z )(z ) 3 z(z )...[z ( )] p( h.z) z....! 3!! (4.33) Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 9

20 Eemplo 4.5 Os potos a segur relacoam a solubldade, S, da água o óleo meral, em partes por mlhão, com a temperatura, t, em graus cetígrados. Utlzado terpolação polomal, método das dfereças ftas ascedetes, estme o valor de t quado S = ppm. S t Δ Δ Δ Sabe-se que Logo z z,7 h z(z ) z(z )(z ) 3 p( h.z) z.! 3! z(z ) z(z )(z ) p( h.z) 5 z.(35).( 9).(3)! 3! Sedo assm, o polômo terpolador é dado por: p( + h.z) =.7.Z 3 6.Z + 48,83.Z + 5 Tem-se, etão, que p() = 6,4 o C Eemplo 4.6 Uma hdroelétrca tem capacdade máma de 6MW, que é determada por três geradores de 3MW, 5MW e 5MW, respectvamete. A demada de eerga vara um cclo de 4h, sedo que a demada míma ocorre etre h e 5h e a máma etre 4h e 7h. Utlzado terpolação polomal, método das dfereças ftas ascedetes, estme a demada míma e a máma e o horáro em que cada uma ocorre, cosderado os dados a segur. 3 Hora ( ) Demada ( ) 6,4 5, 4,9 6, Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco

21 Solução Demada míma 3 Hora ( ) Demada ( ) 36,5 43, 34, 3, Icalmete, são calculados os valores das dfereças ftas ascedetes. 3 Sedo 6,4 -,,9,5 - z 3 5, -,3,4 h 4 4,9, 3 5 6, etão z = e = + z O polômo terpolador tem a forma z(z ) z(z )(z ) 3 p( h.z) z.! 3! Assm, z(z ) z(z )(z ) p( z) 6,4 z.(,) (,9) (,5)! 3! 3 p( z),8.z,.z -,48.z 6,4 Para estmar a demada míma basta obter a prmera dervada de p( + z) e determar os seus zeros. Tem-se, etão: p ( + z) =,4.z +,4.z,48 = Trata-se de uma fução do segudo grau. Seus zeros são 3,46, que ão tem setdo para este problema, e,79. A questão, agora, é verfcar que z =,79 é abscssa de poto de mímo. Para sto toma-se a seguda dervada de p( + z) e verfca-se, faclmete, que: p ( + z) =,48.z +,4 > z > Logo z =,79 é, de fato, abscssa de um poto de mímo. Portato p(3,79) = 4,8MW é uma estmatva para a demada míma e. = 3,79, que correspode a 3h48m, é o horáro apromado o qual a ela ocorre. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco

22 Demada máma Cálculo das dfereças ftas ascedetes. 3 Sedo 4 36,5 6,5-5,5,7 - z 5 43, - 9 6, h 6 34, -, , etão z = 4 e = 4 + z O polômo terpolador tem a forma z(z ) z(z )(z ) 3 p( h.z) z.! 3! Assm, z(z ) z(z )(z ) p(4 z) 36,5 z.(6,5) ( 5,5) (,7)! 3! 3 p(4 z) 3,6.z 8,6.z,48.z 36,5 Dervado p(4 + z) tem-se a fução: p (4 + z) =,86.z - 37,.z +,48 Cujos zeros são z =,74 e z =,69. Basta, agora, calcular o valor umérco da seguda dervada de p(4 + z) em cada um destes potos para verfcar qual deles é abscssa de poto de mámo. Sedo p (4 + z) =,7.z - 37, Para z =,74, tem-se que p (4,74) = -,3 e, para z =,69, p (6,69) =,3. Portato, z =,74 é abscssa de poto de mámo e, calculado o valor umérco do polômo terpolador este poto, tem-se a estmatva para a demada máma que é p(4,74) = 43,7MW e verfca-se que ela ocorre às 4h44m, apromadamete. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco

23 5 Compledade dos métodos de terpolação É mportate, quado se avala a efcêca de um algortmo qualquer, saber como ele se comporta com relação ao úmero de operações artmétcas em fução do tamaho da sua etrada. Esta é a aálse de compledade de tempo do algortmo. Quado se avala a quatdade de memóra ecessára em fução do tamaho da etrada, tem-se a aálse de compledade de espaço. Este uma vasta teora sobre téccas de avalação formal destas compledades. Neste teto cosdera-se, estrtamete, o úmero de operações artmétcas. Os métodos de terpolação de Lagrage, Dfereças Dvddas e Dfereças Ftas Ascedetes realzam, cada um, um úmero específco de operações artmétcas, ou seja, cada um tem a sua compledade. A tabela 5. apreseta uma sítese da aálse feta para cada um destes métodos. Método Adções Multplcações Dvsões Total Lagrage Dfereças dvddas Dfereças ftas ascedetes Tabela 5.: Compledade dos métodos de terpolação ( é o grau do polômo) Tomado como eemplo um polômo terpolador de grau dez verfca-se que o úmero total de operações efetuadas pelo Método de Lagrage é gual a 45, pelo Método das Dfereças Dvddas 85 e, pelo Método das Dfereças Ftas Ascedetes, 76. O que leva a verfcar que o Método das Dfereças Ftas Ascedetes apreseta maor efcêca quado comparado com os outros dos métodos estudados. 6 Cosderações fas (a) Os métodos que utlzam dfereças (dvddas ou ftas ascedetes) são efcetes quado se deseja aumetar (ou dmur) o grau do polômo obtdo, pos basta, smplesmete, acrescetar (ou retrar) termos. Logo, para cálculos eploratóros, estes métodos, em geral, são preferíves. (b) No método de Lagrage a alteração do grau do polômo ege que os cálculos sejam, todos, refetos. (c) O método de Lagrage ocupa meos memóra, uma vez que ão é ecessáro o cálculo e o armazeameto de uma tabela de dfereças dvddas ou ftas ascedetes. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 3

24 (d) A desvatagem a utlzação do Método das Dfereças Ftas Ascedetes é a egêca de que as abscssas dos potos a utlzar para a terpolação devam ser, ecessaramete, eqüdstates. (e) Nos métodos que utlzam dfereças dvddas ou ftas ascedetes, a estmatva do erro de trucameto pode ser faclmete tegrada ao algortmo, uma vez que utlza uma dfereça. (f) No método de Lagrage, a estmatva do erro de trucameto pode ser obtda somete se a fução terpolada for cohecda aaltcamete. (g) O método de Lagrage é um pouco mas fácl de ser mplemetado. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 4

25 Aeos a) Teorema do Valor Médo Se = f() é uma fução que satsfaz as codções: () é cotíua o tervalo fechado [ a, b ] () é dervável o tervalo aberto ( a, b ) Etão, este pelo meos um úmero c em (a, b), tal que: f(b) - f(a) f '(c) b - a Geometrcamete, o teorema do valor médo dz que se f é uma fução "suave" que lga os potos A= ( a,f( a )) e B = ( b,f( b )) este pelo meos um poto c, etre a e b, tal que a reta tagete ao gráfco de f em c é paralela a reta secate que passa por A e B. A fgura a segur lustra o teorema. O teorema do valor médo é a tradução matemátca para um fato que aparece de forma corrquera em mutas stuações cotdaas. Por eemplo, se a méda de velocdade, em uma vagem de carro é de 8 km/h, etão, em algum mometo da vagem, o velocímetro do carro deve ter marcado 8km/h. Para traduzr a afrmação em termos matemátcos, cosdere-se que s(t) é a posção do carro em um state t. Se a vagem começa em t = a (horas) e terma em t = b (horas), a velocdade méda é dada por: s(b) - s(a) v m b - a A afrmação de que em algum mometo da vagem a velocdade statâea deve ser gual à velocdade méda, sgfca que em algum tempo c tem-se: v m s(b) - s(a) b - a v(c) s '(c) O Teorema do Valor Médo estabelece as codções mímas que uma fução s deve satsfazer para que a gualdade acma seja verdadera. Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 5

26 b) Operador lear Um operador é lear se, e somete se: ().(u ± w) =.u ±.w ().(k.w) =k.(.w), ode k é uma costate real Etão, de fato, o operador (.) é lear, pos: (f + g)() = (f + g).( + h) (f + g)() = f( + h) + g( + h) f() g() = f( + h) f( ) + g( + h) g() = f() + g() e (k.f()) = (k.f( + h)) (k.f()) = k.f( + h) k.f() = k.[f( + h) f()] = k..f() Prof. José Álvaro Tadeu Ferrera - Notas de aulas de Cálculo Numérco 6

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 BCC760 Interpolação Polinomial

Cálculo Numérico BCC760 Interpolação Polinomial Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.

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

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

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

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

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

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

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

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

VI - Integração Numérica

VI - Integração Numérica V - tegração Numérca C. Balsa & A. Satos. trodução São, este mometo, coecdos dos aluos métodos aalítcos para o cálculo do tegral dedo b ( d a sedo ( cotíua e tegrável o tervalo [ ab] ;. Cotudo, algumas

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

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

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

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

(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

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

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

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

CADERNO 1 (É permitido o uso de calculadora gráfica.)

CADERNO 1 (É permitido o uso de calculadora gráfica.) Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos

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

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

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

Métodos 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

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

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

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

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

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

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

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

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 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

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

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

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

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

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

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

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

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

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

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

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04 MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de

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

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

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

( 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

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

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

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

50 Logo, Número de erros de impressão

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

Leia mais

Apêndice 1-Tratamento de dados

Apêndice 1-Tratamento de dados Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação

Leia mais

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

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

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

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. NOÇÕES MATEMÁTICAS

2. NOÇÕES MATEMÁTICAS . NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar

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

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

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

Leia mais

Métodos numéricos para solução de equações

Métodos numéricos para solução de equações Escola Poltécca da Uversdade de São Paulo Departameto de Egehara Químca LSCP Laboratóro de Smulação e Cotrole de Processos Dscpla Optatva Modelagem e Métodos Matemátcos Aplcados à Egehara Químca AULA Revsão

Leia mais

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.

4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais. MÉTODOS NUMÉRICOS PARA EQUAÇÕES DIFERENCIAIS PARCIAIS 4- Método de Dereças Ftas Alcado às Equações Derecas Parcas. 4.- Aromação de Fuções. 4..- Aromação or Polômos: Iterolação. 4..- Ajuste de Dados: Mímos

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

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

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

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

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

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

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

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

6. MÉTODOS APROXIMADOS DE ANÁLISE DE SISTEMAS CONTÍNUOS

6. MÉTODOS APROXIMADOS DE ANÁLISE DE SISTEMAS CONTÍNUOS 6. ÉOOS APROXAOS ANÁS SSAS CONÍNUOS Nos dos capítulos aterores, estudaram-se métodos exactos de aálse de sstemas dscretos e de sstemas cotíuos. Agora, serão aalsados algus métodos aproxmados da solução

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

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

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

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

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

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

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha 4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

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

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

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

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

Noções Básicas de Medidas e Algarismos Significativos

Noções Básicas de Medidas e Algarismos Significativos Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos

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

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

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

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

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero

Leia mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

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

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 ateror estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são otdas com ase em

Leia mais

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO

Leia mais

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada

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

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

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

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

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