Ajuste de dados por mínimos quadrados
|
|
- Edison Peixoto Medina
- 5 Há anos
- Visualizações:
Transcrição
1 Cálculo Numérico por mínimos quadrados Prof. Daniel G. Alfaro Vigo Departamento de Ciência da Computação IM UFRJ
2 Motivação: População do Brasil Ano População (milhões) , , , , , , Tabela: População do Brasil (fonte: IBGE) Dados da População do Brasil (milhões de pessoas)
3 Motivação: População do Brasil Ano População (milhões) , , , , , , Tabela: População do Brasil (fonte: IBGE) Dados da População do Brasil (milhões de pessoas) Como podemos prever qual será a população no futuro, por exemplo no ano 2020?
4 Motivação: População do Brasil Dados da População do Brasil (milhões de pessoas) Dados da População do Brasil (milhões de pessoas) Dados p n Spline linear Dados Spline cúbico Usar interpolação não parece uma boa ideia!
5 Regressão linear Temos um conjunto de dados correspondentes a duas grandezas, x e y. Consideramos que os dados não são exatos. São introduzidos ruídos (erros) nas medições ou no processo de aquisição de dados. Na situação ideal existe uma dependência linear entre as grandezas x e y (o gráfico dos dados deveria corresponder a uma reta).
6 Regressão linear Temos um conjunto de dados correspondentes a duas grandezas, x e y. Consideramos que os dados não são exatos. São introduzidos ruídos (erros) nas medições ou no processo de aquisição de dados. Na situação ideal existe uma dependência linear entre as grandezas x e y (o gráfico dos dados deveria corresponder a uma reta). Problema de regressão linear (ajuste linear simples) Dado o conjunto de m pontos (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ). Determine a reta y = a1 x + a 0 que melhor se ajusta ao conjunto de dados.
7 Regressão linear Temos um conjunto de dados correspondentes a duas grandezas, x e y. Consideramos que os dados não são exatos. São introduzidos ruídos (erros) nas medições ou no processo de aquisição de dados. Na situação ideal existe uma dependência linear entre as grandezas x e y (o gráfico dos dados deveria corresponder a uma reta). Problema de regressão linear (ajuste linear simples) Dado o conjunto de m pontos (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ). Determine a reta y = a1 x + a 0 que melhor se ajusta ao conjunto de dados. Determinar os coeficientes a 1 e a 0. O que significa a frase que melhor se ajusta?
8 Regressão linear (cont.) Se conhecemos a1 e a 0 então os valores exatos de y são calculados como y 1 = a 1x 1 + a 0,..., y j = a 1x j + a 0,..., y m = a 1x m + a 0. Dessa forma, temos os seguintes desvios entre os valores exatos e os valores obtidos de y δ 1 = y 1 y 1,..., δ j = y j y j,..., δ m = y m y m.
9 Regressão linear (cont.) Se conhecemos a1 e a 0 então os valores exatos de y são calculados como y 1 = a 1x 1 + a 0,..., y j = a 1x j + a 0,..., y m = a 1x m + a 0. Dessa forma, temos os seguintes desvios entre os valores exatos e os valores obtidos de y δ 1 = y 1 (a 1x 1 +a 0),..., δ j = y j (a 1x j +a 0),..., δ m = y m (a 1x m +a 0).
10 Regressão linear (cont.) Se conhecemos a1 e a 0 então os valores exatos de y são calculados como y 1 = a 1x 1 + a 0,..., y j = a 1x j + a 0,..., y m = a 1x m + a 0. Dessa forma, temos os seguintes desvios entre os valores exatos e os valores obtidos de y δ 1 = y 1 (a 1x 1 +a 0),..., δ j = y j (a 1x j +a 0),..., δ m = y m (a 1x m +a 0). Na situação ideal temos que y j = y j e δ j = 0 (j = 1,..., m).
11 Regressão linear (cont.) Definimos os desvios em relação a uma reta qualquer y = a 1 x + a 0 por δ j (a 1, a 0 ) = y j (a 1 x j + a 0 ). Assim para quaisquer valores a 1 a1 e a 0 a0 δ j (a 1, a 0 ) tem que ser piores que δj! os desvios
12 Regressão linear (cont.) Definimos os desvios em relação a uma reta qualquer y = a 1 x + a 0 por δ j (a 1, a 0 ) = y j (a 1 x j + a 0 ). Assim para quaisquer valores a 1 a1 e a 0 a0 os desvios δ j (a 1, a 0 ) tem que ser piores que δj! Portanto podemos usar os desvios para determinar a reta que dá o melhor ajuste.
13 Regressão linear (cont.) Definimos os desvios em relação a uma reta qualquer y = a 1 x + a 0 por δ j (a 1, a 0 ) = y j (a 1 x j + a 0 ). Assim para quaisquer valores a 1 a1 e a 0 a0 os desvios δ j (a 1, a 0 ) tem que ser piores que δj! Portanto podemos usar os desvios para determinar a reta que dá o melhor ajuste. Uma forma simples e muito útil para determinar essa reta é através da soma dos quadrados dos desvios.
14 Regressão linear (cont.) Definimos os desvios em relação a uma reta qualquer y = a 1 x + a 0 por δ j (a 1, a 0 ) = y j (a 1 x j + a 0 ). Assim para quaisquer valores a 1 a1 e a 0 a0 os desvios δ j (a 1, a 0 ) tem que ser piores que δj! Portanto podemos usar os desvios para determinar a reta que dá o melhor ajuste. Uma forma simples e muito útil para determinar essa reta é através da soma dos quadrados dos desvios. O melhor ajuste é obtido pela reta onde a soma dos quadrados dos desvios atinge o valor mínimo.
15 Regressão linear: método dos mínimos quadrados Regressão linear pelo método dos mínimos quadrados Dado o conjunto de m pontos (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ). A reta y = a 1 x + a 0 que melhor se ajusta aos dados é obtida para os coeficientes a 1 e a 0 que minimizam a função F (a 1, a 0 ) = δj 2 (a 1, a 0 ) = [y j (a 1 x j + a 0 )] 2.
16 Regressão linear: método dos mínimos quadrados Regressão linear pelo método dos mínimos quadrados Dado o conjunto de m pontos (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ). A reta y = a 1 x + a 0 que melhor se ajusta aos dados é obtida para os coeficientes a 1 e a 0 que minimizam a função F (a 1, a 0 ) = δj 2 (a 1, a 0 ) = [y j (a 1 x j + a 0 )] 2. O problema de regressão linear foi reformulado como um problema de minimização de uma função em duas variáveis!
17 Regressão linear: sistema de equações normais Lembrete: (a 1, a 0 ) é ponto de mínimo de F (a 1, a 0 ) é um ponto crítico (a 1, a 0 ) é um ponto crítico F (a 1, a 0 ) = F (a 1, a 0 ) = 0 a 0 a 1
18 Regressão linear: sistema de equações normais Lembrete: (a 1, a 0 ) é ponto de mínimo de F (a 1, a 0 ) é um ponto crítico (a 1, a 0 ) é um ponto crítico F (a 1, a 0 ) = F (a 1, a 0 ) = 0 a 0 a 1 Temos que F a 0 (a 1, a 0 ) = = 2 [y a 0 j (a 1 x j + a 0 )] 2 { [y j (a 1 x j + a 0 )] [y j (a 1 x j + a 0 )] a 0 = 2 { [y j (a 1 x j + a 0 )]} = 2 [a 1 x j + a 0 y j ] }
19 Regressão linear: sistema de equações normais Temos que F a 0 (a 1, a 0 ) = = 2 [y a 0 j (a 1 x j + a 0 )] 2 { [y j (a 1 x j + a 0 )] [y j (a 1 x j + a 0 )] a 0 = 2 { [y j (a 1 x j + a 0 )]} = 2 [a 1 x j + a 0 y j ] } F a 0 (a 1, a 0 ) = 0 m a 0 + ( x j ) a 1 = y j
20 Regressão linear: sistema de equações normais (cont.) Da mesma forma F (a 1, a 0 ) = [y a 1 a 1 j (a 1 x j + a 0 )] 2 { = 2 [y j (a 1 x j + a 0 )] } [y j (a 1 x j + a 0 )] a 1 = 2 {( x j )[y j (a 1 x j + a 0 )]} = 2 [a 1 xj 2 + a 0 x j x j y j ]
21 Regressão linear: sistema de equações normais (cont.) Da mesma forma F (a 1, a 0 ) = [y a 1 a 1 j (a 1 x j + a 0 )] 2 { = 2 [y j (a 1 x j + a 0 )] } [y j (a 1 x j + a 0 )] a 1 = 2 {( x j )[y j (a 1 x j + a 0 )]} = 2 [a 1 xj 2 + a 0 x j x j y j ] F a 1 (a 1, a 0 ) = 0 ( x j ) a 0 + ( xj 2 ) a 1 = x j y j
22 Regressão linear: sistema de equações normais (cont.) Finalmente chegamos no sistema de equações normais m a 0 + ( x j ) a 1 = y j ( x j ) a 0 + ( xj 2 ) a 1 = x j y j
23 Regressão linear: solução do sistema de equações normais Temos que se m m x 2 j ( m x j) 2 0 então a 1 = m( m x jy j ) ( m x j)( m y j) m m x 2 j ( m x j) 2 = m (x j x)(y j ȳ) m (x j x) 2 a0 = m( m x j 2)( m y j) ( m x j)( m x jy j ) m m x j 2 ( m x j) 2 = ȳ a1 x em que x = 1 m x j e ȳ = 1 m y j.
24 Regressão linear pelo método dos mínimos quadrados Regressão linear pelo método dos mínimos quadrados Seja dado um conjunto de m 2 pontos (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ) em que pelo menos dois pontos tem abcissas diferentes. Então existe uma única solução a1, a 0 para o sistema de equações normais e a reta y = a1 x + a 0 é a que melhor se ajusta a esses dados (segundo o critério dos mínimos quadrados). Qualidade das previsões da regressão linear O coeficiente de determinação R 2 = 1 m (y j y j )2 m (y j ȳ) 2, em que yj = a1x j + a0, representa uma medida da qualidade do ajuste. Quanto mais próximo de 1 o valor de R 2, melhor será a qualidade das previsões.
25 Exemplo: população do Brasil Ano x j População (milhões) y j Tabela: População do Brasil (fonte: IBGE) Nesse caso m = 6. Temos que x j = 11911, y j = , xj 2 = x j y j =
26 Exemplo: população do Brasil Ano x j População (milhões) y j Tabela: População do Brasil (fonte: IBGE) Nesse caso m = 6. Temos que x j = 11911, y j = , xj 2 = x j y j = Resolvendo o sistema obtemos que a 1 = e a 0 = Para o coeficiente de determinação temos: R 2 =
27 Exemplo: população do Brasil Ano x j População (milhões) y j Tabela: População do Brasil (fonte: IBGE) Nesse caso m = 6. Temos que x j = 11911, y j = , xj 2 = x j y j = Resolvendo o sistema obtemos que a 1 = e a 0 = Para o coeficiente de determinação temos: R 2 = A previsão para o ano 2020 é uma população de milhões de pessoas.
28 Exemplo: população do Brasil Dados da População do Brasil (milhões de pessoas) Dados Regressão linear
29 Ajuste de um modelo linear Dado o conjunto de dados correspondente a duas grandezas, x e y. Na situação ideal, quando os dados não contem ruídos existe uma dependência linear entre x e y na forma N y = α 1 g 1 (x) + + α N g N (x) = α j g j (x) em que g 1,..., g N são funções conhecidas e α 1,..., α N são parâmetros constantes. Dizemos que a dependência entre as variáveis é dada por um modelo linear gerado pelas funções g 1,..., g N.
30 Ajuste de um modelo linear (cont.) Problema de ajuste linear Dado o conjunto de m pontos (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ), e as funções g 1,..., g N. Determine a curva da forma y = α 1 g 1(x) + + a N g N(x) que melhor se ajusta ao conjunto de dados.
31 Ajuste de um modelo linear (cont.) Problema de ajuste linear Dado o conjunto de m pontos (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ), e as funções g 1,..., g N. Determine a curva da forma y = α 1 g 1(x) + + a N g N(x) que melhor se ajusta ao conjunto de dados. Determinar os parâmetros α 1,..., α N.
32 Ajuste de um modelo linear (cont.) Problema de ajuste linear Dado o conjunto de m pontos (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ), e as funções g 1,..., g N. Determine a curva da forma y = α 1 g 1(x) + + a N g N(x) que melhor se ajusta ao conjunto de dados. Determinar os parâmetros α 1,..., α N. Vamos a aplicar o método dos mínimos quadrados.
33 Ajuste do modelo linear: método dos mínimos quadrados Para quaisquer α 1,..., α N podemos introduzir a função N φ(x) = α 1 g 1 (x) + + α N g N (x) = α j g j (x) e os desvios em relação à curva y = φ(x) como N δ l (α 1,..., α N ) = y l φ(x l ) = y l α j g j (x l ), l = 1,..., m.
34 Ajuste do modelo linear: método dos mínimos quadrados Para quaisquer α 1,..., α N podemos introduzir a função N φ(x) = α 1 g 1 (x) + + α N g N (x) = α j g j (x) e os desvios em relação à curva y = φ(x) como N δ l (α 1,..., α N ) = y l φ(x l ) = y l α j g j (x l ), l = 1,..., m. Usamos a soma dos quadrados dos desvios para definir F (α 1,..., α N ) = [y l φ(x l )] 2 = y l l=1 l=1 N α j g j (x l ) Critério de melhor ajuste: minimização a função F. 2
35 Sistema de equações normais Vamos procurar os pontos críticos de F, ou seja as soluções do sistema F α i (α 1,..., α N ) = 0, i = 1,..., N.
36 Sistema de equações normais Vamos procurar os pontos críticos de F, ou seja as soluções do sistema F α i (α 1,..., α N ) = 0, i = 1,..., N. F α i (α 1,..., α N ) = y α i l l=1 2 N α j g j (x l )
37 Sistema de equações normais Vamos procurar os pontos críticos de F, ou seja as soluções do sistema F α i (α 1,..., α N ) = 0, i = 1,..., N. F α i (α 1,..., α N ) = α i l=1 y l 2 N α j g j (x l )
38 Sistema de equações normais Vamos procurar os pontos críticos de F, ou seja as soluções do sistema F α i (α 1,..., α N ) = 0, i = 1,..., N. F α i (α 1,..., α N ) = 2 y l l=1 N α j g j (x l ) α i y l N α j g j (x l )
39 Sistema de equações normais Vamos procurar os pontos críticos de F, ou seja as soluções do sistema F α i (α 1,..., α N ) = 0, i = 1,..., N. F α i (α 1,..., α N ) = 2 g i(x j ) y l l=1 N α j g j (x l )
40 Sistema de equações normais Vamos procurar os pontos críticos de F, ou seja as soluções do sistema F α i (α 1,..., α N ) = 0, i = 1,..., N. F α i (α 1,..., α N ) = 2 N g i(x l ) α j g j (x l ) g i (x l )y l l=1
41 Sistema de equações normais Vamos procurar os pontos críticos de F, ou seja as soluções do sistema F α i (α 1,..., α N ) = 0, i = 1,..., N. ( F N m ) (α 1,..., α N ) = 2 g α i i (x l )g j (x l ) α j l=1 g i (x l )y l = 0 l=1
42 Sistema de equações normais Vamos procurar os pontos críticos de F, ou seja as soluções do sistema F α i (α 1,..., α N ) = 0, i = 1,..., N. ( N m ) g i (x l )g j (x l ) α j = l=1 g i (x l )y l, i = 1,..., N. l=1
43 Sistema de equações normais (cont.) Ou seja, o sistema linear L α = r em que L ij = g i (x l )g j (x l ), r i = l=1 g i (x l )y l, i, j = 1,..., N. l=1 L é uma matriz quadrada (dimensão N N) simétrica (L ij = L ji ) e não negativa (v T L v 0, v R N ).
44 Sistema de equações normais (cont.) Ou seja, o sistema linear L α = r em que L ij = g i (x l )g j (x l ), r i = l=1 g i (x l )y l, i, j = 1,..., N. l=1 L é uma matriz quadrada (dimensão N N) simétrica (L ij = L ji ) e não negativa (v T L v 0, v R N ). Introduzindo a matriz G com elementos G lj = g j (x l ), l = 1,..., m, j = 1,..., N; e o vetor (coluna) y com elementos y l, l = 1,..., m, temos que L = G T G, r = G T y. G T representa a transposta da matriz G. Observe que G tem dimensões m N e em geral, não é uma matriz quadrada.
45 Sistema de equações normais (cont.) Afirmação [existência de solução única] A matriz L é não singular, se e somente se, os vetores g 1 (x 1 ) g 2 (x 1 ) g N (x 1 ) g 1 =, g 2 =,..., g N =,. g 1 (x m ). g 2 (x m ). g N (x m ) são linearmente independentes (ou seja se as colunas da matriz G são linearmente independentes). Uma condição necessária para a existência de solução é a desigualdade m N.
46 Ajuste linear pelo método dos mínimos quadrados Ajuste do modelo linear pelo método dos mínimos quadrados Sejam dados o conjunto de pontos (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ) e as funções g 1,..., g N. Suponha que m N e os vetores g 1,..., g N são linearmente independentes então existe uma única solução α1,..., α N para o sistema de equações normais L α = r. Nesse caso, o modelo y = N α j g j(x) é o que melhor se ajusta a esses dados dentre todos os possíveis modelos (lineares) gerados pelas funções g 1,..., g N. Dizemos que a curva y = N α j g j(x) é a que melhor se ajusta aos dados.
47 Exemplo: população do Brasil Vamos considerar todos os dados conhecidos do período de Modelo: polinômio de grau 3, ou seja vamos considerar a relação y = α 1 + α 2 x + α 3 x 2 + α 4 x 3. Observe que isso corresponde a um modelo linear gerado pelas funções g 1 (x) = 1, g 2 (x) = x, g 3 (x) = x 2, g 4 (x) = x 3, assim temos N = 4 e g i (x) = x i 1.
48 Exemplo: população do Brasil Vamos considerar todos os dados conhecidos do período de Modelo: polinômio de grau 3, ou seja vamos considerar a relação y = α 1 + α 2 x + α 3 x 2 + α 4 x 3. Observe que isso corresponde a um modelo linear gerado pelas funções g 1 (x) = 1, g 2 (x) = x, g 3 (x) = x 2, g 4 (x) = x 3, assim temos N = 4 e g i (x) = x i 1. Logo temos que L ij = 12 l=1 x i+j 2 l, r i = 12 l=1 x i 1 l y l, i, j = 1,..., 4; Resolvendo o sistema de equações normais obtemos que α 1 = , α 2 = , α 3 = , α 4 =
49 Exemplo: população do Brasil 250 Dados da População do Brasil (milhões de pessoas) Ajuste polinômio cúbico Dados Previsão para o ano 2020: milhões de pessoas.
50 População do Brasil: modelo não linear Sob algumas hipóteses simplificadoras, podemos considerar que a população cresce exponencialmente, ou seja temos a equação y = β 1 e β 2x em que y é a quantidade de pessoas e x o tempo, e β 1, β 2 são constantes. Esse modelo foi proposto por Thomas R. Malthus em Esse é um modelo não linear e se aplicarmos o método dos mínimos quadrados diretamente, vamos obter um sistema de equações não lineares!
51 População do Brasil: modelo não linear Sob algumas hipóteses simplificadoras, podemos considerar que a população cresce exponencialmente, ou seja temos a equação y = β 1 e β 2x em que y é a quantidade de pessoas e x o tempo, e β 1, β 2 são constantes. Esse modelo foi proposto por Thomas R. Malthus em Esse é um modelo não linear e se aplicarmos o método dos mínimos quadrados diretamente, vamos obter um sistema de equações não lineares! Felizmente, para esse modelo é possível fazer uma linearização.
52 População do Brasil: modelo não linear (cont.) Observe que para z = ln(y) temos z = ln(y) = ln(β 1 e β 2 x ) = ln(β 1 ) + β 2 x
53 População do Brasil: modelo não linear (cont.) Observe que para z = ln(y) temos z = ln(y) = ln(β 1 e β 2 x ) = ln(β 1 ) + β 2 x Assim, as variavéis x e z satisfazem a relação linear z = α 1 + α 2 x, onde α 1 = ln(β 1 ) e α 2 = β 2.
54 População do Brasil: modelo não linear (cont.) Observe que para z = ln(y) temos z = ln(y) = ln(β 1 e β 2 x ) = ln(β 1 ) + β 2 x Assim, as variavéis x e z satisfazem a relação linear z = α 1 + α 2 x, onde α 1 = ln(β 1 ) e α 2 = β 2. Daí podemos achar os coeficientes α1 e α 2 da reta que melhor se ajusta aos dados (x i, z i ) onde z i = ln(y i ). A partir desses valores obtemos a curva exponencial y = β1 e β 2 x que melhor se ajusta aos dados (x i, y i ) em que β1 = eα 1 e β 2 = α2.
55 População do Brasil: modelo não linear (cont.) Temos que 12 L 11 = m = 12, L 12 = L 21 = x l = 23383, L 22 = r 1 = 12 l=1 12 x 2 l = , l=1 12 ln(y l ) = , r 2 = x l ln(y l ) = l=1 l=1
56 População do Brasil: modelo não linear (cont.) Temos que 12 L 11 = m = 12, L 12 = L 21 = x l = 23383, L 22 = r 1 = 12 l=1 12 l=1 x 2 l = , l=1 12 ln(y l ) = , r 2 = x l ln(y l ) = Resolvendo obtemos que α 1 = , com um coeficiente de determinação α 2 = e R 2 = l=1 Finalmente β 1 = e β 2 = A previsão para o ano 2020: milhões de pessoas.
57 População do Brasil: modelo não linear (cont.) Dados da População do Brasil (milhões de pessoas) Ajuste exponencial Dados Ajuste polinômio cúbico
58 Outros modelos não lineares Exemplos de modelos não lineares que podem ser linearizados: a) y = β 1 e β 2 x z = ln(y) = ln(β 1 ) + β 2 x b) y = β 1 (β 2 ) x z = ln(y) = ln(β 1 ) + ln(β 2 ) x c) y = β 1 x β 2 z = ln(y) = ln(β 1 ) + β 2 ln(x) d) 1 y = β 1 + β 2 x z = 1 y = β 1 + β 2 x
59 Outros modelos não lineares Exemplos de modelos não lineares que podem ser linearizados: a) y = β 1 e β 2 x z = ln(y) = ln(β 1 ) + β 2 x b) y = β 1 (β 2 ) x z = ln(y) = ln(β 1 ) + ln(β 2 ) x c) y = β 1 x β 2 z = ln(y) = ln(β 1 ) + β 2 ln(x) d) 1 y = β 1 + β 2 x z = 1 y = β 1 + β 2 x Observações: Os problemas de ajuste para esses modelos não lineares podem ser reformulados como problemas de regressão linear. Para conseguir isso no caso c), além da linearização é preciso introduzir como variável independente t = ln(x). Substituindo x por outra função conhecida g(x), obtemos outros modelos não lineares que também podem ser linearizados.
60 Comentários finais O ajuste de dados é extremamente útil para fazer previsões e aproximações quando os nossos dados contem ruídos (introduzidos no processo de aquisição dos dados). Outra situação importante é quando temos uma quantidade grande de dados e queremos descrever seu comportamento sem precisar de muitos parâmetros. Para modelos lineares, usando o método dos mínimos quadrados chegamos no sistema de equações normais para determinar os valores dos parâmetros. Alguns modelos não lineares podem ser linearizados e o ajuste pode ser feito pelo método dos mínimos quadrados sem precisarmos resolver equações não lineares.
61 Referências S. Chapra e R. Canale, Métodos Numéricos para Engenharia. 5a Edição, Mc Graw-Hill Brasil, IBGE, Séries estatísticas e históricas. ( seriesestatisticas.ibge.gov.br/series.aspx?no=10& op=0&vcodigo=cd90&t=populacao-presente-residente) J.D. Murray, Mathematical Biology I. An Introduction. 3a Edição, Springer, 2002.
CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
Leia maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Leia mais6 Ajuste de mínimos quadrados
6 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }} n Tipicamente quando m < n esse polinômio
Leia maisInterpolação polinomial
Cálculo Numérico Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Motivação: População do Brasil Ano População (milhões) 1960 70, 992343 1970 94, 508583 1980
Leia maisAjuste de mínimos quadrados
Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}
Leia maisMódulo 4 Ajuste de Curvas
Módulo 4 Ajuste de Curvas 4.1 Intr odução Em matemática e estatística aplicada existem muitas situações onde conhecemos uma tabela de pontos (x; y), com y obtido experimentalmente e deseja se obter uma
Leia maisLista No. 5 Gabarito
CÁLCULO NUMÉRICO Lista No. 5 Gabarito. (a) Queremos y f() ϕ() α +. Temos então n, as funções bases g (), g (), e m 8. Precisamos resolver o sistema de equações normais correspondente. Este sistema para
Leia maisMétodo dos Mínimos Quadrados
Método dos Mínimos Quadrados Laura Goulart UESB 4 de Abril de 2019 Laura Goulart (UESB) Método dos Mínimos Quadrados 4 de Abril de 2019 1 / 22 Objetivos O Método dos Mínimos Quadrados (MMQ) é uma técnica
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisCapítulo 3 - Mínimos Quadrados Lineares
Capítulo 3 - Mínimos Quadrados Lineares Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 2 o Ano - Eng. Civil e Electrotécnica Carlos Balsa Métodos
Leia maisInversão de Matrizes
Inversão de Matrizes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2015.2 21 de
Leia maisMétodo de Quadrados Mínimos: Caso discreto
Método de Quadrados Mínimos: Caso discreto Marina Andretta ICMC-USP 23 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo numérico
Leia maisObservamos no gráfico acima que não passa uma reta por todos os pontos. Com base nisso, podemos fazer as seguintes perguntas:
Título : B1 AJUSTE DE CURVAS Conteúdo : Em matemática e estatística aplicada existem muitas situações em que conhecemos uma tabela de pontos (x; y). Nessa tabela os valores de y são obtidos experimentalmente
Leia maisInversão de Matrizes
Inversão de Matrizes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2017.1 18 de
Leia maisEstatística Aplicada ao Serviço Social
Estatística Aplicada ao Serviço Social Módulo 7: Correlação e Regressão Linear Simples Introdução Coeficientes de Correlação entre duas Variáveis Coeficiente de Correlação Linear Introdução. Regressão
Leia maisEXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO
Cálculo Numérico EXERCICIOS EXTRAIDOS DE PROVAS ANTERIORES o sem/08 EXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO x. Considere a seguinte tabela de valores de uma função f: i 0 f(x i ).50
Leia maisAjuste de Curvas. Universidade Tecnológica Federal do Paraná Campus Francisco Beltrão. Disciplina: Cálculo Numérico Professor: Jonas Joacir Radtke
Ajuste de Curvas Campus Francisco Beltrão Disciplina: Professor: Jonas Joacir Radtke Uma forma de se trabalhar com uma função definida por uma tabela de valores é a interpolação. Contudo, a interpolação
Leia maisCCI-22 FORMALIZAÇÃO CCI-22 MODOS DE SE OBTER P N (X) Prof. Paulo André CCI - 22 MATEMÁTICA COMPUTACIONAL INTERPOLAÇÃO
CCI - MATEMÁTICA COMPUTACIONAL INTERPOLAÇÃO Prof. Paulo André ttp://www.comp.ita.br/~pauloac pauloac@ita.br Sala 0 Prédio da Computação -Gregory DEFINIÇÃO Em matemática computacional, interpolar significa
Leia maisMAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
Leia maisExercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA
Exercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA Licenciaturas em Engenharia do Ambiente e Química 2 o Semestre de 2005/2006 Capítulo IV Aproximação de Funções 1 Interpolação Polinomial 1. Na tabela seguinte
Leia maisAjuste de Curvas. Diogo Pinheiro Fernandes Pedrosa. Universidade Federal do Rio Grande do Norte Centro de Tecnologia.
Ajuste de Curvas Diogo Pinheiro Fernandes Pedrosa Universidade Federal do Rio Grande do Norte Centro de Tecnologia Departamento de Engenharia de Computação e Automação http://wwwdcaufrnbr/ 1 Introdução
Leia maisSolução aproximada de equações de uma variável
Cálculo Numérico de uma variável Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Parte I Localização de zeros e Método da bissecção Motivação: Queda de um
Leia maisSME Cálculo Numérico. Lista de Exercícios: Gabarito
Exercícios de prova SME0300 - Cálculo Numérico Segundo semestre de 2012 Lista de Exercícios: Gabarito 1. Dentre os métodos que você estudou no curso para resolver sistemas lineares, qual é o mais adequado
Leia maisNotas para o Curso de Algebra Linear Il Dayse Haime Pastore 20 de fevereiro de 2009
Notas para o Curso de Álgebra Linear Il Dayse Haime Pastore 20 de fevereiro de 2009 2 Sumário 1 Matrizes e Sistemas Lineares 5 11 Matrizes 6 12 Sistemas Lineares 11 121 Eliminação Gaussiana 12 122 Resolução
Leia maisMétodos Numéricos Interpolação / Aproximação. Renato S. Silva, Regina C. Almeida
Métodos Numéricos Interpolação / Aproximação Renato S. Silva, Regina C. Almeida Interpolação / Aproximação situação: uma fábrica despeja dejetos no leito de um rio; objetivo: determinar a quantidade de
Leia mais5. Seja A uma matriz qualquer. Assinale a afirmativa
UFRJ Instituto de Matemática Disciplina: Algebra Linear II - MAE 125 Professor: Bruno, Gregório, Luiz Carlos, Mario, Milton, Monique e Umberto Data: 12 de julho de 2013 Terceira Prova 1. Considere no espaço
Leia maisFísica IV. Aula 1. Baseado no material preparado por Sandro Fonseca Helena Malbouisson Clemencia Mora
Física IV Aula 1 1 Baseado no material preparado por Sandro Fonseca Helena Malbouisson Clemencia Mora Normas e Datas Presença é obrigatória as aulas de lab. e os alunos somente podem faltar a uma* prática.
Leia maisProf. MSc. David Roza José 1/26
1/26 Mínimos Quadrados Geral e Regressão Não Linear Objetivos: Implementar a regressão polinomial; Implementar regressão múltipla linear; Entender a formulação do modelo linear geral de mínimos quadrados;
Leia maisCálculo Numérico - Splines
Cálculo Numérico - Splines Prof a Dr a Diane Rizzotto Rossetto Universidade Tecnológica Federal do Paraná 13 de março de 2016 D.R.Rossetto Splines 1/27 Exemplo 1 Considere f (x) = 1 1+25x 2 tabelada no
Leia maisAPROXIMAÇÃO DE FUNÇÕES MÉTODO DOS MÍNIMOS QUADRADOS
MÉTODO DOS MÍNIMOS QUADRADOS INTRODUÇÃO Frequentemente é possível estabelecer uma relação linear entre duas grandezas medidas experimentalmente. O método dos mínimos quadrados é uma maneira de se obter
Leia maisNotas em Álgebra Linear
Notas em Álgebra Linear 1 Pedro Rafael Lopes Fernandes Definições básicas Uma equação linear, nas variáveis é uma equação que pode ser escrita na forma: onde e os coeficientes são números reais ou complexos,
Leia maisAula IV. Representação gráfica e regressão linear. Prof. Paulo Vitor de Morais
Aula IV Representação gráfica e regressão linear Prof. Paulo Vitor de Morais Representação gráfica A representação gráfica é uma forma de representar um conjunto de dados de medidas que permite o estudo
Leia mais(x 1, y 1 ) (x 2, y 2 ) = (x 1 x 2, y 1 y 2 ); e α (x, y) = (x α, y α ), α R.
INSTITUTO DE MATEMÁTICA E ESTATÍSTICA UNIVERSIDADE DE SÃO PAULO MAT-2457 Álgebra Linear para Engenharia I Terceira Lista de Exercícios - Professor: Equipe da Disciplina EXERCÍCIOS 1. Considere as retas
Leia maisInterpolação polinomial: Polinômio de Lagrange
Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo
Leia maisResolução de Sistemas Lineares. Ana Paula
Resolução de Sistemas Lineares Sumário 1 Introdução 2 Alguns Conceitos de Álgebra Linear 3 Sistemas Lineares 4 Métodos Computacionais 5 Sistemas Triangulares 6 Revisão Introdução Introdução Introdução
Leia maisÁLGEBRA LINEAR I - MAT Em cada item diga se a afirmação é verdadeira ou falsa. Justifiquei sua resposta.
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT0032 2 a Lista de
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 27.1 Gabarito 1) Considere a base η de R 3 η = {(1, 1, 1); (1,, 1); (2, 1, )} (1.a) Determine a matriz de mudança de coordenadas da base canônica para a base η. (1.b) Considere o
Leia maisMatemática Computacional - 2 o ano LEMat e MEQ
Instituto Superior Técnico Departamento de Matemática Secção de Matemática Aplicada e Análise Numérica Matemática Computacional - o ano LEMat e MEQ Exame/Teste - 1 de Janeiro de 1 - Parte I (1h3m) 1. Considere
Leia maisAjuste de Splines a um Conjunto de Dados
Ajuste de Splines a um Conjunto de Dados Reginaldo J. Santos Departamento de Matemática-ICE Universidade Federal de Minas Gerais http://www.mat.ufmg.br/~regi regi@mat.ufmg.br 7 de junho de Seja C (I) o
Leia maisLucia Catabriga e Andréa Maria Pedrosa Valli
1-35 Lucia Catabriga e Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo - UFES, Vitória, ES, Brasil 2-35
Leia maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
Leia maisCALIBRAÇÃO DE TERMOPARES ATRAVÉS DE SOFTWARE DE REGRESSÃO POLINOMIAL
CALIBRAÇÃO DE TERMOPARES ATRAVÉS DE SOFTWARE DE REGRESSÃO POLINOMIAL Autores: David Roza JOSÉ 1, Fernando Prando DACAS 2, Lucas BARP 2. 1 Mestre em Engenharia Mecânica, professor do Instituto Federal Catarinense
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Leia mais(d) Seja W um espaço vetorial de dimensão 4 e sejam U e V subespaços de W tais que U V = 0. Assinale. Gabarito Pág. 1
UFRJ Instituto de Matemática Disciplina: Algebra Linear II - MAE 125 Professor: Bruno, Gregório, Luiz Carlos, Mario, Milton, Monique e Umberto Data: 15 de maio de 2013 Primeira Prova 1. Os valores de (a,
Leia maisNota importante: U é a matriz condensada obtida no processo de condensação da matriz
Decomposição P T LU A denominada decomposição P T L U é um processo que pode ser extremamente útil no cálculo computacional, na resolução de sistemas de equações lineares. Propriedade Seja A uma matriz
Leia maisCM005 Álgebra Linear Lista 3
CM005 Álgebra Linear Lista 3 Alberto Ramos Seja T : V V uma transformação linear. Se temos que T v = λv, v 0, para λ K. Dizemos que λ é um autovalor de T e v autovetor de T associado a λ. Observe que λ
Leia maisLista de Exercícios de Cálculo 3 Sexta Semana
Lista de Exercícios de Cálculo 3 Sexta Semana Parte A 1. (i) Encontre o gradiente das funções abaixo; (ii) Determine o gradiente no ponto P dado; (iii) Determine a taxa de variação da função no ponto P
Leia maisSME306 - Métodos Numéricos e Computacionais II Prof. Murilo F. Tomé. (α 1)z + 88 ]
SME306 - Métodos Numéricos e Computacionais II Prof. Murilo F. Tomé 1 o sem/2016 Nome: 1 a Prova - 07/10/2016 Apresentar todos os cálculos - casas decimais 1. Considere a família de funções da forma onde
Leia maisNotações e revisão de álgebra linear
Notações e revisão de álgebra linear Marina Andretta ICMC-USP 17 de agosto de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia maisRevisão de Cálculo Diferencial e Integral
Cálculo Numérico Diferencial e Integral Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Limite, continuidade e derivadas Uma das noções mais básicas e importantes
Leia maisEquações Diferenciais de Segunda Ordem. Copyright Cengage Learning. Todos os direitos reservados.
17 Equações Diferenciais de Segunda Ordem Copyright Cengage Learning. Todos os direitos reservados. 17.2 Equações Lineares Não Homogêneas Copyright Cengage Learning. Todos os direitos reservados. Equações
Leia maisGAAL Exercícios 6: Umas soluções
GAAL Exercícios 6: Umas soluções. Quais dos seguintes vetores são combinação linear de u = (5, 3, ), v = (, 4, 3), w = (, 8, 7)? (a) (, 2, 5) (b) (, 2, 8) (c) ( 2, ) (d) (, 2, 3). O conjunto {u, v, w}
Leia maisAndréa Maria Pedrosa Valli
Interpolação Polinomial Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo - UFES, Vitória, ES, Brasil 2-32
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisCapítulo 3 - Mínimos Quadrados Lineares
Capítulo 3 - Mínimos Quadrados Lineares Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 2 o Ano - Eng. Civil, Química e Gestão Industrial Carlos
Leia mais(a) 2 (b) 3 (c) 1 (d) 1. Primeira Prova. 6. Suponha que queiramos escrever u = (1, 1) como combinação
Universidade Federal do Rio de Janeiro Instituto de Matemática Disciplina: Álgebra Linear II Professor: Bruno Costa, Francesco Noseda, Luiz Carlos Guimarães, Mário de Oliveira, Milton Ramirez, Milton Lopes
Leia maisAjuste de dados pelo Métodos dos Mínimos Quadrados
Ajuste de dados pelo Métodos dos Mínimos Quadrados Prof. Santos Alberto Enriquez Remigio Famat-Ufu Problema Após serem efetuadas medições num gerador de corrente contínua, foram obtidos os valores indicados
Leia maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
Leia maisMárcio Antônio de Andrade Bortoloti
Márcio Antônio de Andrade Bortoloti Departamento de Ciências Exatas e Tecnológicas - DCET Universidade Estadual do Sudoeste da Bahia Sumário 1 Definição Uma matriz quadrada de ordem n é definida positiva
Leia maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
Leia maisMétodos Numéricos e Estatísticos Parte I-Métodos Numéricos
Métodos Numéricos e Estatísticos Parte I-Métodos Numéricos Lic Eng Biomédica e Bioengenharia-2009/2010 O problema geral da interpolação polinomial consiste em, dados n + 1 pontos (reais ou complexos) x
Leia maisAula II. Representação gráfica e regressão linear. Prof. Paulo Vitor de Morais
Aula II Representação gráfica e regressão linear Prof. Paulo Vitor de Morais Representação gráfica A representação gráfica é uma forma de representar um conjunto de dados de medidas que permite o estudo
Leia maisexercícios de análise numérica II
exercícios de análise numérica II lic. matemática aplicada e computação (4/5) aulas práticas - capítulo Exercício. Mostre que a soma dos polinómios base de Lagrange é a função constante. Exercício. Usando
Leia maisEquações não lineares
DMPA IME UFRGS Cálculo Numérico Índice Raizes de polinômios 1 Raizes de polinômios 2 raizes de polinômios As equações não lineares constituídas por polinômios de grau n N com coeficientes complexos a n,a
Leia maisf(x) = 1 + 2x + 3x 2.
Interpolação e ajuste não-segmentados 1 Introdução O problema geral da interpolação pode ser denido da seguinte forma: Seja F uma família de funções f : D E e {(x i, y i )} N i1 um conjunto de pares ordenados
Leia mais1. Converta os seguintes números decimais para sua forma binária: (a) 22 (b) 255 (c) 256 (d) 0.11 (e) (f)
1 a Lista de Exercícios de Cálculo Numérico Prof a. Vanessa Rolnik 1. Converta os seguintes números decimais para sua forma binária: (a) 22 (b) 255 (c) 256 (d).11 (e).8125 (f) 4.69375 2. Converta os seguintes
Leia maisMatemática Computacional - 2 o ano LEMat e MEQ
Instituto Superior Técnico Departamento de Matemática Secção de Matemática Aplicada e Análise Numérica Matemática Computacional - o ano LEMat e MEQ Exame/Teste - 5 de Fevereiro de - Parte I (h3m). Considere
Leia maisP2 de Álgebra Linear I Data: 10 de outubro de Gabarito
P2 de Álgebra Linear I 2005.2 Data: 10 de outubro de 2005. Gabarito 1 Decida se cada afirmação a seguir é verdadeira ou falsa. Itens V F N 1.a F 1.b V 1.c V 1.d F 1.e V 1.a Considere duas bases β e γ de
Leia maisG2 de Álgebra Linear I
G2 de Álgebra Linear I 2008.1 Gabarito 1) Decida se cada afirmação a seguir é verdadeira ou falsa e marque COM CANETA sua resposta no quadro a seguir. Itens V F N 1.a x 1.b x 1.c x 1.d x 1.e x 1.a) Suponha
Leia maisUnidade II MATEMÁTICA APLICADA. Prof. Luiz Felix
Unidade II MATEMÁTICA APLICADA Prof. Luiz Felix Equações do 1º grau Resolver uma equação do 1º grau significa achar valores que estejam em seus domínios e que satisfaçam à sentença do problema, ou seja,
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 2.2 Gabarito ) Considere a matriz 4 N = 4. 4 Observe que os vetores (,, ) e (,, ) são dois autovetores de N. a) Determine uma forma diagonal D de N. b) Determine uma matriz P tal
Leia maisResolução de Sistemas Lineares. Ana Paula
Resolução de Sistemas Lineares Sumário 1 Aula Anterior 2 3 Revisão Aula Anterior Aula Anterior Aula Anterior Aula Anterior Decomposição LU A matriz de coeficientes é decomposta em L e U L é uma matriz
Leia maisÁlgebra Linear e Geometria Anaĺıtica. Matrizes e Sistemas de Equações Lineares
universidade de aveiro departamento de matemática Álgebra Linear e Geometria Anaĺıtica Agrupamento IV (ECT, EET, EI) Capítulo 1 Matrizes e Sistemas de Equações Lineares Geometria anaĺıtica em R 3 [1 01]
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 15 Ajuste de Curvas - Matlab Ajuste Linear As equações (4) e (5) siplifica-se nas : α +α x = 0 1 i y i (6) α x +α x 0 i 1
Leia maisSabendo que f(x) é um polinômio de grau 2, utilize a formula do trapézio e calcule exatamente
MÉTODOS NUMÉRICOS E COMPUTACIONAIS II EXERCICIOS EXTRAIDOS DE PROVAS ANTERIORES EXERCICIOS RESOLVIDOS - INTEGRACAO-NUMERICA - EDO. Considere a seguinte tabela de valores de uma função f x i..5.7..5 f(x
Leia maisÁlgebra Linear I - Aula 22
Álgebra Linear I - Aula 1. Bases Ortonormais.. Matrizes Ortogonais. 3. Exemplos. 1 Bases Ortonormais Lembre que uma base β é ortogonal se está formada por vetores ortogonais entre si: para todo par de
Leia maisJ. Delgado - K. Frensel - L. Crissaff Geometria Analítica e Cálculo Vetorial
178 Capítulo 10 Equação da reta e do plano no espaço 1. Equações paramétricas da reta no espaço Sejam A e B dois pontos distintos no espaço e seja r a reta que os contém. Então, P r existe t R tal que
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisRegressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
Leia maisEsmeralda Sousa Dias. (a) (b) (c) Figura 1: Ajuste de curvas a um conjunto de pontos
Mínimos quadrados Esmeralda Sousa Dias É frequente ser necessário determinar uma curva bem ajustada a um conjunto de dados obtidos experimentalmente. Por exemplo, suponha que como resultado de uma certa
Leia maisLista de Exercícios 3 (Matrizes e Sistemas Lineares) b) B 4 2, tal que b ij =
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ Departamento Acadêmico de Matemática - DAMAT Geometria Analítica e Álgebra Linear (MA71B) Profa. Dra. Nara Bobko Lista de Exercícios 3 (Matrizes e Sistemas Lineares)
Leia maisAula 25 - Espaços Vetoriais
Espaço Vetorial: Aula 25 - Espaços Vetoriais Seja V um conjunto não vazio de objetos com duas operações definidas: 1. Uma adição que associa a cada par de objetos u, v em V um único objeto u + v, denominado
Leia maisÁlgebra Linear (MAT-27) Ronaldo Rodrigues Pelá. 21 de outubro de 2011
APLICAÇÕES DA DIAGONALIZAÇÃO Álgebra Linear (MAT-27) Ronaldo Rodrigues Pelá IEFF-ITA 21 de outubro de 2011 Roteiro 1 2 3 Roteiro 1 2 3 Introdução Considere a equação de uma cônica: Forma Geral Ax 2 + Bxy
Leia maisRegressão, Interpolação e Extrapolação Numéricas
, e Extrapolação Numéricas Departamento de Física Universidade Federal da Paraíba 29 de Maio de 2009, e Extrapolação Numéricas O problema Introdução Quem é quem Um problema muito comum na física é o de
Leia maisPropriedades das Funções Contínuas e Limites Laterais Aula 12
Propriedades das Funções Contínuas e Limites Laterais Aula 12 Alexandre Nolasco de Carvalho Universidade de São Paulo São Carlos SP, Brazil 27 de Março de 2014 Primeiro Semestre de 2014 Turma 2014106 -
Leia maisCapítulo 9. Teoria da Aproximação. 9.2 Mínimos Quadrados
Capítulo 9 Teoria da Aproximação 9.1 Introdução O estudo da teoria da aproximação envolve dois tipos de problemas genéricos: 1) Um problema ocorre quando uma função é dada de forma explícita, mas queremos
Leia mais1. Conhecendo-se somente os produtos AB e AC, calcule A = X 2 = 2X. 3. Mostre que se A e B são matrizes que comutam com a matriz M = 1 0
Lista de exercícios. AL. 1 sem. 2015 Prof. Fabiano Borges da Silva 1 Matrizes Notações: 0 para matriz nula; I para matriz identidade; 1. Conhecendo-se somente os produtos AB e AC calcule A(B + C) B t A
Leia maisÁlgebra Linear. Curso: Engenharia Electrotécnica e de Computadores 1 ō ano/1 ō S 2006/07
Álgebra Linear Curso: Engenharia Electrotécnica e de Computadores ō ano/ ō S 6/7 a Lista: SISTEMAS DE EQUAÇÕES LINEARES E ÁLGEBRA DE MATRIZES Sistemas de equações lineares. Quais das seguintes equações
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia mais12 AULA. ciáveis LIVRO. META Estudar derivadas de funções de duas variáveis a valores reais.
1 LIVRO Diferen- Funções ciáveis META Estudar derivadas de funções de duas variáveis a valores reais. OBJETIVOS Estender os conceitos de diferenciabilidade de funções de uma variável a valores reais. PRÉ-REQUISITOS
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 13 04/2014 Sistemas de Equações Lineares Parte 3 MÉTODOS ITERATIVOS Cálculo Numérico 3/44 MOTIVAÇÃO Os métodos iterativos
Leia maisAlexandre Miranda Alves Anderson Tiago da Silva Edson José Teixeira. MAT146 - Cálculo I - Integração por Frações Parciais
MAT146 - Cálculo I - Integração por Frações Parciais Alexandre Miranda Alves Anderson Tiago da Silva Edson José Teixeira Iremos agora desenvolver um método para resolver integrais de funções racionais,
Leia maisApontamentos III. Espaços euclidianos. Álgebra Linear aulas teóricas. Lina Oliveira Departamento de Matemática, Instituto Superior Técnico
Apontamentos III Espaços euclidianos Álgebra Linear aulas teóricas 1 o semestre 2017/18 Lina Oliveira Departamento de Matemática, Instituto Superior Técnico Índice Índice i 1 Espaços euclidianos 1 1.1
Leia maisG3 de Álgebra Linear I
G de Álgebra Linear I 7 Gabarito ) Considere a transformação linear T : R R cuja matriz na base canônica E = {(,, ), (,, ), (,, )} é [T] E = a) Determine os autovalores de T e seus autovetores correspondentes
Leia maisCapítulo Equações da reta no espaço. Sejam A e B dois pontos distintos no espaço e seja r a reta que os contém. Então, P r existe t R tal que
Capítulo 11 1. Equações da reta no espaço Sejam A e B dois pontos distintos no espaço e seja r a reta que os contém. Então, P r existe t R tal que AP = t AB Fig. 1: Reta r passando por A e B. Como o ponto
Leia maisPESQUISA OPERACIONAL
PESQUISA OPERACIONAL Uma breve introdução. Prof. Cleber Almeida de Oliveira Apostila para auxiliar os estudos da disciplina de Pesquisa Operacional por meio da compilação de diversas fontes. Esta apostila
Leia maisALGEBRA LINEAR 1 RESUMO E EXERCÍCIOS* P1
ALGEBRA LINEAR 1 RESUMO E EXERCÍCIOS* P1 *Exercícios de provas anteriores escolhidos para você estar preparado para qualquer questão na prova. Resoluções em VETORES Um vetor é uma lista ordenada de números
Leia mais