Controle Estatístico de Qualidade. Capítulo 8 (montgomery)

Tamanho: px
Começar a partir da página:

Download "Controle Estatístico de Qualidade. Capítulo 8 (montgomery)"

Transcrição

1 Controle Estatístco de Qualdade Capítulo 8 (montgomery)

2 Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado Ignora qualquer nformação dada pela sequênca ntera de pontos Tas característcas tornam esse tpo de gráfco nsensível a pequenas mudanças no processo (menores que 1,5σ) O uso de testes para sequênca ou lmtes de alerta servem como palatvo, mas não resolvem o problema. Na verdade, tas regras reduzem sua smplcdade e facldade de nterpretação. Duas alternatvas efcazes aos gráfcos Shewhart para detectar pequenas mudanças no processo são: Gráfco de Controle da Soma Acumulada (CUSUM) Gráfco de Controle da Méda Móvel Exponencalmente Ponderada

3 Gráfco de Controle da Soma Acumulada (CUSUM) Motvação No gráfco de controle abaxo as 2 prmeras observações foram extraídas de uma dstrbução normal com méda µ = 1 e σ = 1. As 1 últmas de uma N(11;1) (processo fora de controle) I Chart Indvdual Value UCL=13 _ X=1 LCL=7 O gráfco falhou em detectar a mudança Motvo: magntude relatvamente pequena da mudança Observaton

4 Gráfco de Controle da Soma Acumulada (CUSUM) Motvação O gráfco CUSUM fo proposto prmeramente por Page(1954). O gráfco CUSUM ncorpora toda a nformação da sequênca de valores, plotando as somas acumuladas dos desvos dos valores da amostra em relação a um valor-alvo (µ ). = ( x j µ ) = ( x ) + C 1 j= 1 C µ O gráfco CUSUM são partcularmente efcazes com amostras de tamanho n=1. = ( x j µ ) = ( x ) + C 1 j= 1 C µ

5 Gráfco de Controle da Soma Acumulada (CUSUM) Motvação Note que se o processo permanece sob controle, C será um passeo aleatóro com méda zero. Se a méda se desloca para um valor µ 1 >µ, C deverá apresentar uma tendênca postva. Caso contráro, uma tendênca para baxo se desenvolverá em C. Gráfco da Soma Acumulatva C Amostra

6 Gráfco de Controle da Soma Acumulada (CUSUM) Motvação Iremos nos concentrar no gráfco CUSUM para méda do processo. No entanto, é possível planejar procedmentos de somas acumuladas para Varabldade do processo (Montgomery, 1981) Varáves Posson e Bnomal Gráfcos de controle de somas acumuladas tem sdo estudados por: Ewan (1963), Page (1961), Gan (1991), Lucas (1976), Hawkns (1981), entre outros.

7 Gráfco CUSUM Tabular O CUSUM Tabular pode ser construído para montorar a méda do processo. Será tratado, prmeramente, o caso onde n=1. Seja x a -ésma observação do processo dstrbuída normalmente com méda µ (valor-alvo) e desvo padrão σ quando o processo está sob controle. O CUSUM Tabular trabalha acumulando os desvos de µ que estão acma do alvo em uma estatístca C +, e acumulando os desvos de µ que estão abaxo do alvo em outra estatístca C -. As estatístcas C + e C - são chamadas cusums unlateras superor e nferor, sendo defndas por:

8 Gráfco CUSUM Tabular C C + onde os valores ncas são O Cusum Tabular = max, = max,( [ ] + x ( µ + K) + C 1 [ ] µ K) x + C C + C = = 1 K é chamado de valor de referênca (ou valor de tolerânca). Normalmente representa o ponto médo entre o valor alvo (µ ) e o valor da méda fora de controle (µ 1 ) que estamos nteressados em detectar rapdamente.

9 Gráfco CUSUM Tabular Se a mudança K que queremos detectar é expressa em undades de desvo-padrão por µ 1 = µ + δσ ou δ = µ 1 - µ /σ Então a magntude da mudança (K) pode ser expressa por C + ou C δ K = σ = 2 µ 1 µ 2 Se tanto excederem o ntervalo de decsão H (lmtes de tolerânca), o processo será consderado fora de controle. A escolha de H será dscutda posterormente. Normalmente, usase H = 5σ

10 Gráfco CUSUM Tabular Exemplo Valor alvo (µ ) = 1 n = 1 σ = 1 Magntude da mudança 1σ, logo K = ½ H = 5σ = 5 Amostra X 1 9,45 2 7,99 3 9, , ,16 6 1,18 7 8,4 8 11,46 9 9,2 1 1, , , , ,4 15 1,8 16 9, , , ,52 2 1, ,9 22 9, , ,5 25 1, ,8 27 1, , ,31 3 1,52

11 Gráfco CUSUM Tabular Exemplo Os valores de C + e C - para amostra 1 são: C C = max = max + [ ;9,45 (1 +,5) + C ] =, [ ;(1,5) 9,45 + C ] =, 5 Os valores de C + e C - para amostra 2 são: C C = = max max [ ;7,99 (1 +,5) + ] =, [ ;(1,5) 7,99 +,5] = 1, 56 A segur, apresentamos os cálculos restantes. As quantdades N + e N - ndcam os períodos consecutvos em que C + e C - foram não-nulos.

12 C + > H Processo fora de controle Amostra X X - (m + K) C+ N+ (m - K) - X C- N- 1 9,45-1,5,5, ,99-2,51 1,51 1, ,29-1,21,21 1, ,66 1,16 1,16 1-2, ,16 1,66 2,82 2-2,66 6 1,18 -,32 2,5 3 -,68 7 8,4-2,46,4 4 1,46 1, ,46,96 1, 5-1,96, 9 9,2-1,3, ,34 -,16 -, ,3-1,47, ,47,97,97 1-1, ,51,1,98 2-1,1 14 9,4-1,1,1, ,8 -,42 -, ,37-1,13,13, ,62,12,12 1-1, ,31 -,19 -, ,52-1,98,98, ,84,34,34 1-1, ,9,4,74 2-1,4 22 9,33-1,17,17, ,29 1,79 1,79 1-2, ,5 1, 2,79 2-2, 25 1,6,1 2,89 3-1, ,8,58 3,47 4-1, ,38 -,12 3,35 5 -, ,62 1,12 4,47 6-2, ,31,81 5,28 7-1,81 3 1,52,2 5,3 8-1,2

13 Exemplo: Gráfco de status do CUSUM Mntab CUSUM Chart 5, UCL=5 Cumulatve Sum 2,5, -2,5-5, LCL= Sample

14 Recomendações para o Planejamento do CUSUM O CUSUM Tabular é planejado através da escolha do valor de referênca (K = kσ) e do ntervalo de decsão (H = hσ). Recomenda-se que tas parâmetros sejam seleconados de modo a fornecer um bom CMS (comprmento médo da sequênca), por exemplo CMS próxmo a 37 (processo sob controle). Na prátca, tem-se observado bons resultados com h=4 ou h=5 e k = ½. A segur apresentamos um comparatvo do CMS para o Gráfco CUSUM vs Gráfco de Shewhart para méda.

15 Recomendações para o Planejamento do CUSUM Hawkns (1993) fornece uma tabela com valores de k e h, no qual CMS será gual a 37: k,25,5,75 1, 1,25 1,5 h 8,1 4,77 3,34 2,52 1,99 1,61 Segmund (1985) apresenta uma aproxmação do cálculo do CMS para um cusum unlateral (C + ou C - ): CMS exp( 2 b) + 2 b onde = δ* - k para C +, = -δ* - k para C - e b = h + 1,166. Se =, pode-se usar CMS = b 2 = Lembre-se que δ* é a mudança na méda, em undades de σ, para qual deve ser calculado o CMS.

16 Recomendações para o Planejamento do CUSUM O CMS para um cusum blateral é obtdo a partr das estatístcas unlateras dgamos CMS + e CMS - : 1 CMS Exemplo: Consdere k = ½, h = 5 e δ* = (sob controle) Logo = -½ e b = 6,166. Assm, CMS 1 = + + CMS CMS exp( 2( 1/ 2)(6,166)) + 2( 1/ 2)(6,166) 1 2 2( 1/ 2) + = = Como δ* = temos, excepconalmente, CMS + = CMS -. Logo, o CMS blateral é dado por 1 CMS 1 1 = + CMS 938,2 938,2 1 = 469,1 938,2

17 Recomendações para o Planejamento do CUSUM Consderações Note que a aproxmação de Segmund está próxma do verdadero valor de CMS Para σ=1, por exemplo, o gráfco Cusum detectara uma mudança mas rápdo do que o gráfco de Shewhart. CMS entre os gráfcos Cusum e Shewhart convergem a medda que σ (tamanho da mudança) aumenta. Valores Exatos para o Comprmento Médo da Sequenca (CMS) Multplo de sgma k = 1/2 h=4 h=5 Shewhart, 168, 465, 37,4,25 74,2 139, 281,1,5 26,6 38, 155,2,75 13,3 17, 81,2 1, 8,38 1,4 43,9 1,5 4,75 5,8 15, 2, 3,34 4, 6,3 2,5 2,62 3,1 3,2 3, 2,19 2,6 2, 4, 1,71 2, 1,2

18 CUSUM Padronzado Prncpal vantagem: possblta termos os mesmos valores de k e h para dversos gráfcos CUSUM, vsto que as escolhas desses parâmetros não ram mas depender da escala das varáves. Seja y = µ σ Os CUSUM padronzados são defndos por x C C + = = max ; max ; [ ] + y k + C 1 [ k y + C ] 1

19 Subgrupos Raconas O desenvolvmento do CUSUM tabular se estende faclmente ao caso de méda de subgrupos raconas (n>1). x Basta substtur por (a méda amostral ou do subgrupo) nas fórmulas anterores e substtur σ por σ = σ x / n x No entanto, Montgomery dscute que o uso das médas dos subgrupos (ou seja n>1) NÃO melhora o desempenho do Gráfco Cusum, ao contráro dos gráfcos de Shewhart.

20 Subgrupos Raconas Por exemplo, se pudermos escolher entre a retrada de uma amostra de tamanho n=1 a cada 3mn ou um subgrupo de tamanho n=5 a cada 2,5horas, o CUSUM funconará melhor, em geral, com a escolha de n=1. Segundo Montgomery, apenas se houver uma economa de escala sgnfcatva ou alguma outra razão válda para se tomar amostras de tamanho maor é que os subgrupos devem ser usados.

21 Melhorando o CUSUM para Grandes Mudanças Uma abordagem para melhorar a habldade do gráfco em detectar grandes mudanças é o procedmento combnado cusum-shewhart (Lucas, 1982) Construr um gráfco Shewhart para C+ e C - Neste caso, recomenda-se o uso de lmtes de controle de 3,5σ. O aumento de,5σ nos lmtes de controle no gráfco de Shewhart é justfcado pelo fato de estarmos nteressados em detectar grandes mudanças O gráfco CUSUM fcara responsável por pequenas alterações na méda ou no valor-alvo, enquanto que o gráfco de Shewhart se encarregara em detectar grandes alterações. Um snal fora de controle em qualquer (ou ambos) os gráfcos consttu num snal de ação

22 Resposta Incal Rápda (RIR) ou Headstart Procedmento elaborado por Lucas e Croser (1982) para melhorar a senstvdade do CUSUM no níco do processo. A resposta ncal rápda (RIR), ou headstart, coloca os + valores ncas de C guas a um valor não-nulo, e C normalmente gual a H/2. Isso é chamado de headstart de 5%. Benefícos do headstart Se o processo começa sob controle (no valor-alvo), o CUSUM rapdamente cará para zero e o headstart terá pouco efeto; No entanto, caso o processo comece em algum nível dferente do valor alvo, o headstart permtrá ao CUSUM detectar sso rapdamente.

23 Consderações Fnas em relação ao CUSUM Tabular Cusum Unlateral Note que o gráfco CUSUM é construído a partr de dos procedmento unlateras (C + e C - ) Há stuações onde apenas um procedmento é utl. Por exemplo: Em um processo químco a característca de nteresse é a vscosdade de um produto. Consdere que se a vscosdade fcar abaxo do valor-alvo não há problema. No entanto, qualquer aumento na vscosdade deve ser detectado rapdamente. O CMS podera ser calculado faclmente a partr da aproxmação de Segmund.

24 Consderações Fnas em relação ao CUSUM Tabular Cusum com Senstvdades Dferentes É também possível planejar CUSUMs com senstvdades dferentes nos lados superor e nferor Isso sera útl em stuações onde, por exemplo, uma mudança acma do alvo é mas crítca do que mudanças abaxo do alvo.

25 Gráfco de Controle da Méda Móvel Exponencalmente Ponderada Introdução É também uma boa alternatva aos gráfcos de Shewhart quando estamos nteressados em detectar pequenas mudanças. Tem desempenho equvalente ao gráfcos de controle CUSUM tabular. É, de certa forma, mas fácl de estabelecer e operar. É tpcamente usado para observações ndvduas (n=1). No entanto, também veremos o caso de subgrupos raconas de tamanho n>1. Fo ntroduzdo por Roberts em 1959

26 Gráfco de Controle da Méda Móvel Exponencalmente Ponderada Defnções O gráfco da Méda Móvel Exponencalmente Ponderada (MMEP) é defndo como z = λx + ( 1 λ) z 1 onde < λ 1é uma constante, e o valor ncal exgdo para =1 é o alvo do processo, ou seja z = µ Quando o valor alvo não é conhecdo, a méda artmétca dos dados pode ser usado z = x

27 Gráfco de Controle da Méda Móvel Exponencalmente Ponderada Defnções Note que z é uma méda ponderada de todas as observações anterores: Contnuando a substtur recursvamente z -j, j=2, 3,..., t, obtemos = + = 1 ) 1 ( z x z λ λ [ ] ) (1 ) (1 ) (1 ) (1 + + = = + + = z x x z z x x z λ λ λ λ λ λ λ λ 1 ) (1 ) 1 ( z x z j j j λ λ λ + = =

28 Gráfco de Controle da Méda Móvel Exponencalmente Ponderada Defnções Os pesos λ(1-λ) j decrescem geometrcamente com a dade da méda amostral. Como a MMEP pode ser consderada uma méda de todas as observações passadas e corrente, o gráfco da MMEP é nsensível a hpótese de normaldade. Assm, tal gráfco é deal para ser usado com observações ndvduas.

29 Gráfco de Controle da Méda Móvel Exponencalmente Ponderada Defnções Se as observações x são varáves aleatóras ndependentes com varânca σ 2, então a varânca de z é dada por: [ ] z j j j j j j j j z Var z Var z Var x Var z Var z x Var z Var ) (1 1 2 ) ( ) (1 ) ( ) ( ) (1 ) ( ) (1 ) ( ) (1 ) (1 ) ( λ λ λ σ σ σ λ λ λ λ λ λ λ λ = = = + = = + = = = = Progressão Geométrca

30 Gráfco de Controle da Méda Móvel Exponencalmente Ponderada Defnções O gráfco de controle MMEP pode ser construído através da plotagem de z versus o número da amostra. A lnha central e os lmtes de controle são: LSC LM LIC = µ + = µ = µ Lσ Lσ λ 2 λ λ 2 λ [ ] 2 1 (1 λ) [ ] 2 1 (1 λ) Em breve dscutremos sobre a escolha de L e λ.

31 Gráfco de Controle da Méda Móvel Exponencalmente Ponderada Defnções Note que [1-(1- λ) 2 ] se aproxma de 1 quando se torna grande. Logo, após alguns períodos de tempo, os lmtes de controle se aproxmarão dos valores de estado estaconáro, dados por: LSC = µ + LIC = µ Lσ Lσ λ 2 λ No entanto, recomenda-se enfatcamente na prátca o uso dos lmtes exatos. λ 2 λ

32 Gráfco MMEP Exemplo Valor alvo (µ ) = 1 σ = 1 n = 1 λ =,1 L = 2,7 Amostra X 1 9,45 2 7,99 3 9, , ,16 6 1,18 7 8,4 8 11,46 9 9,2 1 1, , , , ,4 15 1,8 16 9, , , ,52 2 1, ,9 22 9, , ,5 25 1, ,8 27 1, , ,31 3 1,52

33 Gráfco MMEP Exemplo Os valores para a amostra 1 são: z1 =,1.(9,45) + (1,1).1 = 9,945 LSC = 1 + 2,7(1) LIC = 1 2,7(1),1 2,1,1 2,1 [ 1 (1,1) ] 2.(1) = 1,27 [ ] 2.(1) 1 (1,1) = 9, 73

34 Gráfco MMEP Exemplo Os valores para a amostra 2 são: z2 =,1.(7,99) + (1,1).9,945 = 9,7495 LSC = 1 + 2,7(1) LIC = 1 2,7(1),1 2,1,1 2,1 [ 1 (1,1) ] 2.(2) = 1,36 [ ] 2.(2) 1 (1,1) = 9, 64

35 Amostra X Z 1 9,45 9, ,99 9, ,29 9, ,66 9, ,16 1, ,18 1, ,4 9, ,46 1, ,2 9, ,34 1, ,3 9, ,47 1, ,51 1, ,4 1, ,8 1, ,37 9, ,62 1, ,31 1, ,52 9, ,84 1, ,9 1, ,33 1, ,29 1, ,5 1, ,6 1, ,8 1, ,38 1, ,62 1, ,31 1, ,52 1,6341 Valores além dos lmtes

36 Gráfco MMEP Mntab 1,75 EWMA Chart 1,5 +2,7SL=1,619 1,25 EWMA 1, _ X=1 9,75 9,5-2,7SL=9, Sample

37 Planejamento de um Gráfco de Controle MMEP O gráfco MMEP é muto efcaz contra pequenas mudanças no processo. Os parâmetros do planejamento do gráfco MMEP são L e λ. É possível escolher esses parâmetros de modo a obtermos um bom desempenho do CMS, próxmo ao observado no gráfco CUSUM. Lucas e Saccucc (199) apresentam um estudo com o CMS para alguns valores de (L, λ).

38 Planejamento de um Gráfco de Controle MMEP CMS para város Esquemas de Controle MMEP (adaptado de Lucas e Saccucc (199)) Multplo de sgma L = 3,54 L=2,998 L=2,962 L=2,812 L=2,615 lamb.=,4 lamb.=,25 lamb.=,2 lamb.=,1 lamb.=,5 Shewhart, 5, 5, 5, 5, 5, 37,4,25 224, 17, 15, 16, 84,1 281,1,5 71,2 48,2 41,8 31,3 28,2 155,2,75 28,4 2,1 18,2 15,9 16,4 81,2 1, 14,3 11,1 1,5 1,3 11,4 43,9 1,5 5,9 5,5 5,5 6,1 7,1 15, 2, 3,5 3,6 3,7 4,4 5,2 6,3 2,5 2,5 2,7 2,9 3,4 4,2 3,2 3, 2, 2,3 2,4 2,9 3,5 2, 4, 1,4 1,7 1,9 2,2 2,7 1,2

39 Planejamento de um Gráfco de Controle MMEP Conclusões: Estudo de Lucas e Saccucc(199) Valores de,5 λ,25 funconam bem na prátca λ =,5, λ =,1 e λ =,2 são escolhas populares. Utlzar valores menores de λ para detectar pequenas mudanças. L = 3 funcona razoavelmente bem com valores maores de λ (λ >,25) Quando λ,1, deve-se trabalhar com 2,6 L 2,7.

40 Planejamento de um Gráfco de Controle MMEP O gráfco MMEP não funcona bem para grandes mudanças Uma abordagem para melhorar a habldade do gráfco em detectar grandes mudanças é o procedmento combnado MMEP-Shewhart (Lucas, 1982) Construr um gráfco Shewhart para z Neste caso, recomenda-se o uso de lmtes de controle de 3,25σ ou 3,5σ. O aumento de,25σ ou,5σ nos lmtes de controle no gráfco de Shewhart é justfcado pelo fato de estarmos nteressados em detectar grandes mudanças O gráfco MMEP fcara responsável por pequenas alterações na méda, enquanto que o gráfco de Shewhart se encarregara em detectar grandes alterações. Um snal fora de controle em qualquer (ou ambos) os gráfcos consttu num snal de ação

41 Subgrupos Raconas O gráfco MMEP se estende faclmente ao caso de méda de subgrupos raconas (n>1). Basta substtur x por x (a méda amostral ou do subgrupo) nas fórmulas anterores e substtur σ por σ x = σ / n

42 Robustez do MMEP à Não- Normaldade Lembre-se que o gráfco de Shewhart para observações ndvduas era muto sensível a não-normaldade, acarretando em um número excessvo de alarmes falsos. Borror, Montgomery, Runger (1999) comparam o desempenho do CMS (sob controle) do gráfco de Shewhart e do gráfco MMEP para observações ndvduas. No estudo foram utlzadas: A dstrbução Gama para representar o caso de dstrbuções assmétrcas; A dstrbução t-student para representar dstrbuções smétrcas com caudas mas pesadas que a Normal. Os resultados são apresentados a segur:

43 Robustez do MMEP à Não- Normaldade Comprmento Médo da Sequenca sob Controle (CMSo) Dstrbuções Assmétrcas Shewhart Lambda,5,1,2 1 L 2,492 2,73 2,86 3 Normal Gama(4,1) Gama(3,1) Gama(2,1) Gama(1,1) Gama(.5,1)

44 Robustez do MMEP à Não- Normaldade Comprmento Médo da Sequenca sob Controle (CMSo) Dstrbuções Smétrcas Shewhart Lambda,5,1,2 1 L 2,492 2,73 2,86 3 Normal t(5) t(4) t(3) t(2) t(15) t(1) t(8) t(6) t(4)

45 Robustez do MMEP à Não- Normaldade Conclusões Importantes do Estudo Dstrbuções Não-Normas tem o efeto de reduzr sensvelmente o CMS sob controle do gráfco de Shewhart para observações ndvduas. Isso aumentará drastcamente o número de alarmes falsos. Um MMEP escolhdo adequadamente terá um desempenho muto bom em relação a dstrbuções tanto Normas quanto Não-Normas Logo, é extremamente recomendado o uso de um gráfco MMEP bem planejado como gráfco de controle para meddas ndvduas.

46 Exemplo 1 Uma máquna é usada para encher latas com óleo adtvo de motor. Uma únca lata é amostrada a cada hora e o seu peso, meddo. Como o processo de enchmento é automátco, ele tem uma varabldade muto estável, e uma experênca longa ndca que σ=,5 oz. As observações ndvduas para 24 horas de operação são mostradas a segur.

47

48 a) Suponha que o alvo do processo seja 8,2 oz, estabeleça um cusum tabular para esse processo. Planeje o cusum usando os valores h=4,77 e k=,5. b) Suponha que os dados representem observações tomadas medatamente após um ajuste que pretenda levar o processo de volta ao alvo deµ=8,. Estabeleça e aplque um cusum RIR (headstart de 5%) para montorar esse processo. c) Estabeleça um gráfco de controle MMEP com λ=,2 e L=3 para esse processo. Interprete os resultados.

49 Exemplo 2 Gere 2 valores de X, X~N(1,1), e outros 2 para X~N(9,1). Cra um vetor com os 4 valores gerados (na mesma sequênca). Descubra qual dos dos dspostvos, algortmo CUSUM (k=4,774 e k=,5) ou o gráfco MMEP (L=2,859 e λ=,2), snalza com mas rapdez o deslocamento na méda do processo (de 1 para 9).

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

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

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

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

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

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

RODRIGO LUIZ PEREIRA LARA DESEMPENHO DO GRÁFICO DE CONTROLE CUSUM TABULAR PARA O MONITORAMENTO DA MÉDIA

RODRIGO LUIZ PEREIRA LARA DESEMPENHO DO GRÁFICO DE CONTROLE CUSUM TABULAR PARA O MONITORAMENTO DA MÉDIA RODRIGO LUIZ PEREIRA LARA DESEMPENO DO GRÁFICO DE CONTROLE CUSUM TABULAR PARA O MONITORAMENTO DA MÉDIA Dssertação apresentada à Unversdade Federal de Vçosa, como parte das exgêncas do Programa de Pós Graduação

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

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

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

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

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

Controle Estatístico de Processos: a questão da autocorrelação, dos erros de mensuração e do monitoramento de mais de uma característica de qualidade

Controle Estatístico de Processos: a questão da autocorrelação, dos erros de mensuração e do monitoramento de mais de uma característica de qualidade Controle Estatístco de Processos: a questão da autocorrelação, dos erros de mensuração e do montoramento de mas de uma característca de qualdade Docentes: Maysa S. de Magalhães; Lnda Lee Ho; Antono Fernando

Leia mais

O método de Equação Integral com Quadratura Gaussiana para otimizar os parâmetros do gráfico de controle multivariado de Somas Acumuladas

O método de Equação Integral com Quadratura Gaussiana para otimizar os parâmetros do gráfico de controle multivariado de Somas Acumuladas Unversdade Federal de Santa Catarna Centro Tecnológco Programa de Pós-Graduação em Engenhara de Produção O método de Equação Integral com Quadratura Gaussana para otmzar os parâmetros do gráfco de controle

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

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

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

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

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

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

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

Eletricidade 3. Campo Elétrico 8. Energia Potencial Elétrica 10. Elementos de Um Circuito Elétrico 15. Elementos de Um Circuito Elétrico 20

Eletricidade 3. Campo Elétrico 8. Energia Potencial Elétrica 10. Elementos de Um Circuito Elétrico 15. Elementos de Um Circuito Elétrico 20 1 3º Undade Capítulo XI Eletrcdade 3 Capítulo XII Campo Elétrco 8 Capítulo XIII Energa Potencal Elétrca 10 Capítulo XIV Elementos de Um Crcuto Elétrco 15 Capítulo XV Elementos de Um Crcuto Elétrco 20 Questões

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

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

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

O que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.

O que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade. Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,

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

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

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

RESOLUÇÃO Nº 32/2014/CONEPE. O CONSELHO DO ENSINO, DA PESQUISA E DA EXTENSÃO da Universidade Federal de Sergipe, no uso de suas atribuições legais,

RESOLUÇÃO Nº 32/2014/CONEPE. O CONSELHO DO ENSINO, DA PESQUISA E DA EXTENSÃO da Universidade Federal de Sergipe, no uso de suas atribuições legais, SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE SERGIPE CONSELHO DO ENSINO, DA PESQUISA E DA EXTENSÃO RESOLUÇÃO Nº 32/2014/CONEPE Aprova as Normas Geras do Processo Seletvo para

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

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

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

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

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

PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA

PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Mauro aghettn Mara Manuela Portela DECvl, IST, 0 PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Mauro aghettn Professor Assocado, Escola de Engenhara

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

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

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

Fast Multiresolution Image Querying

Fast Multiresolution Image Querying Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta

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

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

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

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

Gráficos de controle multivariados: um estudo de caso no setor metalomecânico

Gráficos de controle multivariados: um estudo de caso no setor metalomecânico P&D em Engenhara de Produção, Itajubá, v. 10, n. 2, p. 143-156, 2012 Gráfcos de controle multvarados: um estudo de caso no setor metalomecânco Multvarate control charts: case study n the metallurgy mechancal

Leia mais

Testando um Mito de Investimento : Eficácia da Estratégia de Investimento em Ações de Crescimento.

Testando um Mito de Investimento : Eficácia da Estratégia de Investimento em Ações de Crescimento. Testando um Mto de Investmento : Efcáca da Estratéga de Investmento em Ações de Crescmento. Autora: Perre Lucena Rabon, Odlon Saturnno Slva Neto, Valera Louse de Araújo Maranhão, Luz Fernando Correa de

Leia mais

CAP4: Controle Estatístico do Processo (CEP)

CAP4: Controle Estatístico do Processo (CEP) CAP4: Controle Estatístico do Processo (CEP) O principal objetivo do CEP é detectar rapidamente a ocorrência de causas evitáveis que produzam defeitos nas unidades produzidas pelo processo, de modo que

Leia mais

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe

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

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

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

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

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

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

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

é por meio dele que se conhece se os produtos estão dentro dos padrões exigidos

é por meio dele que se conhece se os produtos estão dentro dos padrões exigidos INTRODUÇÃO O controle de qualdade nas empresas se faz muto mportante, pos é por meo dele que se conhece se os produtos estão dentro dos padrões exgdos pelo mercado ou não, e com a abertura e a globalzação

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

Análise Fatorial F 1 F 2

Análise Fatorial F 1 F 2 Análse Fatoral Análse Fatoral: A Análse Fatoral tem como prncpal objetvo descrever um conjunto de varáves orgnas através da cração de um número menor de varáves (fatores). Os fatores são varáves hpotétcas

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

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

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

Equilíbrio Colusivo no Mercado Brasileiro de Gás Liquefeito de Petróleo (GLP)

Equilíbrio Colusivo no Mercado Brasileiro de Gás Liquefeito de Petróleo (GLP) Unversdade de Brasíla Departamento de Economa Mestrado em Economa do Setor Públco Equlíbro Colusvo no Mercado Braslero de Gás Lquefeto de Petróleo (GLP) Orentador: Prof. Rodrgo Andrés de Souza Peñaloza

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

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

Suporte Básico para Sistemas de Tempo Real

Suporte Básico para Sistemas de Tempo Real Suporte Básco para Sstemas de Tempo Real Escalonamento e Comuncação Sldes elaborados por George Lma, com atualzações realzadas por Ramundo Macêdo Suporte Básco para Sstemas de Tempo-Real Escalonamento

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

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

Instruções de Utilização. Actuador de motor via rádio 1187 00

Instruções de Utilização. Actuador de motor via rádio 1187 00 Instruções de Utlzação Actuador de motor va rádo 1187 00 Índce Relatvamente a estas nstruções... 2 Esquema do aparelho... 3 Montagem... 3 Desmontagem... 3 Tensão de almentação... 4 Colocar as plhas...

Leia mais

Hoje não tem vitamina, o liquidificador quebrou!

Hoje não tem vitamina, o liquidificador quebrou! A U A UL LA Hoje não tem vtamna, o lqudfcador quebrou! Essa fo a notíca dramátca dada por Crstana no café da manhã, lgeramente amenzada pela promessa de uma breve solução. - Seu pa dsse que arruma à note!

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

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

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

Elaboração: Fevereiro/2008

Elaboração: Fevereiro/2008 Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras

Leia mais

Variabilidade do processo

Variabilidade do processo Variabilidade do processo Em todo processo é natural encontrar certa quantidade de variabilidade. Processo sob controle estatístico: variabilidade natural por causas aleatórias Processo fora de controle:

Leia mais

Palavras-chaves: Gráficos de controle, ambiente R, análise estatística multivariada

Palavras-chaves: Gráficos de controle, ambiente R, análise estatística multivariada A ntegração de cadeas produtvas com a abordagem da manufatura sustentável. Ro de Janero, RJ, Brasl, 13 a 16 de outubro de 2008 O DESENVOLVIMENTO DE GRÁFICOS DE CONTROLE MCUSUM E MEWMA EM AMBIENTE R COMO

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

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

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência. MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,

Leia mais

Gráfico de Controle por Atributos

Gráfico de Controle por Atributos Roteiro Gráfico de Controle por Atributos 1. Gráfico de np 2. Gráfico de p 3. Gráfico de C 4. Gráfico de u 5. Referências Gráficos de Controle por Atributos São usados em processos que: Produz itens defeituosos

Leia mais

Nesse circuito, os dados indicam que a diferença de potencial entre os pontos X e Y, em volts, é a) 3,3 c) 10 e) 18 b) 6,0 d) 12.

Nesse circuito, os dados indicam que a diferença de potencial entre os pontos X e Y, em volts, é a) 3,3 c) 10 e) 18 b) 6,0 d) 12. Aprmorando os Conhecmentos de Eletrcdade Lsta 7 Assocação de esstores Prof.: Célo Normando. (UNIFO-97) O resstor, que tem a curva característca representada no gráfco abao, é componente do crcuto representado

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

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas

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

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

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação

Leia mais

Manual dos Indicadores de Qualidade 2011

Manual dos Indicadores de Qualidade 2011 Manual dos Indcadores de Qualdade 2011 1 Dretora de Avalação da Educação Superor Clauda Maffn Grbosk Coordenação Geral de Controle de Qualdade da Educação Superor Stela Mara Meneghel Equpe Técnca: José

Leia mais

Princípios do Cálculo de Incertezas O Método GUM

Princípios do Cálculo de Incertezas O Método GUM Prncípos do Cálculo de Incertezas O Método GUM João Alves e Sousa Laboratóro Regonal de Engenhara Cvl - LREC Rua Agostnho Perera de Olvera, 9000-64 Funchal, Portugal. E-mal: jasousa@lrec.pt Resumo Em anos

Leia mais

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS

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

PREVISÃO DE PARTIDAS DE FUTEBOL USANDO MODELOS DINÂMICOS

PREVISÃO DE PARTIDAS DE FUTEBOL USANDO MODELOS DINÂMICOS PREVISÃO DE PRTIDS DE FUTEBOL USNDO MODELOS DINÂMICOS Oswaldo Gomes de Souza Junor Insttuto de Matemátca Unversdade Federal do Ro de Janero junor@dme.ufrj.br Dan Gamerman Insttuto de Matemátca Unversdade

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

I. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que

I. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que DESEMPREGO DE JOVENS NO BRASIL I. Introdução O desemprego é vsto por mutos como um grave problema socal que vem afetando tanto economas desenvolvdas como em desenvolvmento. Podemos dzer que os índces de

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS EEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS Exemplo: Peso de 25 bolos ndustras Forma bruta: Dsposção ordenada 266 267 266 26 22 255 266 26 272 22 260 272 25 262 23 25 266 270 274 22 2 270 20

Leia mais

Prof. Benjamin Cesar. Onde a(n, i) é o fator de valor atual de uma série de pagamentos. M: montante da renda na data do último depósito.

Prof. Benjamin Cesar. Onde a(n, i) é o fator de valor atual de uma série de pagamentos. M: montante da renda na data do último depósito. Matemátca Fnancera Rendas Certas Prof. Benjamn Cesar Sére de Pagamentos Unforme e Peródca. Rendas Certas Anudades. É uma sequênca de n pagamentos de mesmo valor P, espaçados de um mesmo ntervalo de tempo

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

ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgaris NA EXISTÊNCIA DE MULTICOLINEARIDADE

ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgaris NA EXISTÊNCIA DE MULTICOLINEARIDADE ADRIANO VICTOR LOPES DA SILVA ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgars NA EXISTÊNCIA DE MULTICOLINEARIDADE RECIFE-PE Feverero /2008. Lvros Gráts

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

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA

XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - VI GRUPO DE ESTUDO DE COMERCIALIZAÇÃO, ECONOMIA E REGULAÇÃO DE ENERGIA

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