PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA

Tamanho: px
Começar a partir da página:

Download "PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA"

Transcrição

1 PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Mauro aghettn Mara Manuela Portela DECvl, IST, 0

2 PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Mauro aghettn Professor Assocado, Escola de Engenhara da Unversdade Federal de Mnas Geras, Belo Horzonte, Brasl. Mara Manuela Portela Professora Auxlar, Insttuto Superor Técnco da Unversdade Técnca de Lsboa, Portugal. (ota: o presente texto fo produzdo a partr de capítulo homónmo do lvro Hdrologa Aplcada, a ser publcado entre 0 e 0 pela Assocação Braslera de Recursos Hídrcos, ABRH. O ntuto é o de proporconar noções fundamentas de probabldades e estatístca aplcadas à hdrologa, nclundo concetos relaconados com a análse de ncertezas)

3 Índce do texto. Introdução.... Caracterzação prelmnar das ncertezas presentes nos fenómenos hdrológcos Defnções báscas ota préva Espaço de resultados ou espaço amostral Acontecmento aleatóro Complementar de um acontecmento aleatóro Combnação de acontecmentos aleatóros. Unão e ntersecção Probabldade Dependênca e ndependênca estatístcas Varáves aleatóras dscretas e contínuas Funções dstrbução de probabldade Meddas descrtvas populaconas das varáves aleatóras ota préva Valor esperado Varânca, desvo-padrão e coefcente de varação da população Coefcente de assmetra Modelos de dstrbução de probabldades de varáves aleatóras dscretas ota préva Dstrbução geométrca. Período de retorno Dstrbução Bnomal. Rsco hdrológco Modelos de dstrbução de probabldades de varáves aleatóras contínuas Estmação de parâmetros e de quants das dstrbuções de probabldade Procedmento geral. Método dos momentos Factores de probabldade Análse de frequênca de varáves hdrológcas ota préva Análse de frequênca com base na aprecação vsual do ajustamento (em gráfcos de probabldade). Probabldade empírca de não-excedênca Aprecação da qualdade do ajustamento e escolha do modelo dstrbutvo. Teste de Kolmogorov-Smrnov e do Qu-Quadrado Avalação das ncertezas assocadas às estmatvas de quants Correlação e regressão smples de varáves hdrológcas Pág.

4 Referêncas bblográfcas Índce de Tabelas Precptações dáras máxmas anuas, Pdma, no posto udométrco de Pava (0I/0G), na baca hdrográfca do ro Tejo, no período de 94 anos hdrológcos, entre 9/ e 004/05. Prncpas estatístcas amostras ou descrtvas, respectvas fórmulas de cálculo, sgnfcados e valores tendo por base a amostra de precptações dáras máxmas anuas da Tabela. 3 úmero de faces resultantes do lançamento smultâneo de duas moedas. 4 Prncpas modelos de dstrbução de probabldades de varáves aleatóras contínuas hdrológcas e hdrometeorológcas. 5 Prncpas característcas das dstrbuções de probabldades de varáves aleatóras contínuas hdrológcas e hdrometeorológcas. 6 Função dstrbução de probabldade, FDP, da dstrbução ormal padrão, z ( z) = π exp( z )dz Φ. 7 Expressões de cálculo dos factores de frequênca F K DIST para dversas dstrbuções. 8 Fórmulas para estmação de probabldades empírcas de não excedênca. 9 Precptações dáras máxmas anuas no posto udométrco de Pava, de acordo com a Tabela. Probabldades empírcas de não-excedênca, P( x)=f(x), de acordo com a fórmula de Grngorten apresentada na Tabela 8. 0 Valores crítcos da estatístca do teste de Kolmogorov Smrnov em função da dmensão da amostra,, e do nível do sgnfcânca, α, D,α. Quants da dstrbução do Qu-Quadrado em função do número de graus de lberdade, ν, e do nível de confança, (-α), χ ν,(-α). Partções (número e lmtes) do domíno da função dstrbução de probabldade, F(x), na aplcação do teste do Qu-Quadrado em função da dmensão da amostra, (adaptada de Henrques, 990). 3 Aplcação dos testes de Kolmogorov-Smrnov, KS, e do Qu-Quadrado, χ, à amostra de precptações dáras máxmas anuas no posto udométrco de Pava (0I/0G) da Tabela. 4 Intervalo de confança a 95%, para a estmatva fornecda pela le de Gumbel para a precptação dára máxma anual no posto udométrco de Pava (0I/0G) com a probabldade de não-excedênca de 99% (período de retorno de 00 anos). 5 Pares de valores de caudas nstantâneos, Q, e das correspondentes alturas hdrométrcas, h, relatvos a uma estação hdrométrca. b 6 Cálculo dos parâmetros da curva de vazão defnda por Q = a (h h 0 ).

5 Índce de Fguras Varabldade temporal das precptações dáras máxmas anuas (mm) no posto udométrco de Pava (0I/0G), na baca hdrográfca do ro Tejo, no período de 94 anos hdrológcos, entre 9/ e 004/05. Funções massa e acumulada de probabldades da varável aleatóra dscreta do exemplo da Tabela 3. 3 Funções densdade e acumulada de probabldades de uma varável contínua. 4 Função densdade de probabldade da varável aleatóra contínua. 5 Exemplos de funções densdade (ou massa) de probabldade smétrcas e assmétrca. 6 Cheas máxmas anuas como lustração de um processo de Bernoull. 7 Esquema de desvo provsóro de um ro. 8 Modelo GEV: relação entre κ e γ. 9 Papel de probabldade da le ormal. 0 Probabldades empírcas de não-excedênca fornecdas pelas fórmulas da Tabela 8 para duas amostras, uma, com 50 elementos (à esquerda) e, outra, com 0 elementos (à dreta). Precptações dáras máxmas anuas no posto udométrco de Pava, de acordo com a Tabela. Probabldades de não-excedênca, P( x)=f(x) empírcas (fórmula de Grngorten) e de acordo com as les ormal, de Gumbel e log-ormal para papes de probabldade das les ormal gráfco superor e de Gumbel gráfco nferor. Aplcação do teste de Kolmogorov-Smrnov, KS, à amostra de precptações dáras máxmas anuas no posto udométrco de Pava (0I/0G) da Tabela. Representação gráfca do valor da estatístca do teste. 3 Intervalos de confança a 95%, para os quants fornecdos pela le de Gumbel para as precptações dáras máxmas anuas no posto udométrco de Pava (0I/0G). 4 Hstogramas das estmatvas fornecdas pelas séres sntétcas (em número de W=5000) da precptação dára máxma anual no posto udométrco de Pava (0I/0G) para a probabldade de não excedênca de 99%. 5 Alguns exemplos de assocações denotando correlação entre as varáves Y e. 6 Coefcentes de regressão pelo método dos mínmos quadrados. 7 Curvas de vazão para os dos possíves modelos defndos no exercíco 6. Índce de Exercícos Pág. Exercíco... 9 Exercíco... 3 Exercíco Exercíco

6 Exercíco Exercíco Exercíco 7... Exercíco 8... Exercíco Exercíco Exercíco... 3 Exercíco... 3 Exercíco Exercíco Exercíco Exercíco v

7 v

8 . Introdução Os fenómenos naturas, nomeadamente, hdrológcos contêm ncertezas que lhes são nerentes sendo que exstem duas fontes para tas ncertezas: () a aleatoredade natural assocada às possíves ocorrêncas (ou realzações) de um certo fenómeno; e () e as mperfeções e/ou nsufcêncas do conhecmento humano sobre os processos que determnam tas ocorrêncas. As ncertezas do prmero tpo ou aleatóras podem ser expressas em termos da maor ou menor varabldade de uma ou mas das varáves (ou grandezas mensuráves) assocadas ao fenómeno em estudo. As ncertezas do segundo tpo resultam da nterpretação mperfeta ou mprecsa da realdade subjacente ao referdo fenómeno, por parte dos modelos teórcos e/ou físcos utlzados para o caracterzar. As ncertezas aleatóras não podem ser reduzdas ou modfcadas porque são ntrínsecas à varabldade dos fenómenos em observação. Em geral, essas ncertezas apenas podem ser parcalmente estmadas pelo padrão da varabldade exbdo pelas amostras referentes a realzações desses fenómenos ou das varáves que nele ntervêm. Já as ncertezas que decorrem das lmtações do conhecmento humano acerca dos menconados fenómenos podem ser reduzdas, seja pela obtenção de dados e de nformação adconas, seja pela especfcação de novos modelos teórcos (ou físcos) mas conformes com a realdade. Em ambos os casos, os concetos e métodos da teora de probabldades e da estatístca consttuem conhecmentos ndspensáves para ldar com as ncertezas e para as nterpretar (Ang e Tang, 007). As consequêncas que as ncertezas acarretam no projecto e no planeamento de estruturas e sstemas de engenhara, em geral, e de engenhara de recursos hídrcos, com partcular ênfase, são muto mportantes. De facto, num contexto de ncerteza, o projecto e o planeamento de estruturas e sstemas de aprovetamento e de controlo de recursos hídrcos envolvem rscos, os quas envolvem probabldades de ocorrênca de certos acontecmentos crítcos e das suas respectvas consequêncas, e, fnalmente, a formulação de processos de tomada de decsões. De modo deal, a tomada de uma decsão, por exemplo, quanto às dmensões do descarregador de superfíce de uma barragem, devera levar em consderação: () a probabldade de que, ao longo da vda útl do empreendmento, o caudal máxmo para o qual fo projectado seja ultrapassado pelas caudas de chea que efectvamente se constate ser necessáro descarregar; () as possíves consequêncas da eventual subestmação do caudal de projecto; e () a formulação de planos de tomada de decsões assentes em soluções de compromsso entre avalações quanttatvas dos rscos, custos e benefícos das dversas soluções alternatvas estudadas. Assm, num quadro completo e raconal de tomada de decsões relaconadas com o projecto e o planeamento de nfra-estruturas e de sstemas de recursos hídrcos, é precso levar em consderação as ncertezas assocadas aos fenómenos hdrológcos ntervenentes. A teora de probabldades e a estatístca consttuem um campo de saber e fornecem ferramentas adequadas para nterpretar as característcas de alguns desses fenómenos e para equaconar parte da ncerteza que lhes possa estar assocada. o presente documento sstematzaram-se alguns dos concetos daquela teora mas relevantes e frequentemente ntervenentes em estudos do âmbto da engenhara dos recursos hídrcos, com ênfase para a hdrologa. Pretendendo-se que se trate de um documento ddáctco, foram ncluídos exemplos e exercícos de aplcação de modo a tornar mas explíctos aqueles concetos.

9 . Caracterzação prelmnar das ncertezas presentes nos fenómenos hdrológcos As ocorrêncas de mutos dos fenómenos relevantes no âmbto da engenhara dos recursos hídrcos, nclundo a componente de hdrologa, contêm ncertezas aleatóras, que não podem ser prevstas com absoluta precsão. Em geral, esses fenómenos são caracterzados por uma ou mas varáves mensuráves na natureza (ou em laboratóro), de modo normalzado e sstemátco. Sob as mesmas condções de observação, os dados ou regstos de uma mesma varável podem apresentar valores muto dferencados entre s, alguns com menor frequênca e outros com maor. A varabldade dos dados apresenta um certo padrão, o qual exemplfca apenas uma realzação ou amostra da varação ntrínseca do fenómeno natural a que se referem tas dados. Consdere a amostra de precptações dáras máxmas anuas, Pdma, apresentadas na Tabela, relatva ao posto udométrco de Pava (0I/0G) (localzado na baca hdrográfca do ro Tejo) no período de 94 anos hdrológcos, entre 9/ e 004/05. Recorda-se que tal amostra é consttuída por um valor por ano hdrológco, a máxma precptação em 4 h em cada ano. Como é do conhecmento geral, em Portugal o ano hdrológco decorre entre de Outubro e 30 de Setembro. Tabela Precptações dáras máxmas anuas, Pdma, no posto udométrco de Pava (0I/0G), na baca hdrográfca do ro Tejo, no período de 94 anos hdrológcos, entre 9/ e 004/05. Ano Pdma Ano Pdma Ano Pdma Ano Pdma Ano Pdma hdrológco (mm) hdrológco (mm) hdrológco (mm) hdrológco (mm) hdrológco (mm) 9/ / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / O padrão de varabldade temporal das precptações dáras máxmas anuas apresentadas na anteror tabela pode ser vsualzado pelo dagrama de sére temporal ou dagrama cronológco da Fgura (a) e, de forma mas elaborada, pelo hstograma da Fgura (b). Para construr o hstograma da Fgura (b) obtveram-se as ocorrêncas ou as frequêncas absolutas com que os sucessvos valores da precptação estão compreenddos entre os lmtes de dferentes ntervalos de classe para o que foram consderadas classes com ampltude de.5 mm. O resultado, em cada classe, do quocente entre a correspondente frequênca absoluta e o número total de valores da amostra ou dmensão da amostra,, a saber no exemplo da Fgura,

10 =94, é a frequênca relatva nesse ntervalo de classe (exo prncpal das ordenadas no dagrama do lado dreto), que, na fgura, fo expressa em percentagem. Para fxar o número de ntervalos de classe do hstograma adoptou-se a regra de Sturges, ou seja, IC = + 3.3log0( ), na qual IC denota o número recomendado daqueles ntervalos e tem o sgnfcado antes explctado. (a) Dagrama da sére temporal ou dagrama cronológco Precptação dára máxma anual, Pdma (mm) Ano cvl de níco do ano hdrológco (b) Hstogramas amostral e teórco de frequêncas relatvas e densdade de probabldade Frequênca relatva (%) Densdade de probabldade (%) Hstograma amostral Hstograma teórco e densdade de probabldade Precptações dáras máxmas anuas (mm) Fgura Varabldade temporal das precptações dáras máxmas anuas (mm) no posto udométrco de Pava (0I/0G), na baca hdrográfca do ro Tejo, no período de 94 anos hdrológcos, entre 9/ e 004/05. Suponha-se agora que, tendo em vsta um problema de análse de cheas, se pretenda estmar o caudal de ponta de chea para a precptação dára máxma anual de 03 mm, superor a qualquer valor da amostra da Tabela. Com base uncamente nessa amostra, poder-se-a conclur que, não tendo ocorrdo no passado um valor dessa ordem de grandeza, sera mprovável que o mesmo se realzasse no futuro, especalmente estando-se em presença de uma amostra consderavelmente longa. Em contrapartda, poder-se-a admtr que, não obstante esta últma constatação, se a amostra tvesse maor dmensão ou se respetasse a outro ntervalo de tempo, eventualmente contera valores guas ou mesmo superores a 03 mm. Para averguar se poderão ou não ocorrer valores para além dos contdos numa dada amostra é necessáro obter, de algum modo, o padrão completo de varabldade da varável a que se refere essa amostra (ou seja, o hstograma de um número nfnto de observações da mesma) através de um função teórca de dstrbução de probabldade ou, de modo equvalente, da correspondente função teórca de densdade de probabldade, para o que é necessáro estabelecer os modelos matemátcos que exprmem essas funções, com estmação, a partr da amostra, dos respectvos parâmetros. Um exemplo de uma dessas funções, no caso em menção, referente à le de Gumbel de dos parâmetros (objecto do tem 4), está ndcado na Fgura (b) pela curva a vermelho que, lda em correspondênca com o exo secundáro das ordenadas (exo de densdade de probabldade), representa a função densdade de probabldade de tal le. A mesma curva lda em correspondênca com o exo prncpal das ordenadas (exo de frequênca relatva) traduz o hstograma teórco, também de acordo com a menconada le. 3

11 Embora o estudo e o ajuste de modelos paramétrcos sejam tratados apenas em tens subsequentes, anota-se, desde já, que a probabldade de ocorrer uma precptação dára máxma anual superor a 03 mm segundo a le de Gumbel com parâmetros estmados a partr da amostra apresentada na Tabela, é de 0.5%, ou seja, embora pequena, não é nula. A anteror probabldade pode ser entendda como sgnfcando que, em méda, nos próxmos 00 anos, poderá ocorrer uma dessas precptações em um ano qualquer. Poder-se-a dar o caso de o crtéro de projecto requerer uma precptação mas excepconal, por exemplo, susceptível de ocorrer em qualquer um dos próxmos 000 anos. Uma precptação de projecto tão elevada assegurara condções de dmensonamento certamente mas robustas. Contudo, convém sublnhar, que, por regra, a decsão de adoptar um crtéro de projecto mas excepconal mplca, por um lado, maores custos de construção e, por outro lado, rsco de falha ou mesmo de colapso menor. A opção por um dado valor de projecto, para além de reflectr eventuas condconalsmos legas (tas como normas ou regulamentos), deve decorrer de uma análse de custos/benefícos e rscos, avalados tendo em conta o horzonte da vda útl esperada para a estrutura hdráulca em cujo dmensonamento ntervém, a par com as consequêncas da falha/colapso dessa estrutura. Um processo complementar para caracterzar de modo sntétco a varabldade de uma sére temporal de uma varável hdrológca, como a apresentada na Tabela, utlza as desgnadas estatístcas amostras ou estatístcas descrtvas que não são mas do que meddas numércas, calculadas a partr da amostra, que descrevem as característcas essencas do hstograma, tas como a abcssa de seu centro geométrco, a dspersão com que os pontos amostras se dstrbuem em torno do valor central e a eventual assmetra entre as caudas nferor e superor do dagrama. A Tabela contém o resumo das prncpas estatístcas amostras, as fórmulas de cálculo dessas estatístcas e, especfcamente para a amostra de precptações dáras máxmas anuas da Tabela, os respectvos valores numércos. Explctam-se, anda, os sgnfcados das estatístcas enquanto descrtores da forma do hstograma. As prncpas meddas de tendênca central são a méda, a moda e a medana. A prmera corresponde à abcssa do centro geométrco do hstograma, enquanto a moda é o valor mas frequente da amostra e é dada pela abcssa da maor ordenada do polígono de frequêncas. Este polígono é formado pela junção dos pontos médos dos topos dos rectângulos que consttuem o hstograma, para o que é necessáro consderar duas classes adconas, uma em cada extremdade, ambas com ordenadas nulas. Por sua vez, a medana de uma amostra classfcada por ordem crescente {x (), x (),, x () } tal que x () é nferor ou gual a x (+) corresponde ao elemento de ordem (+)/, se é ímpar, ou à méda artmétca entre os elementos de ordens (/) e [(/)+], se é par. Uma das prncpas meddas de dspersão é a varânca, a qual é dada pela méda dos quadrados das dferenças entre os elementos amostras e a respectva méda, multplcada pelo factor /(-) para corrgr o chamado vés. A raz quadrada da varânca é o desvo-padrão, sendo que o quocente entre este desvo e a méda recebe a desgnação de coefcente de varação, grandeza admensonal muto útl para comparar as dspersões relatvas de dferentes varáves. Outra grandeza admensonal de grande utldade para a análse estatístca de varáves hdrológcas é o coefcente de assmetra, calculado conforme também ndcado na Tabela. Relatvamente a tal coefcente, anota-se que, no caso de acontecmentos hdrológcos extremos, a soma das dferenças cúbcas entre os elementos da amostra e a respectva méda é 4

12 frequentemente postva, em consequênca de os valores mas elevados estarem muto mas afastados da méda do que os valores que lhe são nferores. Como estão em causa dferenças ao cubo, resulta um coefcente de assmetra postvo. É este o caso do hstograma da Fgura (b) e de tantos outros hstogramas de amostras de varáves hdrológcas, o que torna necessáro o estudo de dstrbuções de probabldade capazes de reproduzr essa assmetra, como, por exemplo a de Gumbel a que se refere a curva de densdade de probabldade representada naquela fgura. Contudo, pode dar-se o caso de uma amostra exbr um coefcente de assmetra, quer nulo, sendo o correspondente hstograma smétrco, quer negatvo, traduzdo, neste caso, por uma cauda nferor do hstograma relatvamente mas prolongada/estendda do que a cauda superor. Tabela Prncpas estatístcas amostras ou descrtvas, respectvas fórmulas de cálculo, sgnfcados e valores tendo por base a amostra de precptações dáras máxmas anuas da Tabela. Desgnação Tpo otação Fórmula cálculo ou conceto Interpretação Méda Moda Medana ou º quartl º quartl 3º quartl Ampltude nterquarts Momento central de ordem r Tendênca central Tendênca central Tendênca central Cauda nferor Cauda superor MO MD ou Q Q Q 3 = = x Elemento da amostra com maor frequênca 50% dos valores ordenados abaxo e 50 % acma Medana dos 50% menores valores Medana dos 50% maores valores Abcssa do centro geométrco do hstograma Abcssa da maor ordenada do polígono de frequêncas Abcssa que dvde ao meo a área do hstograma Abcssa que dvde em 5-75% a área do hstograma Abcssa que dvde em 75-5% a área do hstograma Ampltude entre as Dspersão AIQ AIQ = Q 3 Q abscssas Q 3 e Q Varânca Dspersão Desvo- -padrão - ' ' r m r m r = ( x ) = ' S S = m Dspersão S S = S Potênca r da méda dos desvos em relação à méda Méda dos desvos quadrátcos, em relação à méda Raz quadrada do desvo quadrátco médo Valor para a amostra da Tabela 39.5 mm 40. mm 36.4 mm 34. mm 38.4 mm 4. mm mm 7. mm Coefcente de varação Dspersão CV S Desvo-padrão expresso CV = em fracção da méda Coefcente de assmetra Assmetra g g = ' 3 m ( )( )( S ) 3 Coefcente admensonal.49 Coefcente de curtose Curtose k k ' ( + ) m4 = 4 ( ) ( ) ( 3) ( S ) 3 ( + ) ( ) ( 3) Coefcente admensonal (achatamento).699 5

13 Em complemento dos elementos precedentes referentes à análse prelmnar de dados hdrológcos, recomenda-se a consulta do capítulo do lvro de aghettn e Pnto (007), sendo que tal lvro se encontra dsponível na sua versão completa, medante acesso à segunte URL: A prátca profssonal assocada à engenhara dos recursos hídrcos exge a formulação de modelos matemátcos com o objectvo de representar/caracterzar os processos físcos e, assm, possbltar a tomada de decsões, por exemplo, quanto ao planeamento e ao projecto dos sstemas para aprovetamento e/ou controlo das dsponbldades hídrcas de superfíce. o essencal, tas modelos podem ser determnístcos e não determnístcos, sendo que, naquele prmero tpo se ncluem os modelos empírcos e os fscamente baseados, e, no segundo tpo, os modelos probablístcos e os estocástcos, Quntela e Portela (00). Uma vez que os modelos são representações mperfetas e aproxmadas da realdade, as estmatvas e as prevsões a que conduzem estão necessaramente sujetas a mprecsões e, portanto, contêm ncertezas. Como antes menconado, essas ncertezas decorrem da nsufcente montorzação e/ou conhecmento assocado ao processo físco em causa e, sempre que possível, devem se consderadas em smultâneo com as ncertezas aleatóras, ntrínsecas do processo, para assegurar uma completa caracterzação das ncertezas e das suas mplcações nos actos de tomada de decsões de engenhara (Ang e Tang, 007). Algumas dessas ncertezas podem ser reduzdas pela aqusção de dados adconas e/ou pela formulação de modelos alternatvos, expectavelmente mas aptos a representar o fenómeno em estudo. Ao pretender-se caracterzar as precptações dáras máxmas anuas no posto de Pava (0I/0G) a que se refere a Tabela medante adopção da le de probabldades de Gumbel, conforme antes consderado, ntroduz-se, necessaramente uma smplfcação na nterpretação do processo natural que produz tas precptações que, porventura, poderam ser melhor descrtas por uma outra função de dstrbução de probabldade ou mesmo por uma combnação de váras dessas funções. Mesmo que a dstrbução de Gumbel consttuísse a verdadera síntese matemátca do processo físco conducente àquelas precptações, tal dstrbução possu parâmetros, cujas estmatvas são obtdas a partr de uma amostra com dmensão sempre muto lmtada face à nfntude do unverso de onde provém, pelo que aqueles parâmetros necessaramente dferem dos verdaderos, embora desconhecdos, parâmetros do unverso. Em consequênca das anterores ncertezas, ao afrmar-se que à precptação dára máxma anual de 03 mm (ou seja, ao quantl de 03 mm) está assocada a probabldade de excedênca de 0.5%, está smplesmente a falar-se de um valor esperado, ou seja, de um valor médo em torno do qual se pode construr um ntervalo de valores que conterá o verdadero e desconhecdo valor do quantl, com uma certa confança, por exemplo, de 95%. A nclusão destas e de outras ncertezas na prátca da engenhara de recursos hídrcos requer alguns fundamentos da teora de probabldades e estatístca que a segur se descrevem. 6

14 3. Defnções báscas 3.. ota préva Apresentam-se a segur algumas defnções báscas e os prncpas fundamentos que enquadram as aplcações da teora de probabldades e estatístca à hdrologa. 3.. Espaço de resultados ou espaço amostral O espaço de resultados ou espaço amostral é o conjunto de todos os resultados elementares, mutuamente exclusvos e colectvamente exaustvos de uma experênca aleatóra. Em geral, denota-se esse conjunto por Ω dstngundo-se entre espaços numeráves e não numeráves e entre espaços fntos e nfntos. Um acontecmento é um qualquer subconjunto do espaço amostral. Exemplos: () Ω :{número de das chuvosos num ano} { 0,,,..., 365} espaço amostral numerável e fnto; () Ω :{número de das consecutvos sem chuva} { 0,,,... } espaço amostral numerável e nfnto; () Ω 3 :{precptação dára máxma anual no posto udométrco de Pava {P; P R + } espaço amostral não numerável e nfnto Acontecmento aleatóro Um acontecmento aleatóro é uma stuação específca que se pretende que ocorra cada vez que se realza uma experênca aleatóra. Um acontecmento aleatóro pode ser um elemento ou um subconjunto do espaço amostral Ω. Exemplos: () A:{méda da precptação nos das com chuva no posto udométrco de Pava (0I/0G) no ano hdrológco de 96/7}; () B:{número anual de das com chuva no posto udométrco de Pava (0I/0G) durante a década de 980 a 990} Complementar de um acontecmento aleatóro O complementar, E c, de um acontecmento aleatóro, E, é o acontecmento que ocorre quando não ocorre E. O complementar é, portanto, o conjunto formado por todos os elementos pertencentes a Ω e que não pertencem a E. Exemplo: Se a experênca aleatóra consstsse na contagem do número anual de das com chuva no posto udométrco de Pava a que se refere a Tabela e se, para o ano hdrológco de 96/7, resultasse no evento de 8 das com chuva, ter-se-a E c :{0,,,..., 80, 8, 83, 84,..., 365}. 7

15 3.5. Combnação de acontecmentos aleatóros. Unão e ntersecção Unão A unão de dos acontecmentos A e B, representada por A B, é o conjunto formado pelos elementos pertencentes a A ou a B ou a ambos. Por exemplo, se A se refere aos anos em que, em dada estação hdrométrca, ocorreram caudas nstantâneos superores a 80 m 3 /s e B aos anos em que a máxma precptação dára num posto udométrco stuado na baca hdrográfca daquela estação hdrométrca fo superor a 40 mm, então A B representa os elementos de A ou B ou de ambos. Intersecção A ntersecção de dos acontecmentos A e B, representada por A B, é o conjunto formado pelos elementos que smultaneamente pertencem a A e a B. o exemplo anteror, a ntersecção de A com B desgna os anos em que smultaneamente ocorreram caudas nstantâneos superores a 80 m 3 /s e máxmas precptações dáras superores a 40 mm. Se a ntersecção de A com B é um conjunto vazo, ou seja, se A B=, então os acontecmentos não ocorrem smultaneamente, recebendo a desgnação de acontecmentos mutuamente exclusvos, ncompatíves ou dsjuntos. Qualquer acontecmento e o seu complementar, A e A c, consttuem exemplos de acontecmentos dsjuntos Probabldade Uma vez defndos o espaço amostral e os acontecmentos aleatóros, pode assocar-se uma probabldade a cada um desses acontecmentos, podendo entender-se por tal uma medda relatva da sua possbldade de ocorrer, compreendda entre os valores extremos de 0 (mpossbldade de ocorrênca ou acontecmento mpossível) e de (certeza de ocorrênca ou acontecmento certo). Segundo a defnção mas usual, a probabldade de um acontecmento A de um espaço amostral Ω, P(A), é um número não negatvo que deve satsfazer os seguntes axomas: (a) 0 P(A) ; (b) P(Ω)=; e (c) para qualquer sequênca de acontecmentos mutuamente exclusvos E, E,... E, a probabldade da unão desses acontecmentos é gual à soma das respectvas probabldades ndvduas, ou seja, Ρ( U E ) = Ρ( ). = E = Dos anterores axomas, decorrem os seguntes coroláros: P(A c )=-P(A) P(Ø)=0 Se A e B são dos acontecmentos do espaço amostral Ω e A B, então P(A) P(B). Desgualdade de Boole (ou lmte da unão): se A, A,..., A k são acontecmentos defndos num espaço amostral, então, Ρ( U A ) Ρ( ). = A = 8

16 Regra da adção de probabldades: se A e B são dos acontecmentos do espaço amostral Ω, então, Ρ ( A B) = Ρ( A) + Ρ( B) Ρ( A B) Dependênca e ndependênca estatístcas Um acontecmento A depende estatstcamente de B se o facto de B ocorrer altera a probabldade de A ocorrer. este caso, a probabldade de que o acontecmento A ocorra, dado que o acontecmento B ocorreu, é referda como probabldade condconal de A dado B e P(A B) = P A B P B. Ao denotada por P(A B). Em termos formas, é calculada por ( ) ( ) contráro, se a probabldade de ocorrênca do acontecmento A não é afectada pela ocorrênca P (A B) = P A, então A é dto estatstcamente ndependente de B sendo a de B, ou seja, se ( ) probabldade da ocorrênca smultânea dos acontecmentos A e B dada por P(A B)=P(A).P(B). Exercíco Consdera-se que dos acontecmentos naturas podem produzr a ruptura de uma dada barragem stuada numa regão pouco montorzada do ponto de vsta hdrológco e sujeta a tremores de terra: a ocorrênca de um caudal de ponta de chea superor ao caudal de projecto do descarregador de superfíce (acontecmento A) e o colapso estrutural devdo a um tremor de terra (acontecmento B). Admtndo que as probabldades anuas dos anterores acontecmentos são, respectvamente, P(A)=0.0 e que P(B)=0.0, estme a probabldade da barragem romper num ano qualquer. Solução: A ruptura da barragem pode ser devda a uma chea, a um tremor de terra ou à acção conjunta dos dos acontecmentos; tratando-se, portanto, de um acontecmento composto pela unão dos acontecmentos A e B, a respectva probabldade é dada por Ρ ( A B) = Ρ(A) + Ρ(B) Ρ(A B), sendo que não se conhece Ρ ( A B). o ( ) ) pressuposto de que, mesmo que exsta alguma dependênca estatístca entre A e B, Ρ ( A B) deverá apresentar um valor muto baxo e atendendo à desgualdade de Boole, resulta, de modo conservador, que Ρ A B Ρ(A) + Ρ(B = =0.03. Admtndo-se que os acontecmentos A e B são ndependentes, obter-sea ( A B) = Ρ(A) + Ρ(B) P(A) P(B) = Ρ Varáves aleatóras dscretas e contínuas Seja E uma experênca aleatóra e Ω o respectvo espaço amostral. Por varável aleatóra entende-se uma função que assoca a cada elemento s Ω um número x(s). Para melhor explctar o sgnfcado de, consdere-se a experênca E: {lançamento smultâneo de duas moedas dstnguíves entre s} cujo espaço amostral é Ω:{ff, cc, fc, cf}, onde f smbolza face ou cara, e c coroa. Se a varável for defnda como o número de faces / caras decorrentes da menconada experênca, os seus valores possíves são os ndcados na Tabela 3. Tabela 3 úmero de faces resultantes do lançamento smultâneo de duas moedas. Acontecmento Valores da varável aleatóra Probabldade de ocorrênca A:{ff} x= 0.5 B:{cc} x=0 0.5 C:{fc} x= 0.5 D:{cf} x= 0.5 9

17 Em condções normas de realzação da experênca, os acontecmentos A, B, C e D são consderados equprováves, ou seja, P(A)=P(B)=P(C)=P(D)=0.5. As probabldades de que a varável aleatóra assuma cada um dos seus possíves valores são: P(=)=P(A)=0.5, P(=0)=P(B)=0.5 e P(=)=P(C D)=P(C)+P(D)=0.50; observe-se que os acontecmentos C e D são dsjuntos e, em consequênca, P ( C D) = 0. este exemplo, a varável aleatóra apenas pode assumr valores postvos e nteros, em conformdade com as possíves realzações da experênca E, no espaço amostral Ω. Em geral, a notação usada para expressar a probabldade de uma varável aleatóra assumr um dado valor x é P( = x) = p ( x) ou smplesmente P( x) = p( x) =. Varável aleatóra dscreta Uma varável aleatóra dscreta pode assumr somente valores nteros, correspondendo a espaços amostras fntos ou nfntos, porém susceptíves de serem enumerados, ou seja, espaços amostras numeráves. o caso da experênca E:{lançamento smultâneo de duas moedas dstnguíves entre s} a que se refere a Tabela 3, sendo o número de caras obtdas num lançamento, é uma varável aleatóra dscreta. Varável aleatóra contínua Uma varável aleatóra contínua pode assumr qualquer valor real num dado ntervalo, correspondendo a espaços amostras fntos ou nfntos, porém não numeráves. Exemplfcandose, consdere a experênca A:{medção da precptação dára num dado posto udométrco}. A varável aleatóra representatva da precptação dára máxma anual nesse posto é uma varável aleatóra contínua pos, teorcamente, pode assumr qualquer valor real entre 0 e, embora com dferentes probabldades. 0

18 4. Funções de dstrbução de probabldade As funções de dstrbução de probabldade são funções que descrevem o comportamento de uma varável aleatóra, dscreta ou contínua. Assm, para caracterzar as probabldades assocadas aos possíves valores de varáves aleatóras,, do tpo dscreto, P( = x) = p ( x), utlzam-se as desgnadas funções de probabldade ou funções massa de probabldade, fmp. Qualquer fmp tem de satsfazer as seguntes condções: () (x) p 0, x ;e p. () ( x) =, x A soma das ordenadas de uma fmp relatvas aos sucessvos valores de x, conduz à desgnada função acumulada de probabldades, FAP ou seja, F (x) = Ρ x = p x = p x,. A Fgura lustra as duas anterores funções ( ) ( ) ( ) x x tendo por base o exemplo da Tabela 3. x x (x) p.0 F (x) = p (x) x 0 x Fgura Funções massa e acumulada de probabldades da varável aleatóra dscreta do exemplo da Tabela 3. Se a varável aleatóra puder assumr qualquer valor real, ou seja, se for do tpo contínuo, a função equvalente à fmp é denomnada por função densdade de probabldade, fdp. Esta função não negatva, em geral denotada por f (x) ou smplesmente por f(x), está exemplfcada na Fgura 3, representando o caso lmte de um polígono de frequêncas para uma amostra de tamanho nfnto e, portanto, com as ampltudes dos ntervalos de classe a tender para zero. É mportante notar que, contraramente à função fmp relatva ao caso dscreto, a fdp num dado ponto x 0, f(x 0) não fornece a probabldade de para o argumento x 0 e, sm, a ntensdade com que a probabldade de ocorrerem valores menores ou guas do que x 0 se altera na vznhança desse argumento.

19 f (x) F (x) x a b b Ρ( a < x b) = f ( x) dx = F ( b) F ( a) a a b Fgura 3 Funções densdade e acumulada de probabldades de uma varável contínua. A área entre dos lmtes a e b, defndos no exo das abcssas representatvo dos possíves valores da varável aleatóra contínua,, fornece a probabldade de a varável estar compreendda entre esses lmtes, como lustrado na Fgura 3. Portanto, para uma fdp f (x), é válda a equação: b ( a < < b) = Ρ( a b) = f (x) dx = F (b) F (a) = F(b) F(a) Ρ...() a Consequentemente, ao fazer-se convergr o lmte nferor da anteror ntegração, a, para o correspondente lmte superor, b, a representação da área do gráfco entre aqueles lmtes tende, por assm dzer, para uma recta no plano real com área, por prncípo, nula. Conclu-se, portanto, que, para uma varável aleatóra contínua, P(=x)=0. Em correspondênca com o caso dscreto, a função acumulada de probabldade, também smplesmente desgnada por função dstrbução de probabldade, FDP, de uma varável aleatóra contínua, representada por F (x) ou smplesmente por F(x), fornece a probabldade assocada a valores nferores ou guas ao argumento x, ou seja, a probabldade de não-excedênca de x, Ρ ( x). Inversamente, a fdp correspondente pode ser obtda pela dferencação de F (x), em relação a x. Tal como no caso dscreto, a FDP de uma varável aleatóra contínua é uma função não decrescente, sendo váldas as expressões F (- )=0 e F (+ )=.

20 Exercíco Consdere que a Fgura 4 representa a função densdade de probabldade da varável aleatóra contínua caudal médo dáro máxmo anual (m 3 /s), numa dada estação hdrométrca. Determne: (a) P(<00 m 3 /s); (b) P(>300 m 3 /s). f (x ) y x Fgura 4 Função densdade de probabldade da varável aleatóra contínua. z Solução: (a) Se f (x) é uma função densdade de probabldades, a área do trângulo deve ser gual a. Assm, (400y)/=, o que resulta em y=/00. Logo, P( 00 m 3 /s), correspondente à área do trângulo até a abcssa 00, é (00y)/=0.5. (b) P(>300), ou [- P( 300)], corresponde à área do trângulo à dreta da abcssa 300. A ordenada z pode ser calculada por semelhança de trângulos, ou seja, (y/z)=300/00, o que resulta em z=/600. Logo, P(>300)=

21 5. Meddas descrtvas populaconas das varáves aleatóras 5.. ota préva A população de uma varável aleatóra corresponde ao unverso ou espaço amostral dos todos os seus possíves resultados, cujas frequêncas de ocorrêncas podem ser sntetzadas por uma fmp p (x) ou por uma fdp, f (x), consoante é uma varável aleatóra dscreta ou contínua, respectvamente. Em ambos os casos e de modo equvalente às estatístcas descrtvas de uma amostra extraída daquela população, objecto do tem, as característcas de forma das funções p (x) ou f (x) podem ser sntetzadas por meo de meddas descrtvas populaconas. Tas meddas são obtdas através de médas, ponderadas por p ( x ) ou f (x), de funções da varável aleatóra e ncluem o valor esperado, a varânca e o coefcente de assmetra, entre outras. 5.. Valor esperado O valor esperado ou a esperança matemátca de é o resultado da soma de todos os valores possíves da varável aleatóra, ponderados por p (x) ou por f (x). O valor esperado, denotado por E[], equvale à méda populaconal, µ, ndcando, portanto, a abcssa do centro de massa ou centróde das funções p (x) ou f (x), pelo que tem as mesmas undades de. A defnção formal de E[] é dada por: E [ ] µ = x p( x ) x =...() para o caso dscreto; e por E [ ] µ = x f ( x) + para o caso contínuo. = dx...(3) O valor esperado pode ser entenddo como um operador matemátco e ser generalzado para qualquer função g() da varável aleatóra, conforme expresso pelas equações (4) e (5) para dscreta ou contínua, respectvamente. E g( ) = g x p x x...(4) [ ] ( ) ( ) [ g( ) ] g( x) f ( x) + E = dx...(5) As prncpas propredades do operador valor esperado E(.) são: E[c]=c, para c constante. E[cg()]=cE[g()], para c constante e g() com o sgnfcado antes apresentado. E[c g () ± c g ()]=c E[g ()] ± c E[g ()], para c e c constantes e g () e g () funções de. E[g ()] E[g ()], se g () g (). 4

22 Exercíco 3 Calcule o valor esperado para a função massa de probabldades especfcada pela Fgura. Solução: A aplcação da equação () resulta em E[]=µ = = que, de facto, é o centróde da função massa de probabldades. Exercíco 4 Consdere uma varável aleatóra contínua, cuja função densdade de probabldade é dada por f (x) = θ exp( x θ), para x 0 e θ 0, tratando-se, portanto, da dstrbução de probabldade exponencal, que, de facto, é uma famíla de curvas, a depender do valor numérco do parâmetro θ. essas condções: (a) calcule o valor esperado de ; (b) supondo que o valor numérco de θ é gual a, calcule a probabldade assocada a valores da varável aleatóra superores a 3, ou seja, P ( > 3) ; e (c) supondo que θ=, calcule a medana da varável aleatóra exponencal. Solução: (a) Para a dstrbução em questão, E [ ] = µ = x f ( x) dx = ( x θ) exp( x θ) ser resolvda por partes, ou seja, = ( θ) exp( x θ) dx v = exp( x θ) 0 0 dx. Esta ntegração pode dv e u = x du = dx. Resulta, assm, udv = uv ] 0 vdu = x exp( x θ) ] θ exp( x θ) ] = θ. Portanto, para a forma paramétrca exponencal, o valor esperado, ou seja, a méda da população µ é gual ao parâmetro θ; por outras palavras, a abcssa do centróde da função densdade de probabldade, fdp, exponencal é θ. (b) A probabldade pedda é calculada por P 3 = P 3 = F 3 F x é a função dstrbução de probabldade, FDP, dada por ( > ) ( ) ( ) em que ( ) F ( x) ( θ) exp( x θ) dx e cuja solução é ( x) = exp( x θ) = x 0 P ( 3) = + exp( 3 ) = 0. 3 P( x) = P( x) = F ( x) = Invertendo-se a função F ( x), obtém-se x( F) θln( F) exercíco, a medana é x ( 0.50) = ln( 0.50) =. 39. F. Para os dados do exercíco, >. (c) A medana é o valor de x que corresponde a =. Para os dados do 5.3. Varânca, desvo-padrão e coefcente de varação da população A varânca da população de uma varável aleatóra, representada por Var[] ou por σ, é defnda como sendo o momento central de segunda ordem, ou µ, e corresponde à medda populaconal mas frequentemente utlzada para caracterzar a dspersão das funções massa, p (x), ou densdade, f (x) de probabldade. Obtém-se, assm: Var [ ] σ = µ = E ( µ ) [ ] = E[ ( E[ ] ) ] =...(6) Expandndo o quadrado contdo na anteror equação e usando as propredades do operador esperança matemátca, resulta: Var [ ] σ = µ = E[ ] E[ ] ( ) =...(7) Logo, a varânca populaconal de uma varável aleatóra é gual ao valor esperado do quadrado dessa varável menos o quadrado do valor esperado de, ou seja, o quadrado da méda de. A varânca de tem as mesmas undades de e as seguntes propredades: Var[c]=0, para c constante. Var[c]=c Var[]. Var[c+d]=c Var[], para d constante. 5

23 De modo equvalente às estatístcas descrtvas amostras, o desvo-padrão da população σ é a raz quadrada (postva) da varânca, σ, possundo, portanto, as mesmas undades de. Defne-se, gualmente, uma medda relatva admensonal da dspersão de p (x) ou f (x) por meo do coefcente de varação populaconal CV, dado por: CV σ =...(8) µ Exercíco 5 Calcule a varânca, o desvo-padrão e o coefcente de varação para a função massa de probabldade especfcada pela Fgura. Solução: A aplcação da equação (7) requer o cálculo de E[ ] para o qual resulta E [ ] = x p (x = =.5. Atendendo a que, de acordo com o exercíco 3, E[]=µ =, ) obtém-se para a equação (7), Var [] = σ =.5-.0 =0.5. O desvo padrão é, portanto, σ = 0.7 e o coefcente de varação, CV = 0.7/.0= Coefcente de assmetra O coefcente de assmetra γ de uma varável aleatóra é uma grandeza admensonal defnda por 3 3 ( σ ) 3 [( µ ) ] ( σ ) 3 µ E γ = =...(9) O numerador do segundo membro da equação (9) é o momento central de ordem 3, ou seja, é o valor esperado do cubo dos desvos da varável aleatóra em relação à respectva méda µ, podendo ser postvo, negatvo ou nulo. Se tal numerador e, consequentemente, o coefcente de assmetra, forem nulos, a função densdade (ou massa) de probabldade será smétrca. Se os valores de superores à méda µ estverem relatvamente muto mas afastados do que os nferores, os cubos dos desvos postvos rão prevalecer sobre os negatvos e o coefcente γ será postvo, confgurando uma função densdade (ou massa) com assmetra postva. Caso contráro, ter-se-á uma função densdade (ou massa) de probabldade com assmetra negatva. A Fgura 5 lustra três funções densdades de probabldade: uma smétrca, portanto, com o coefcente de assmetra nulo, outra com assmetra postva gual a γ=.4 a e a tercera com a assmetra negatva de γ=-.4. Outras meddas, como os momentos de ordens superores a 3 e o coefcente de curtose, embora consttuam mportantes complementos para a caracterzação da forma das funções densdade (ou massa) de probabldade, encontram aplcações menos frequentes na modelação de varáves aleatóras hdrológcas. Ao letor nteressado em aprofundar os seus conhecmentos sobre estes tópcos, recomenda-se a consulta dos lvros de Rao e Hamed (000) e Hoskng e Walls (997). 6

24 fdp Coef. assmetra nulo Coef. assmetra de.4 Coef. assmetra de x Fgura 5 Exemplos de funções densdade (ou massa) de probabldade smétrcas e assmétrca. 7

25 6. Modelos de dstrbução de probabldades de varáves aleatóras dscretas 6.. ota préva Um modelo de dstrbução de probabldades é uma forma matemátca abstracta capaz de representar, de modo concso, as varações contdas numa amostra de uma varável aleatóra. Um modelo de dstrbução de probabldades também é uma forma paramétrca, ou seja, é um modelo matemátco contendo parâmetros, cujos valores numércos o defnem completamente e o partcularzam para uma dada amostra de uma varável aleatóra. Uma vez estmados os valores numércos desses parâmetros, o modelo de dstrbução de probabldades passa a caracterzar o comportamento plausível da varável aleatóra a que respeta aquela amostra podendo, como tal, ser utlzado para nterpolar ou extrapolar probabldades e/ou quants não contdos na mesma. Os prncpas modelos de varáves aleatóras dscretas que encontram aplcações em hdrologa estão relaconados com repetções ndependentes dos chamados processos de Bernoull. Estes modelos são as dstrbuções geométrca e bnomal que a segur se descrevem de modo sucnto. 6.. Dstrbução geométrca. Período de retorno Por prova de Bernoull entende-se a experênca aleatóra em que somente dos resultados dcotómcos são possíves: sucesso ou falha, sm ou não, 0 ou, postvo ou negatvo são exemplos. Tal conceto serve de base a váras dstrbuções teórcas. Suponha-se que a escala temporal assocada a uma determnada varável aleatóra fo dscretzada em ntervalos com ampltude defnda, por exemplo, em ntervalos anuas. Suponhase também que, em cada ntervalo de tempo, possa ocorrer um únco sucesso, com probabldade p, ou uma únca falha, com probabldade (-p), e que essas probabldades não são afectadas pelas ocorrêncas anterores, nem afectem as ocorrêncas posterores. O processo composto pela anteror sequênca de repetções ndependentes de uma prova de Bernoull consttu uma sucessão de provas de Bernoull. Para melhor lustrar a aplcação dos processos de Bernoull à hdrologa, consdere que o caudal médo dáro correspondente ao extravasamento/transbordamento de uma secção transversal de um curso de água é Q 0, conforme se esquematza na Fgura 6. Consdere, anda, que, em tal secção, o regme fluval se encontra em regme natural (ou seja, não é nfluencado pelo Homem), que se dspõe na mesma de regstos contínuos durante anos de caudas médos dáros - sére completa de caudas médos dáros e que, para analsar as condções de transbordamento da secção, se consttu a sére de caudas médos dáros máxmos anuas max formada em cada ano pelo máxmo caudal médo dáro nesse ano, Q sére reduzda de max Q, com dmensão, representada na Fgura 6. Em qualquer ano, com, o sucesso, max em termos de transbordamento, é dado pelo acontecmento S:{ Q > Q 0 }, sendo a falha' o max acontecmento complementar F:{ Q Q 0 }. Tratando-se de um problema de génese de cheas num trecho fluval em regme natural, é váldo admtr que a probabldade de ocorrênca de um sucesso (ou de uma falha ), em um ano qualquer, não é afectada pelas ocorrêncas em anos anterores e em nada afecta as ocorrêncas em anos posterores. Supondo que a probabldade max anual do acontecmento { S : Q > Q 0 } é gual a p, verfca-se, assm, o preenchmento de todos os requstos para consderar essa sequênca ndependente como um processo de Bernoull. 8

26 max Q τ τ max Q τ k Q 0 sucesso falha Q Índce de ano Fgura 6 Cheas máxmas anuas como lustração de um processo de Bernoull. A varável aleatóra dscreta Y correspondente à dstrbução geométrca refere-se ao número ntero de experêncas (ou ntervalos dscretos de tempo) necessáros para que um únco sucesso ocorra. Portanto, se o valor da varável é Y=y, sto sgnfca que ocorreram (y-) falhas antes da ocorrênca do sucesso, exactamente, na y-ésma tentatva. As funções massa e acumulada da dstrbução geométrca são dadas pelas seguntes equações: p y ( y) = p( y) = p ( p), y =,,3,... e 0 < p Y < y ( y) F(y) = p ( p), y =,,3,...,...(0) FY =...() = nas quas a probabldade anual de ocorrênca de um sucesso, p, representa o únco parâmetro da dstrbução. Demonstra-se que valor esperado de uma varável geométrca, resultado da soma nfnta de termos, decorrente da aplcação da equação (), é E [ Y] =...() p ou seja, quando o número de repetções (ou ntervalos dscretos de tempo) tende para nfnto, o valor médo de uma varável geométrca é o nverso da probabldade de sucesso p. Introduza-se, neste ponto, um conceto de grande mportânca em hdrologa, que é o de período de retorno. Para tanto, consdere-se que, nas condções da Fgura 6, a varável τ desgna o número de anos entre sucessos (transbordamentos) consecutvos. Adoptando-se para orgem da escala de tempos o ano do prmero sucesso, a Fgura 6 ndca que seram necessáros τ =3 max anos para uma nova ocorrênca do acontecmento S:{ Q = 4 > Q 0 }. A partr do segundo sucesso, τ = ano e assm sucessvamente até τ k =5 anos. Se, por hpótese, =50 anos e se nesse período de tempo tvessem ocorrdo 5 sucessos, depreender-se-a que o número de anos que, em méda, 9

27 separara as ocorrêncas de caudas superores a Q 0 sera de τ =0 anos, sgnfcando que o caudal Q 0 é superado com a frequênca anual méda de a cada 0 anos. É fácl verfcar que a varável τ se enquadra ntegralmente na defnção de uma varável aleatóra dscreta geométrca e que, portanto, a ela se podem assocar as característcas populaconas defndas pelas equações (0), () e (). Em partcular, pode defnr-se o período de retorno, denotado por T e expresso em anos, como o valor esperado da varável geométrca τ. Com essa defnção e usando a equação (), resulta: T = E[ τ] =...(3) p O período de retorno, T, não se refere, portanto, a um tempo cronológco. De facto, T é uma medda da tendênca central dos tempos cronológcos. Por outras palavras, o período de retorno, T, assocado a um certo acontecmento de referênca de um processo de Bernoull necessaramente defndo numa base temporal anual, corresponde ao número médo de anos necessáros para que o acontecmento ocorra num ano qualquer desses anos e é gual ao nverso da probabldade de esse acontecmento ocorrer num ano qualquer desses anos, ou seja, é gual ao nverso da probabldade anual de ocorrênca desse acontecmento. Em hdrologa, o conceto de período de retorno é vulgarmente utlzado, por exemplo, no estudo probablístco de acontecmentos máxmos anuas, tas como caudas nstantâneos ou dáros máxmos anuas ou, anda, precptações máxmas anuas com dada duração. Tas varáves aleatóras são contínuas e, portanto, têm o seu comportamento defndo por funções densdade de probabldade genercamente desgnadas por f ( x). Se, para uma dessas varáves, denotada por, se defnr um quantl de referênca x T, de modo que o sucesso seja a ocorrênca de valores superores a x T, então, o período de retorno, T, assocado a esse quantl de referênca á dado pelo número médo de anos necessáro para que o acontecmento {>x T } ocorra uma vez, num qualquer desses anos. De acordo com a equação (3), resulta que o período de retorno corresponde ao nverso de P(>x T ), ou seja, ao nverso de [ F ( x T )]. Exercíco 6 Consdere a stuação descrta no exercíco, na qual a varável se refere ao caudal médo dáro máxmo anual (m 3 /s). Determne: (a) o período de retorno para x=300 m 3 /s; e (b) o caudal médo dáro máxmo anual com o período de retorno T=50 anos. Solução: (a) Estando-se em presença de uma varável defnda numa base anual é váldo aplcar a noção de período de retorno. Atendendo a que tal período é dado pelo nverso da probabldade de excedênca e tendo-se estmado no exercíco que P(>300)=0.083 resulta que o período de retorno assocado a esse caudal é de T=/0.083=.05 anos. (b) Ao período de retorno de T=50 anos corresponderá um caudal x 50 compreenddo entre 300 e 400 m 3 /s já que P(>x 50 )=[- P( x 50 )]=0.0. De entre as possíves vas de resolução do problema, optou-se por atender à equação da recta que passa pelos pontos (00; /00) e (400; 0) dada por f (x)=f(x)=-x/60000+/50. De acordo com o pretenddo, a área do trângulo com base dada pelo segmento de recta defndo pelas abcssas x 50 e 400 e com altura dada por f(x 50 )=-x 50 /60000+/50 é gual a 0.0, ou seja (400-x 50 )(-x 50 /60000+/50)/=0.0. A anteror equação do segundo grau tem duas raízes, uma maor do que 400 m 3 /s e que, portanto, está fora do domíno de defnção de, e a outra de sensvelmente x 50 =35 m 3 /s e que consttu a solução do problema. esse ponto, o valor de f (x) é de aproxmadamente , verfcando-se que se obtém de facto para a área do trângulo (400-35)/=0.0. 0

Introdução e Organização de Dados Estatísticos

Introdução e Organização de Dados Estatísticos II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar

Leia mais

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma. UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823

Leia mais

www.obconcursos.com.br/portal/v1/carreirafiscal

www.obconcursos.com.br/portal/v1/carreirafiscal www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,

Leia mais

7. Resolução Numérica de Equações Diferenciais Ordinárias

7. Resolução Numérica de Equações Diferenciais Ordinárias 7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem

Leia mais

Regressão e Correlação Linear

Regressão e Correlação Linear Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,

Leia mais

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG 1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o

Leia mais

INTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS

INTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3

Leia mais

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade

Leia mais

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações. 1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação

Leia mais

Escolha do Consumidor sob condições de Risco e de Incerteza

Escolha do Consumidor sob condições de Risco e de Incerteza 9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera

Leia mais

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre

Leia mais

NOTA II TABELAS E GRÁFICOS

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

Leia mais

Sinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS.

Sinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS. Snas Lumnosos 1-Os prmeros snas lumnosos Os snas lumnosos em cruzamentos surgem pela prmera vez em Londres (Westmnster), no ano de 1868, com um comando manual e com os semáforos a funconarem a gás. Só

Leia mais

Sistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?

Sistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar? Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda

Leia mais

REGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como:

REGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como: REGRESSÃO LOGÍSTCA. ntrodução Defnmos varáves categórcas como aquelas varáves que podem ser mensurados usando apenas um número lmtado de valores ou categoras. Esta defnção dstngue varáves categórcas de

Leia mais

Influência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção

Influência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos

Leia mais

Introdução à Análise de Dados nas medidas de grandezas físicas

Introdução à Análise de Dados nas medidas de grandezas físicas Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.

Leia mais

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Medida de Probabilidade

Departamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Medida de Probabilidade Departaento de Inforátca Dscplna: do Desepenho de Ssteas de Coputação Medda de Probabldade Prof. Sérgo Colcher colcher@nf.puc-ro.br Teora da Probabldade Modelo ateátco que perte estudar, de fora abstrata,

Leia mais

Estatística stica Descritiva

Estatística stica Descritiva AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas

Leia mais

Cálculo do Conceito ENADE

Cálculo do Conceito ENADE Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação

Leia mais

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M. Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta

Leia mais

1 Princípios da entropia e da energia

1 Princípios da entropia e da energia 1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção

Leia mais

Rastreando Algoritmos

Rastreando Algoritmos Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos

Leia mais

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos. Insttuto de Físca de São Carlos Laboratóro de Eletrcdade e Magnetsmo: Transferênca de Potênca em Crcutos de Transferênca de Potênca em Crcutos de Nesse prátca, estudaremos a potênca dsspada numa resstênca

Leia mais

Estimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel

Estimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,

Leia mais

Controle Estatístico de Qualidade. Capítulo 8 (montgomery)

Controle Estatístico de Qualidade. Capítulo 8 (montgomery) Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado

Leia mais

ÍNDICE NOTA INTRODUTÓRIA

ÍNDICE NOTA INTRODUTÓRIA OGC00 05-0-06 ÍDICE. Introdução. Âmbto e defnções 3. Avalação da ncerteza de medção de estmatvas das grandezas de entrada 4. Cálculo da ncerteza-padrão da estmatva da grandeza 5 de saída 5. Incerteza de

Leia mais

UNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR

UNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma

Leia mais

ELEMENTOS DE CIRCUITOS

ELEMENTOS DE CIRCUITOS MINISTÉRIO D EDUCÇÃO SECRETRI DE EDUCÇÃO PROFISSIONL E TECNOLÓGIC INSTITUTO FEDERL DE EDUCÇÃO, CIÊNCI E TECNOLOGI DE SNT CTRIN CMPUS DE SÃO JOSÉ - ÁRE DE TELECOMUNICÇÕES CURSO TÉCNICO EM TELECOMUNICÇÕES

Leia mais

ESTATÍSTICA. PROBABILIDADES Professora Rosana Relva Números Inteiros e Racionais ESTATÍSTICA. Professor Luiz Antonio de Carvalho

ESTATÍSTICA. PROBABILIDADES Professora Rosana Relva Números Inteiros e Racionais ESTATÍSTICA. Professor Luiz Antonio de Carvalho PROBABILIDADES Professora Rosana Relva Números Interos e Raconas APRESENTAÇÃO ROL:,,, 4, 4,,, DISCRETA : rrelva@globo.com PROGRESSÃO ARITMÉTICA CONTÍNUA PROGRESSÃO ARITMÉTICA DISTRIBUIÇÃO DE REQUÊCIAS

Leia mais

Capítulo. Associação de resistores. Resoluções dos exercícios propostos. P.135 a) R s R 1 R 2 R s 4 6 R s 10 Ω. b) U R s i U 10 2 U 20 V

Capítulo. Associação de resistores. Resoluções dos exercícios propostos. P.135 a) R s R 1 R 2 R s 4 6 R s 10 Ω. b) U R s i U 10 2 U 20 V apítulo 7 da físca Exercícos propostos Undade apítulo 7 ssocação de resstores ssocação de resstores esoluções dos exercícos propostos 1 P.15 a) s 1 s 6 s b) U s U 10 U 0 V c) U 1 1 U 1 U 1 8 V U U 6 U

Leia mais

Covariância e Correlação Linear

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

Leia mais

Capítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2

Capítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2 Capítulo O plano compleo Introdução Os números compleos começaram por ser ntrodudos para dar sentdo à resolução de equações polnomas do tpo Como os quadrados de números reas são sempre maores ou guas a

Leia mais

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00) Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)

Leia mais

Metodologia IHFA - Índice de Hedge Funds ANBIMA

Metodologia IHFA - Índice de Hedge Funds ANBIMA Metodologa IHFA - Índce de Hedge Funds ANBIMA Versão Abrl 2011 Metodologa IHFA Índce de Hedge Funds ANBIMA 1. O Que é o IHFA Índce de Hedge Funds ANBIMA? O IHFA é um índce representatvo da ndústra de hedge

Leia mais

Física. Setor B. Índice-controle de Estudo. Prof.: Aula 23 (pág. 86) AD TM TC. Aula 24 (pág. 87) AD TM TC. Aula 25 (pág.

Física. Setor B. Índice-controle de Estudo. Prof.: Aula 23 (pág. 86) AD TM TC. Aula 24 (pág. 87) AD TM TC. Aula 25 (pág. Físca Setor Prof.: Índce-controle de studo ula 23 (pág. 86) D TM TC ula 24 (pág. 87) D TM TC ula 25 (pág. 88) D TM TC ula 26 (pág. 89) D TM TC ula 27 (pág. 91) D TM TC ula 28 (pág. 91) D TM TC evsanglo

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

Energia de deformação na flexão

Energia de deformação na flexão - UNIVERSIDADE FEDERAL FLUMINENSE ESCOLA DE ENGENHARIA INDUSTRIAL METALÚRGICA DE VOLTA REDONDA PROFESSORA: SALETE SOUZA DE OLIVEIRA BUFFONI DISCIPLINA: RESISTÊNCIA DOS MATERIAIS Energa de deformação na

Leia mais

Distribuição de Massa Molar

Distribuição de Massa Molar Químca de Polímeros Prof a. Dr a. Carla Dalmoln carla.dalmoln@udesc.br Dstrbução de Massa Molar Materas Polmércos Polímero = 1 macromolécula com undades químcas repetdas ou Materal composto por númeras

Leia mais

MAE5778 - Teoria da Resposta ao Item

MAE5778 - Teoria da Resposta ao Item MAE5778 - Teora da Resposta ao Item Fernando Henrque Ferraz Perera da Rosa Robson Lunard 1 de feverero de 2005 Lsta 2 1. Na Tabela 1 estão apresentados os parâmetros de 6 tens, na escala (0,1). a b c 1

Leia mais

Motores síncronos. São motores com velocidade de rotação fixa velocidade de sincronismo.

Motores síncronos. São motores com velocidade de rotação fixa velocidade de sincronismo. Motores síncronos Prncípo de funconamento ão motores com velocdade de rotação fxa velocdade de sncronsmo. O seu prncípo de funconamento está esquematzado na fgura 1.1 um motor com 2 pólos. Uma corrente

Leia mais

Estatística I Licenciatura MAEG 2006/07

Estatística I Licenciatura MAEG 2006/07 Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual

Leia mais

Caderno de Exercícios Resolvidos

Caderno de Exercícios Resolvidos Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B

Leia mais

Escola Secundária Dr. Ângelo Augusto da Silva Matemática 12.º ano Números Complexos - Exercícios saídos em (Exames Nacionais 2000)

Escola Secundária Dr. Ângelo Augusto da Silva Matemática 12.º ano Números Complexos - Exercícios saídos em (Exames Nacionais 2000) Internet: http://rolvera.pt.to ou http://sm.page.vu Escola Secundára Dr. Ângelo Augusto da Slva Matemátca.º ano Números Complexos - Exercícos saídos em (Exames Naconas 000). Seja C o conjunto dos números

Leia mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados

Leia mais

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA NOVO MODELO PARA O CÁLCULO DE CARREGAMENTO DINÂMICO DE TRANSFORMADORES XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 22 a 25 Novembro de 2009 Recfe - PE GRUPO XIII GRUPO DE ESTUDO DE TRANSFORMADORES, REATORES, MATERIAIS E TECNOLOGIAS

Leia mais

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é: UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje

Leia mais

2 Máquinas de Vetor Suporte 2.1. Introdução

2 Máquinas de Vetor Suporte 2.1. Introdução Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de

Leia mais

Exercícios de Física. Prof. Panosso. Fontes de campo magnético

Exercícios de Física. Prof. Panosso. Fontes de campo magnético 1) A fgura mostra um prego de ferro envolto por um fo fno de cobre esmaltado, enrolado mutas vezes ao seu redor. O conjunto pode ser consderado um eletroímã quando as extremdades do fo são conectadas aos

Leia mais

Física. Física Módulo 1 Vetores, escalares e movimento em 2-D

Física. Física Módulo 1 Vetores, escalares e movimento em 2-D Físca Módulo 1 Vetores, escalares e movmento em 2-D Vetores, Escalares... O que são? Para que servem? Por que aprender? Escalar Defnção: Escalar Grandea sem dreção assocada. Eemplos: Massa de uma bola,

Leia mais

RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS

RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Defnções RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Problemas de Valor Incal PVI) Métodos de passo smples Método de Euler Métodos de sére de Talor Métodos de Runge-Kutta Equações de ordem superor Métodos

Leia mais

Aula 03 Erros experimentais Incerteza. Aula 03 Prof. Valner Brusamarello

Aula 03 Erros experimentais Incerteza. Aula 03 Prof. Valner Brusamarello Aula 03 Erros epermentas Incerteza Aula 03 Prof. Valner Brusamarello Incerteza Combnada Efeto da Incerteza sobre = f ± u, ± u, L, ± u, L ( ) 1 1 Epansão em Sére de Talor: k k L f = f 1,, 3, + ± uk + L,,,

Leia mais

Análise Econômica da Aplicação de Motores de Alto Rendimento

Análise Econômica da Aplicação de Motores de Alto Rendimento Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente

Leia mais

METROLOGIA E ENSAIOS

METROLOGIA E ENSAIOS METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade

Leia mais

Universidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas

Universidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema

Leia mais

7 - Distribuição de Freqüências

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

Leia mais

1. Conceitos básicos de estatística descritiva. A ciência descobre relações de causa efeito entre fenómenos. Há fenómenos que são muito complexos

1. Conceitos básicos de estatística descritiva. A ciência descobre relações de causa efeito entre fenómenos. Há fenómenos que são muito complexos 2 Matemátca Fnancera e Instrumentos de Gestão Sumáro 1. Concetos báscos de estatístca descrtva 1.1. 2ª Aula 1.2. 1.2.1. Frequênca relatva 1.2.2. Frequênca relatva acumulada 3 4 A cênca descobre relações

Leia mais

Controlo Metrológico de Contadores de Gás

Controlo Metrológico de Contadores de Gás Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade

Leia mais

Receptores elétricos. antes de estudar o capítulo PARTE I

Receptores elétricos. antes de estudar o capítulo PARTE I PARTE I Undade B capítulo 10 Receptores elétrcos seções: 101 Receptor Força contraeletromotrz 102 Crcutos gerador-receptor e gerador-receptor-resstor antes de estudar o capítulo Veja nesta tabela os temas

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões

Leia mais

Teoria Elementar da Probabilidade

Teoria Elementar da Probabilidade 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo

Leia mais

CAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade

CAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade CAPÍTULO 4 - Varáves aleatóras e dstrbuções de probabldade Conceto de varável aleatóra Uma função cujo valor é um número real determnado por cada elemento em um espaço amostral é chamado uma varável aleatóra

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos

Leia mais

14. Correntes Alternadas (baseado no Halliday, 4 a edição)

14. Correntes Alternadas (baseado no Halliday, 4 a edição) 14. orrentes Alternadas (baseado no Hallday, 4 a edção) Por que estudar orrentes Alternadas?.: a maora das casas, comérco, etc., são provdas de fação elétrca que conduz corrente alternada (A ou A em nglês):

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Professor Mauricio Lutz CORRELAÇÃO

Professor Mauricio Lutz CORRELAÇÃO Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,

Leia mais

PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA

PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA 658 Gaudo & Zandonade Qum. Nova Qum. Nova, Vol. 4, No. 5, 658-671, 001. Dvulgação PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA Anderson Coser Gaudo

Leia mais

Termodinâmica e Termoquímica

Termodinâmica e Termoquímica Termodnâmca e Termoquímca Introdução A cênca que trata da energa e suas transformações é conhecda como termodnâmca. A termodnâmca fo a mola mestra para a revolução ndustral, portanto o estudo e compreensão

Leia mais

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria Unversdade do Estado do Ro de Janero Insttuto de Matemátca e Estatístca Econometra Revsão de modelos de regressão lnear Prof. José Francsco Morera Pessanha professorjfmp@hotmal.com Regressão Objetvo: Estabelecer

Leia mais

O migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial

O migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial O mgrante de retorno na Regão Norte do Brasl: Uma aplcação de Regressão Logístca Multnomal 1. Introdução Olavo da Gama Santos 1 Marnalva Cardoso Macel 2 Obede Rodrgues Cardoso 3 Por mgrante de retorno,

Leia mais

PROVA DE MATEMÁTICA DO VESTIBULAR 2013 DA UNICAMP-FASE 1. RESOLUÇÃO: PROFA. MARIA ANTÔNIA C. GOUVEIA

PROVA DE MATEMÁTICA DO VESTIBULAR 2013 DA UNICAMP-FASE 1. RESOLUÇÃO: PROFA. MARIA ANTÔNIA C. GOUVEIA PROVA DE MATEMÁTICA DO VESTIBULAR 03 DA UNICAMP-FASE. PROFA. MARIA ANTÔNIA C. GOUVEIA QUESTÃO 37 A fgura abaxo exbe, em porcentagem, a prevsão da oferta de energa no Brasl em 030, segundo o Plano Naconal

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado) 5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de

Leia mais

Modelos estatísticos para previsão de partidas de futebol

Modelos estatísticos para previsão de partidas de futebol Modelos estatístcos para prevsão de partdas de futebol Dan Gamerman Insttuto de Matemátca, UFRJ dan@m.ufrj.br X Semana da Matemátca e II Semana da Estatístca da UFOP Ouro Preto, MG 03/11/2010 Algumas perguntas

Leia mais

Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis

Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

Notas de Aula de Física

Notas de Aula de Física Versão prelmnar 7 de setembro de Notas de Aula de Físca 7. TRABAO E ENERGIA CINÉTICA... MOVIMENTO EM UMA DIMENSÃO COM FORÇA CONSTANTE... TRABAO EXECUTADO POR UMA FORÇA VARIÁVE... Análse undmensonal...

Leia mais

Sistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001

Sistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001 Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)

Leia mais

IV - Descrição e Apresentação dos Dados. Prof. Herondino

IV - Descrição e Apresentação dos Dados. Prof. Herondino IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser

Leia mais

ESPELHOS E LENTES ESPELHOS PLANOS

ESPELHOS E LENTES ESPELHOS PLANOS ESPELHOS E LENTES 1 Embora para os povos prmtvos os espelhos tvessem propredades mágcas, orgem de lendas e crendces que estão presentes até hoje, para a físca são apenas superfíces poldas que produzem

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Análise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas

Análise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas Análse de Projectos ESAPL / IPVC Taxas Equvalentes Rendas Taxas Equvalentes Duas taxas e, referentes a períodos dferentes, dzem-se equvalentes se, aplcadas a um mesmo captal, produzrem durante o mesmo

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral. DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou

Leia mais

Palavras-chave: jovens no mercado de trabalho; modelo de seleção amostral; região Sul do Brasil.

Palavras-chave: jovens no mercado de trabalho; modelo de seleção amostral; região Sul do Brasil. 1 A INSERÇÃO E O RENDIMENTO DOS JOVENS NO MERCADO DE TRABALHO: UMA ANÁLISE PARA A REGIÃO SUL DO BRASIL Prscla Gomes de Castro 1 Felpe de Fgueredo Slva 2 João Eustáquo de Lma 3 Área temátca: 3 -Demografa

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Associação de resistores em série

Associação de resistores em série Assocação de resstores em sére Fg.... Na Fg.. está representada uma assocação de resstores. Chamemos de I, B, C e D. as correntes que, num mesmo nstante, passam, respectvamente pelos pontos A, B, C e D.

Leia mais

Eletricidade 3 Questões do ENEM. 8. Campo Elétrico 11 Questões do ENEM 13. Energia Potencial Elétrica 15 Questões do ENEM 20

Eletricidade 3 Questões do ENEM. 8. Campo Elétrico 11 Questões do ENEM 13. Energia Potencial Elétrica 15 Questões do ENEM 20 1 4º Undade Capítulo XIII Eletrcdade 3 Questões do ENEM. 8 Capítulo XIV Campo Elétrco 11 Questões do ENEM 13 Capítulo XV Energa Potencal Elétrca 15 Questões do ENEM 20 Capítulo XVI Elementos de Um Crcuto

Leia mais

Nota Técnica Médias do ENEM 2009 por Escola

Nota Técnica Médias do ENEM 2009 por Escola Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos

Leia mais

1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.

1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem. Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de

Leia mais

CQ110 : Princípios de FQ

CQ110 : Princípios de FQ CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções

Leia mais

MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE

MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE R. L. S. CANEVESI 1, C. L. DIEL 2, K. A. SANTOS 1, C. E. BORBA 1, F. PALÚ 1, E. A. DA SILVA 1 1 Unversdade Estadual

Leia mais

01. Em porcentagem das emissões totais de gases do efeito estufa, o Brasil é o quarto maior poluidor, conforme a tabela abaixo:

01. Em porcentagem das emissões totais de gases do efeito estufa, o Brasil é o quarto maior poluidor, conforme a tabela abaixo: PROCESSO SELETIVO 7 RESOLUÇÃO MATEMÁTICA Rosane Soares Morera Vana, Luz Cláudo Perera, Lucy Tem Takahash, Olímpo Hrosh Myagak QUESTÕES OBJETIVAS Em porcentagem das emssões totas de gases do efeto estufa,

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Aula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014

Aula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014 Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca

Leia mais

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas

Leia mais