Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
FUNDAMENTOS IV DANIEL CORRÊA DA SILVA 2015-2 Introdução CAPÍTULO I OBJETIVOS Modelagem Numérica INTRODUÇÃO Métodos Numéricos: são técnicas e métodos pelas quais os problemas matemáticos são formulados de modo que possam ser resolvidos com operações aritméticas: soma, subtração, multiplicação e divisão. A análise numérica é o estudo de algoritmos que busca soluções e resultados numéricos para problemas de diversas ordens e complexidade utilizando a modelagem matemática. APLICAÇÕES Previsões Meteorológicas Calcular a trajetória de uma aeronave requer a solução numérica precisa de um sistema de equações diferenciais ordinárias. Companhias aéreas usam sofisticados algoritmos de otimização para definir os valores de passagens, pagamentos de funcionários e necessidades de combustíveis Companhias de seguros usam programas numéricos para análise de riscos. 1.1 – INTRODUÇÃO A MÉTODOS NUMÉRICOS INTRODUÇÃO Os conteúdos matemáticos que contemplam a disciplina Análise/Métodos Numéricos são: RAÍZES DE EQUAÇÕES: tratam de problemas matemáticos que visam calcular de forma precisa o valor de uma variável que satisfaz uma única equação não-linear. SISTEMAS DE EQUAÇÕES ALGÉBRICAS LINEARES: um sistema de equações lineares (abreviadamente, sistema linear) é um conjunto finito de equações lineares aplicadas num mesmo conjunto, igualmente finito, de variáveis. Similar a raízes de equações, sistemas de equações algébricas lineares tratam de problemas matemáticos que visam calcular os valores de um conjunto de variáveis que satisfaça um conjunto de equações algébricas lineares. OTIMIZAÇÃO: tratam de problemas matemáticos que visam determinar um ou mais valores de variáveis independentes que correspondem ao melhor ou pior valor de uma função. AJUSTE DE CURVAS: tratam de problemas matemáticos que visam ajustar curvas a um conjunto de dados, seja utilizando a técnica de interpolação ou por regressão. INTEGRAÇÃO: tratam de problemas matemáticos que visam calcular a área sob curvas, assim como são de extrema importância para a construção de soluções de equações diferenciais. EQUAÇÕES DIFERENCIAS ORDINÁRIAS: uma equação diferencial ordinária é uma equação que envolve as derivadas de uma função desconhecida de uma variável. EQUAÇÕES DIFERENCIAS PARCIAIS: Um equação diferencial parcial ou equação de derivadas parciais (EDP) é uma equação envolvendo várias funções incógnita de várias variáveis independentes e dependente de suas derivadas. 1.2 – FUNDAMENTOS MATEMÁTICOS INTRODUÇÃO 1.2 – FUNDAMENTOS MATEMÁTICOS INTRODUÇÃO 1.2 – FUNDAMENTOS MATEMÁTICOS INTRODUÇÃO 1.2 – FUNDAMENTOS MATEMÁTICOS INTRODUÇÃO 1.3 – MODELAGEM MATEMÁTICA MODELO MATEMÁTICO: pode ser definido como uma formulação ou equação que expressa as características essenciais de um sistema ou processo físico em termos matemáticos. Variável dependente = f(variáveis independentes, parâmetros, termos forçantes) Variável Dependente: reflete o comportamento ou estado do sistema; Variável Independente: são dimensões, espaço, tempo das quais determina o comportamento do sistema. Parâmetro: refletem as propriedades ou os comportamentos do sistema. Termos forçantes: são as influências externas agindo sobre o sistemas. INTRODUÇÃO 1.3 – MODELAGEM MATEMÁTICA EXEMPLO: INTRODUÇÃO 1.3 – MODELAGEM MATEMÁTICA EXEMPLO NO OCTAVE: Erros de Aproximação e Arredondamento CAPÍTULO 2 OBJETIVOS Algarismos Significativos Acurácia e precisão Definição de erros ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.1 – ALGARISMOS SIGNIFICATIVOS Algarismos Significativos: são os algarismos de um número que podem ser utilizados com confiança. Eles correspodem aos algorismos corretos mais um algarismo estimado. Exemplo: Velocidade = 48,8 km/h ou 48,9 km/h Distância = 87324,5 km ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.1 – ACURÁCIA E PRECISÃO Acurácia: se refere a quão próximo o valor calculado ou medido está do valor verdadeiro. Precisão: se refere a quão próximo os valores individuais calculados ou medidos estão uns dos outros. Exemplo: Inacurado e impreciso Acurados e imprecisos Inacurado e preciso Acurado e preciso ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.3 – DEFINIÇÃO DE ERROS Erros de truncamento são causados pelo uso de aproximações para representar operações e quantidades matemática exatas. Eles incluem erros de truncamento, que resultam quando são feitas aproximações para representar procedimentos matemáticos exatos, e erros de arredondamento, que aparecem quando números com uma quantidade limitada de algarismos significativos são usados para representar números exatos. A) Erro verdadeiro: B) Erro relativo fracionário verdadeiro: ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.3 – DEFINIÇÃO DE ERROS Exemplos: ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.4 – ERROS DE ARREDONDAMENTO Há dois aspectos principais sobre os erros de arredondamento envolvidos em cálculos numéricos: Computadores digitais têm limites de tamanho e precisão em sua capacidade para representar números Certas manipulações numéricas são altamente sensíveis a erros de arredondamento, o que pode resultar tanto de considerações matemáticas quanto do modo como o computador realiza as operações aritméticas. ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.4 – REPRESENTAÇÃO NUMÉRICA REPRESENTAÇÃO EM PONTO FLUTUANTE ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.4 – REPRESENTAÇÃO NUMÉRICA OBSERVAÇÕES: Existe um intervalo limitado de quantidades que podem ser representadas: tentativas de utilizar valores fora do intervalo geram erros de overflow ou valores muito pequenos geram erros de underflow. Existem apenas um número finito de quantidades que podem ser representadas dentro de um intervalo: tanto os números irracionais e racionais não podem ser representados de modo preciso e exato. Truncamento é manter somente os termos significativos. ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.4 – REPRESENTAÇÃO NUMÉRICA SISTEMA NUMÉRIO DECIMAL E BINÁRIO ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.4 – MÉTODO ITERATIVO ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.4 – MÉTODO ITERATIVO ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.4 – MÉTODO ITERATIVO ERROS DE APROXIMAÇÃO E ARREDONDAMENTO 2.5 – REPRESENTAÇÃO DE NÚMEROS DE PONTO FLUTUANTE Cálculos grandes: para chegar ao resultado final, certos métodos necessitam de um grande número de cálculos aritméticos, geralmente interdependentes – os últimos cálculos dependem dos seus antecessores. Assim, mesmo que os erros de arredondamento individuais sejam pequenos, o efeito cumulativo sobre um grande número de operações podem ser significativos. Adicionando números pequenos a números grandes: EQUAÇÕES ALGÉBRICAS LINEARES CAPÍTULO 3 OBJETIVOS Fundamentos Matemáticos para Equações Algébricas Lineares Representação de Sistemas de Equações Lineares Métodos de Resolução de Sistemas de Equações Lineares Métodos Gráficos Métodos de Regra de Crammer Métodos de Gauss Ingênuo EQUAÇÕES ALGÉBRICAS LINEARES 3.1 – FUNADAMENTOS MATEMÁTICOS EQUAÇÕES ALGÉBRICAS LINEARES 3.1 – FUNADAMENTOS MATEMÁTICOS EQUAÇÕES ALGÉBRICAS LINEARES 3.1 – FUNADAMENTOS MATEMÁTICOS EQUAÇÕES ALGÉBRICAS LINEARES 3.1 – FUNADAMENTOS MATEMÁTICOS Matriz triangular superior: é uma matriz em que todos os elementos abaixo da diagonal principal são zero Matriz triangular inferior: é uma matriz em que todos os elementos acima da diagonal principal são zero. Matriz de banda: tem todos os elementos iguais a zero, com a possível execeção de uma faixa centrada na diagonal principal. Exemplo de matriz de largura de banda 3 EQUAÇÕES ALGÉBRICAS LINEARES 3.1 – FUNADAMENTOS MATEMÁTICOS OPERAÇÕES COM MATRIZES: A) SOMA DE MATRIZES B) SUBTRAÇÃO DE MATRIZES EQUAÇÕES ALGÉBRICAS LINEARES 3.1 – FUNADAMENTOS MATEMÁTICOS OPERAÇÕES COM MATRIZES: C) MULTIPLICAÇÃO DE UMA MATRIZES POR UM ESCALAR D) PRODUTO DE DUAS MATRIZES EQUAÇÕES ALGÉBRICAS LINEARES 3.1 – FUNADAMENTOS MATEMÁTICOS PROPRIEDADES: EQUAÇÕES ALGÉBRICAS LINEARES 3.1 – FUNADAMENTOS MATEMÁTICOS CÁLCULO DO DETERMINANTE: Determinante de primeira ordem: Determinante de segunda ordem: Determinante de terceira ordem: Observação: para calcular-se o determinante de uma matriz, a mesma deve ser uma matriz quadrada. EQUAÇÕES ALGÉBRICAS LINEARES 3.2 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES As equações algébricas lineares podem ser representados como: EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – MÉTODOS DE RESOLUÇÃO DE SISTEMAS DE EQUAÇÕES LINEARES 3.3.1 - Método Gráfico EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.3.1 - Método gráfico EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.3.1 - Método Gráfico Sistemas bem condicionados: são aqueles em que uma pequena mudança em um ou mais coeficientes resulta em pequenas mudanças nas soluções. Sistemas mal Condicionados: são aqueles para os quais pequenas mudanças nos coeficientes resultam em grandes mudanças nas soluções; isto é, que uma gama ampla de respostas pode satisfazer as equações. EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.3.1 - Método Gráfico Escala: fator multiplicador dos coeficientes que possibilita aumentar o determinante sem mesmo alterar as soluções. EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.3.1 - Método Gráfico EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – MÉTODOS DE RESOLUÇÃO DE SISTEMAS DE EQUAÇÕES LINEARES 3.3.2 – Método de Regra de Cramer EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – MÉTODOS DE RESOLUÇÃO DE SISTEMAS DE EQUAÇÕES LINEARES 3.3.2 – Método de Regra de Cramer EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – MÉTODOS DE RESOLUÇÃO DE SISTEMAS DE EQUAÇÕES LINEARES 3.3.3 – Método de Eliminação de Gauss Ingênuo: consiste em eliminar variáveis pela combinação das equações do sistema linear. Combina equações EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – MÉTODOS DE RESOLUÇÃO DE SISTEMAS DE EQUAÇÕES LINEARES 3.3.3 – Método de Eliminação de Gauss Ingênuo: consiste em eliminar variáveis pela combinação das equações do sistema linear. EQUAÇÕES ALGÉBRICAS LINEARES 3.3 – MÉTODOS DE RESOLUÇÃO DE SISTEMAS DE EQUAÇÕES LINEARES 3.3.3 – Método de Eliminação de Gauss Ingênuo: Algoritmo de Gauss Ingênuo PROBLEMA: O algoritmo permite divisão por zero. EQUAÇÕES ALGÉBRICAS LINEARES 3.2 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.2.5 - Método de Eliminação de Gauss com Pivoteamento: OBS: Evita o problema de divisão por zero do método de Gauss Ingênuo. Pivoteamento parcial: consistem em determinar o maior coeficiente disponível na coluna abaixo do elemento pivô e então as linhas são trocadas, de modo que o maior coeficiente seja o elemento pivô. Pivoteamento Completo: é o pivoteamento parcial com as linhas mais o pivoteamento das colunas. O pivoteamento das colunas consiste em buscar o maior coeficiente das colunas, além das linhas, e então trocar as colunas. EQUAÇÕES ALGÉBRICAS LINEARES 3.2 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.2.5 – Algoritmo de Eliminação de Gauss com Pivoteamento: . EQUAÇÕES ALGÉBRICAS LINEARES 3.2 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.2.5 – Decomposição LU: O interesse principal pela decomposição LU deve-se ao consumo elevado de tempo ao se utilizar o método de pivoteamento parcial. A decomposição LU oferece uma maneira eficiente de se calcular a matriz inversa de A. A eliminação de Gauss é projetada para resolver o sistema de equações lineares do tipo: [A]{x}={b} O método de decomposição LU resume-se em dois passos: Passo de decomposição LU: [A] é fatorada ou decomposta em matrizes triangulares inferiores [L] e superiores [U]. Passo de substituição: [L] e [U] são usados para determinar uma solução {x} para um lado direito {b}. Primeiro gera o vetor intermediário {d} através da equação abaixo utilizando-se substituição progressiva: e aplicando substituição regressiva por para obter a solução {x} EQUAÇÕES ALGÉBRICAS LINEARES 3.2 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.2.5 – Decomposição LU: Dado o sistema de equações lineares abaixo: [A]{x}={b} a decomposição LU será: [A] = EQUAÇÕES ALGÉBRICAS LINEARES 3.2 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.2.5 – Decomposição LU: EQUAÇÕES ALGÉBRICAS LINEARES 3.2 – REPRESENTAÇÃO DO SISTEMAS DE EQUAÇÕES LINEARES 3.2.5 – Alogoritmo Decomposição LU: AJUSTE DE CURVAS CAPÍTULO 4 OBJETIVOS Fundamentos Matemáticos Regressão por Mínimos Quadrados AJUSTE DE CURVAS 4.1 – FUNADAMENTOS MATEMÁTICOS Ajuste de Curvas: técnica matemática utilizada para ajustar dados através da estimativa de valores entre dois pontos discretos de uma sequência discreta de valores. ABORDAGENS DE AJUSTE DE CURVAS: Regressão por mínimos quadrados: consiste em encontrar uma única curva que represente a tendência geral dos dados, sem se preocupar em passar a curva por todos os pontos. Essa abordagem é interessante para dados que exibirem uma quantidade de ruídos ou grau significativo de erros. Interpolação: consiste em ajustar uma curva ou uma série de curvas que passam diretamente por cada um dos pontos. Essa abordagem é interessante para dados precisos. AJUSTE DE CURVAS 4.1 – FUNADAMENTOS MATEMÁTICOS 4.1.1 - PRÁTICA DE ENGENHARIA: DADOS TABULADOS: o ajuste de curvas é realizado por meio da geração de valores intermediários obtidos de dados tabulados. Exemplo: Tabelas de juros em Engenharia Econômica Tabelas de evaporação Termodinâmicas. ANÁLISE DE TENDÊNCIA: pode ser utilizado para prever valores da variável dependente para problemas de previsões. Estimativas de chuva, temperaturas. Dados com alta precisão aplica-se técnicas de interpolação polinomial e dados imprecisos aplicam-se regresão por mínimos quadrados. TESTE DE HIPÓTESE: um modelo matemático existe e é comparado com os dados medidos AJUSTE DE CURVAS 4.1 – FUNADAMENTOS MATEMÁTICOS 4.1.2 – ESTATÍSTICA SIMPLES AJUSTE DE CURVAS 4.1 – FUNADAMENTOS MATEMÁTICOS 4.1.2 – ESTATÍSTICA SIMPLES AJUSTE DE CURVAS 4.1 – FUNADAMENTOS MATEMÁTICOS 4.1.2 – ESTATÍSTICA SIMPLES AJUSTE DE CURVAS 4.1 – FUNADAMENTOS MATEMÁTICOS 4.1.2 – ESTATÍSTICA SIMPLES Distribuição dos dados: a forma como os dados estão dispersos em torno da média. Histrograma: fornece a representação visual simples da distribuição. O histrograma é construído classificando as amostras em intervalos. Estatística: visa fazer estimativas das propriedade de uma população coma base em umas amostra pequena Inferência estatística: inferir propriedades da população desconhecida a partir de amostras limitadas OBSERVAÇÃO: O conceito de média, desvio padrão, soma dos quadrados e distribuição normal é relevante a engenharia devido a sua aplicação para determinar a confiança que pode ser associada e determinada a confiança de uma media particular. AJUSTE DE CURVAS 4.1 – FUNADAMENTOS MATEMÁTICOS 4.1.2 – ESTATÍSTICA SIMPLES AJUSTE DE CURVAS 4.2 – REGRESSÃO LINEAR 4.2.1 – MÍNIMOS QUADRADOS AJUSTE DE CURVAS 4.2 – REGRESSÃO LINEAR 4.2.1 – MÍNIMOS QUADRADOS Determinar os valores de a1 e a0 AJUSTE DE CURVAS 4.2 – REGRESSÃO LINEAR 4.2.1 – MÍNIMOS QUADRADOS Determinar os valores de a1 e a0 AJUSTE DE CURVAS 4.2 – REGRESSÃO LINEAR 4.2.1 – MÍNIMOS QUADRADOS AJUSTE DE CURVAS 4.2 – REGRESSÃO LINEAR 4.2.1 – MÍNIMOS QUADRADOS Linearização de Relações não lineares OBSERVAÇÃO: a relação entre a variável dependente e independente devem ser lineares. AJUSTE DE CURVAS 4.2 – REGRESSÃO LINEAR 4.2.1 – MÍNIMOS QUADRADOS Linearização de Relações não lineares AJUSTE DE CURVAS 4.2 – REGRESSÃO LINEAR 4.2.1 – MÍNIMOS QUADRADOS Linearização de Relações não lineares AJUSTE DE CURVAS 4.3 – REGRESSÃO POLINOMIAL AJUSTE DE CURVAS 4.3 – REGRESSÃO POLINOMIAL AJUSTE DE CURVAS 4.3 – REGRESSÃO POLINOMIAL AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON A) INTERPOLAÇÃO LINEAR AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON A) INTERPOLAÇÃO LINEAR AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON B) INTERPOLAÇÃO QUADRÁTICA AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON B) INTERPOLAÇÃO QUADRÁTICA AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON B) INTERPOLAÇÃO QUADRÁTICA AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON C) INTERPOLAÇÃO QUADRÁTICA AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON C) INTERPOLAÇÃO QUADRÁTICA AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON C) INTERPOLAÇÃO: FORMA GERAL DOS POLINÔMIOS INTERPOLADORES DE NEWTOW AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON C) INTERPOLAÇÃO: FORMA GERAL DOS POLINÔMIOS INTERPOLADORES DE NEWTOW AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON C) INTERPOLAÇÃO: FORMA GERAL DOS POLINÔMIOS INTERPOLADORES DE NEWTOW AJUSTE DE CURVAS 4.4 – INTERPOLAÇÃO: POLINÔMIOS INTERPOLADORES POR DIFERENÇAS DIVIDIDAS DE NEWTON C) INTERPOLAÇÃO: FORMA GERAL DOS POLINÔMIOS INTERPOLADORES DE NEWTOW INTEGRAÇÃO E DERIVADA CAPÍTULO 4 OBJETIVOS Fundamentos Matemáticos Introdução a derivada e Integração Integração Trapezoidal INTEGRAÇÃO E DERIVADA 4.1 – FUNADAMENTOS MATEMÁTICOS A) DERIVADA INTEGRAÇÃO E DERIVADA 4.1 – FUNADAMENTOS MATEMÁTICOS B) INTEGRAÇÃO INTEGRAÇÃO E DERIVADA 4.1 – FUNADAMENTOS MATEMÁTICOS INTEGRAÇÃO E DERIVADA 4.1 – FUNADAMENTOS MATEMÁTICOS INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DO TRAPÉZIO INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DO TRAPÉZIO INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DO TRAPÉZIO INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DO TRAPÉZIO INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DO TRAPÉZIO INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DE SIPSON INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DE SIPSON INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DE SIPSON INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DE SIPSON INTEGRAÇÃO E DERIVADA 4.2 – INTEGRAL: REGRA DE SIPSON BIBLIOGRAFIA
Compartilhar