MAE Teoria da Resposta ao Item

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "MAE5778 - Teoria da Resposta ao Item"

Transcrição

1 MAE 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 Tabela 1: Tabela de Parâmetros para os 6 tens. (a) Para cada tem, calcule a probabldade de acerto nas profcêncas: θ 3, 2, 1.0, 1, 2, 3. Na Tabela 2 temos para cada tem e para cada profcênca Tabela 2: Tabela de Probabldades para cada Item (b) Construa a curva característca de cada tem (CCI). Temos na Fgura 1 as curvas característcas dos 6 tens. 1

2 logto.rt(x, parms[1, ]) Item 1 Item 2 Item 3 Item 4 Item 5 Item x Fgura 1: CCI dos 6 tens (c) Qual o tem mas fácl? Para uma população com profcênca centrada em um valor de até 2, o tem mas fácl é o tem 3. Pode-se observar sso notando que o seu parâmetro de acerto casual (c) é o maor dentre todos os tens (25%), o que nesse caso sgnfca, que para profcêncas tendendendo a menos nfnto, ele é o tem com maor probabldade de acerto. Para profcêncas centradas em valores maores que 2, o tem que mostra maor probabldade de acerto é o tem 4, o que pode se observar pelo seu parâmetro b (parâmetro de dfculdade), que é o menor dentre todos os tens. (d) Qual o tem que menos dscrmna? Pelo gráfco e pelo parâmetro a (de dscrmnação), vemos que o tem 6 é o que menos dscrmna. (e) Qual o tem no qual um aluno com profcênca gual a 0 tem a maor probabldade de acerto? Pelo gráfco e pela Tabela 2 vemos que o tem 4 é o tem peddo (tem 72% de probabldade de acerto para alguém com profcênca 0). (f) Qual tem é mas fácl para a profcênca gual a -1? E para a profcênca gual a 0? Ambos são o tem 4, que tem respectvamente probabldade de acerto maor do que os outros nos dos casos (respectvamente, 48% e 72%). (g) Exstem dos tens que são gualmente dfíces na profcênca -1? E na profcênca 1? Na profcênca -1, não, mas na profcênca 1, os tens 1 e 2 têm mesma probabldade de acerto (50%). 2. Mostre que os parâmetros de um mesmo tem, meddos em duas escalas A e B, seguem as seguntes relações: b A αb B β e a A (1/α)a B, onde α e β são coefcentes a serem determnados. Mostre também que a 2

3 profcênca θ de um ndvíduo medda nessas duas escalas também segue a relação θ A αθ B β. Pela defnção do modelo logístco de três parâmetros (ML3), temos na escala A, a probabldade de acerto de um tem arbtaro por um ndvíduo com parâmetros latente θ A em um tem com parâmetro a A, b A, c é dada por: 1 P (U 1 θ A ) c + (1 c) 1 + exp a A (θ A b A ) (1) Analogamente, a probablda de acerto desse ndvíduo para o mesmo tem, mas com parâmetros em outra escala B, é dada por: 1 P (U 1 θ B ) c + (1 c) 1 + exp a B (θ B b B ) (2) Notemos agora que ndependemente da escala em que se mede os parâmetros, a probabldade de acerto do ndvíduo deve ser a mesma. Isso mplca que as expressões 1 e 2 devem ser guas: P (U 1 θ A ) P (U 1 θ B ) Substtundo as expressões pelas quantdades em 1 e 2, chegamos em: a A (θ A b A ) a B (θ B b B ) (3) Isolando a A, obtemos a segunda gualdade pedda: a A (θ A b A ) a B (θ B b B ) θ B b B a A a B θ A b A a A 1 α a B ( α θ A b A θ B b B Utlzando agora essa expressão obtda na expressão 3, obtemos a prmera gualdade pedda: ). a B α (θ A b A ) a B (θ B b B ) a Bb A a B (θ B b B ) a Bθ A α α a B b A αa B (θ B b B ) + a B θ A b A α(θ B b B ) + θ A 3

4 αθ B + αb B + θ A αb B αθ B + θ A αb B β (β αθ B θ A ). Fnalmente, utlzando novamente a expressão 3 e a prmera e a segunda gualdades, temos: a B α (θ A (αb B β)) a B (θ B b B ) θ A α b B + β α θ B b B O que prova a últma dentdade pedda. θ A α θ B β α θ A αθ B β. 3. Desenvolva o processo de estmação por máxma verossmlhança através do método de Newton-Raphson em um modelo de 3 parâmetros com as profcêncas conhecdas, em um teste composto de I tens responddos por n alunos. Seja ζ (ζ 1,..., ζ I ) o conjunto de parâmetros dos tens, que temos nteresse em estmar. Pela ndependênca entre as respostas de dferentes ndvíduos e ndependênca local, podemos escrever a verossmlhança como: L(ζ) n P (U j. u j. θ j, ζ) j1 n I P (U j u j θ j, ζ ). j1 1 Temos que U j é uma varável dcotômca. Defnndo P j e Q j como suas probabldades de sucesso e fracasso respectvamente (obtdas a partr do modelo de 3 parâmetros), podemos rescrever, a partr da defnção da densdade de uma varável Bernoul: P (U j u j θ j, ζ ) P uj j Q 1 uj j. Substtundo essa expressão na verossmlhança: L(ζ) n I j1 1 P uj j Q 1 uj j. 4

5 Donde segue que a log-verossmlhança fca dada por: log L(ζ) j1 1 I u j log P j + (1 u j ) log Q j }. O estmador de máxma verossmlhança de ζ é aquele que maxmza essa função. Equvalentemente, devemos ter satsfeta a condção: Notemos agora que: δζ 0, 1,..., I. δζ δ log P j u j + (1 u j ) δ log P } j δζ δζ ( ) 1 δpj u j (1 u j ) 1 P j δζ Q j δζ 1 u j (1 u j ) 1 } ( ) δpj P j Q j δζ } ( ) uj P j δpj. P j Q j δζ j1 j1 j1 j1 ( δpj )} Consderamos então a segunte ponderação: com W j P j Q j P j Q j, P j 1 + e Da(θj b) } 1 e Q j 1 P j. Assm, podemos rescrever a dervada da log-verossmlhança como: δζ Observemos anda que: (u j P j ) W j Pj Q j j1 } (δpj δζ ). 5

6 δp j δa D(1 c )(θ j b )Pj Q j, δp j δb Da (1 c )PjQ j, δp j δc Q j. Resolvendo a equação de estmação para o parâmetro a temos: δa ( ) } δpj Wj (u j P j ) δa Pj Q j (u j P j )D(1 c )(θ j b )PjQ j j1 j1 D(1 c ) Para o parâmetro b, temos: δb j1 (u j P j )(θ j b )W j j1 ( ) } δpj Wj (u j P j ) δb Pj Q j (u j P j )( 1)Da (1 c )Pj Q j j1 Da (1 c ) (u j P j )W j j1 Fnalmente para o parâmetro c, temos: W j P j Q j W j P j Q j } } δc (u j P j ) δc (u j P j )Q j j1 j1 } (u j P j ) W j Pj j1 ( ) δpj Wj W j P j Q j P j Q j } } 6

7 Assm, temos que as funções de score para estmação dos parâmetros a, b e c são dadas por: S(a ) D(1 c ) (u j P j )(θ j b )W j, j1 S(b ) Da (1 c ) S(c ) (u j P j )W j, j1 (u j P j ) W j. j1 Para desenvolvmento da equação de estmação precsamos da matrz Hessana, com as dervadas de segunda ordem, e de valores ncas para os parâmetros ˆζ. Dados os valores ncas ˆζ (a, b, c ), uma estmatva atualzada será ˆζ ˆζ + ˆζ, onde ˆζ é um erro de apro- (1) xmação. Observando que a expansão em Taylor da log-verossmlhança l(ζ) em relação a essas quantdades não depende de ζ l, para l, temos que: usando a notação: P j δl(ζ ) δa δl(ζ ) δb δl(ζ ) δc 0, L 1 L 2 L 3, δl( ˆζ ) δa L 11 δ2 l( δa 2 ˆζ ) L 12 δ2 l( ˆζ ) δl( ˆζ ) L 21 δ2 l( ˆζ ) L 22 δ2 l( ˆζ ) δb δb a L 13 δ2 l( ˆζ ) δa b δa c L 23 δ2 l( ˆζ ) δb c δl( ˆζ ) L 31 δ2 l( ˆζ ) L 32 δ2 l( ˆζ ) L 33 δ2 l( ˆζ ) δc δc a δc b δb 2 δc 2 e desprezando os restos das aproxmações de Taylor, teremos, em notação matrcal: L 1 L 2 L 3 L 11 L 12 L 13 L 21 L 22 L 23 L 31 L 32 L 33 â ˆb ĉ Resolvendo em ˆζ e usando a relação de recorrênca:. 7

8 â (1) ˆb(1) ĉ (1) â ˆb ĉ L 11 L 12 L 13 L 21 L 22 L 23 L 31 L 32 L 33 1 L 1 L 2 L 3. ˆζ (1) Obtdo, consdera-se esse como um ponto ncal para obtenção de e assm por dante. Para obter cada expressão L k e L kl, notemos que: ˆζ (2) δζ δζ onde: [ ( )] ( ) ( ) ( δ uj P j δpj uj P j δ 2 ) } P j + δζ P j Q j δζ P j Q j δζ δζ [δvj ] ( ) ( δpj δ 2 ) } P j + v j δζ δζ δζ δζ, j1 j1 e v j u j P j P j Q j δv j δζ δ δζ ( ) uj P j 1 (P j Q j ) 2 P j Q j P j Q j ( δpj δζ ) (u j P j ) 1 (P j Q j ) 2 P jq j + (u j P j )(1 2P j )} ( ) 1 (P j Q j ) 2 (u j P j ) 2 δpj δζ ( ) vj 2 δpj. δζ ˆζ (t) ( )} δpj Q j ( δpj δζ ) Dada a estmatva de ζ em t passos, a estmatva t + 1 será dada pelo algortmo de Newton-Raphson por: δζ ˆζ (t+1) ˆζ (t) H( (t) ˆζ ) 1 (t) h( ˆζ ), onde, h é a função escore, que já cálculamos acma para obtenção das equações de estmação, sendo dada por: 8

9 h j D(1 c )(θ j b ) Da (1 c ) ( P j ) 1, e a matrz Hessana H: H(ζ ) δζ δζ ( Pj Q j ) ( 1 δ 2 ) P j δζ δζ D 2 (1 c )(θ j b ) 2 (1 2P j ).. D(1 c )1 + Da (θ j b )(1 2P j )} D2 a 2 (1 c )(1 2P j ). D(θ j b ) Da 0. As questões abaxo deverão ser responddas a partr dos dados do arquvo LE I.dat, obtdos a partr da aplcação, em um grupo de 346 alunos, de um teste composto de 22 tens de múltpla escolha, com 5 alternatvas de resposta cada. As 8 prmeras colunas contém a dentfcação do aluno e as 22 colunas restantes as suas respostas. O gabarto do teste está no arquvo Gabarto.doc. 4. Realze uma análse, utlzando o programa BILOG, de cada um dos tens e do teste como um todo, segundo a TRI com o modelo de 3 parâmetros. Com o programa abaxo no BILOG, fazemos a análse desejada. 1 Ex. 4 - Lsta 2 - MAE Teora da Resposta ao Item 2 Prova com 22 quest~oes de 5 alternatvas respondentes 3 4 >COMMENTS 5 6 Prova composta de 22 quest~oes com 5 alternatvas 7 8 >GLOBAL NPArm3, LOGstc, 9 DFName LEI.dat, 10 KFName LEI.dat, 11 SAVe; 12 >SAVe PARm LEI.par, 13 GRAph LEI.plt, 14 SCOre LEI.sco ; 15 >LENGTH NITems 22; 16 >INPUT NTOtal22, SAMple346, NALt5, NIDch8; 17 (8A1,22A1) 18 >TEST TNAme ExempTRI, 19 ITEms(1(1)22), 20 INAmes( 01, 02, 03, 04, 05, 06, 9

10 21 07, 08, 09, 10, 11, 12, 22 13, 14, 15, 16, 17, 18, 23 19, 20, 21, 22 ); 24 >CALIB NOSprors, NOGpror, NQPT 10, IDIst0, 25 CYCles50, NEWton20, RIDge0; 26 >SCORE METHOD1, INFo 2, NOPRINT; Observando a saída da Fase 1 (Análse Clássca), vemos que a maora dos tens não mostra nenhuma dscrepânca evdente, a menos do tem 12, que obteve a segunte saída: NUMBER NUMBER ITEM*TEST CORRELATION ITEM NAME TRIED RIGHT PERCENT LOGIT PEARSON BISERIAL , que está de acordo com a análse clássca feta na Lsta 1. Na Fase 2, notamos que houve convergênca nos passos teratvos com o crtéro utlzado (0.01) apenas no últmo passo (vgésmo). Observando as estmatvas dos parâmetros, por tem, notamos que de modo geral os tens apresentaram bom desepenho, com o parâmetro de dfculdade b cobrndo bem a escala de -1 a 1, e estmatvas dos erros padrões razoavelmente baxas. Os valores das estmatva dos parâmetros de dscrmnação a também se apresentaram em geral razoáves, maores que 1. Novamente alguns tens chamaram a atenção nessa etapa da análse. O tem 12 (que hava apresentado correlação bseral negatva e índce de dscrmnação 0 na análse clássca) não teve estmatva para o parâmetro b, e a estmatva do índce de dscrmnação a fo de 0. A estatístca ququadrado de ajuste também fo bem alta (23 com 4 graus de lberdade), resultado em um p-valor de menos de 1 por 10 ml. Outros tens que chamaram a atenção foram o 6 e o 17. O 6 teve um índce de dscrmnação a razoavelmente que 1 (0.745) e um erro padrão bem alto para a estmatva de b (2.450). O tem 17 teve um índce de dscrmnação muto baxo, próxmo de 0 (0.286) e uma estmatva do erro padrã para o índce de dfculdade b de (mas de 11 desvos padrões na escala (0,1) consderada). Fora esses 3 tens o desempenho do teste aparentou ser razoável. Devdo aos problemas obtdos com os tens na segunda fase, não consderaramos a saída da tercera fase para análse nesse caso, já que as estmatvas das profcêncas não serão tão boas. Devdo ao problema na estmatva dos parâmetros do tem 12, o BILOG não gera os gráfcos e para a saída da Fase 3 no tem 11 - o que mostra a nfluênca que tens que não aderem ao modelo podem ter no ajuste global. 10

11 5. Refaça a análse, após a elmnação de tens que você julgou não terem funconando bem. Compare os resultados obtdos com aqueles do exercíco anteror. Com o programa abaxo no BILOG, rodamos a análse trando os tens 6, 12 e Ex. 4 - Lsta 2 - MAE Teora da Resposta ao Item 2 Prova com 22 quest~oes de 5 alternatvas respondentes 3 4 >COMMENTS 5 6 Prova composta de 22 quest~oes com 5 alternatvas 7 8 >GLOBAL NPArm3, LOGstc, 9 DFName LEI.dat, 10 KFName LEI.dat, 11 SAVe; 12 >SAVe PARm LEI.par, 13 GRAph LEI.plt, 14 SCOre LEI.sco ; 15 >LENGTH NITems 19; 16 >INPUT NTOtal22, SAMple346, NALt5, NIDch8; 17 (8A1,22A1) 18 >TEST TNAme ExempTRI, 19 ITEms(1,2,3,4,5,7,8,9,10,11,13,15,16,18,19,20,21,22), 20 INAmes( 01, 02, 03, 04, 05, 21 07, 08, 09, 10, 11, 22 13, 14, 15, 16, 18, 23 19, 20, 21, 22 ); 24 >CALIB NOSprors, NOGpror, NQPT 10, IDIst0, 25 CYCles50, NEWton20, RIDge0; 26 >SCORE METHOD1, INFo 2, NOPRINT; Novamente não houve convergênca pelo crtéro desejado até o cclo mposto, o que ndca que as estmatvas dos parâmetros não são necessaramente ótmas. Em geral novamente o resultado do teste fo razoável, com o parâmetro de dfculdade b cobrndo a escala (0,1) e o parâmetro de dscrmnação a maor que 1 para todos os tens. Olhamos então para a estmatva das profcêncas, na Fase 3. Temos na Fgura 2 o Hstograma das profcêncas estmadas, com a lnha azul representando a estmatva da densdade pelo método do kernel. A méda fo de e o desvo padrão 1.596, próxmos do esperado pela dstrbução Normal padrão assumda para a população de traços latentes. 11

12 Hstogram of escores Densty escores Fgura 2: Hstograma das profcêncas estmadas Sobre A versão eletrônca desse arquvo pode ser obtda em net Copyrght (c) Fernando Henrque Ferraz Perera da Rosa. É dada permss~ao para copar, dstrbur e/ou modfcar este documento sob os termos da Lcença de Documentaç~ao Lvre GNU (GFDL), vers~ao 1.2, publcada pela Free Software Foundaton; Uma cópa da lcença em está nclusa na seç~ao nttulada "Sobre / Lcença de Uso". 12

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

IND 1115 Inferência Estatística Aula 9

IND 1115 Inferência Estatística Aula 9 Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca

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

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

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

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

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

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

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

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

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

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

MAE5778 - Teoria da Resposta ao Item

MAE5778 - Teoria da Resposta ao Item MAE5778 - Teoria da Resposta ao Item Fernando Henrique Ferraz Pereira da Rosa Robson Lunardi 11 de janeiro de 2005 Lista 1 1. Realize uma análise, utilizando o programa ITEMAN, de cada um dos itens e do

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

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

Universidade Federal do Rio de Janeiro. Escola Politécnica. Departamento de Eletrônica e de Computação

Universidade Federal do Rio de Janeiro. Escola Politécnica. Departamento de Eletrônica e de Computação Unversdade Federal do Ro de Janero Escola oltécnca Departamento de Eletrônca e de Computação CALIBRAÇÃO E RELANEJMENTO DE TAREFAS ARA UM ROBÔ INDUSTRIAL EM AMBIENTES HOSTIS Autor: Orentador: Coorentador:

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

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

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

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

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

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

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu

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

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

CAPÍTULO 1 Exercícios Propostos

CAPÍTULO 1 Exercícios Propostos CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,

Leia mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF) PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra

Leia mais

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução Controle de qualdade de produto cartográfco aplcado a magem de alta resolução Nathála de Alcântara Rodrgues Alves¹ Mara Emanuella Frmno Barbosa¹ Sydney de Olvera Das¹ ¹ Insttuto Federal de Educação Cênca

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

Estimativa dos fluxos turbulentos de calor sensível, calor latente e CO 2, sobre cana-de-açúcar, pelo método do coespectro.

Estimativa dos fluxos turbulentos de calor sensível, calor latente e CO 2, sobre cana-de-açúcar, pelo método do coespectro. Estmatva dos fluxos turbulentos de calor sensível, calor latente e CO 2, sobre cana-de-açúcar, pelo método do coespectro. O. L. L. Moraes 1, H. R. da Rocha 2, M. A. Faus da Slva Das 2, O Cabral 3 1 Departamento

Leia mais

SOFTWARE PARA CÁLCULO DO ÍNDICE DE SEVERIDADE DE SECA DE PALMER

SOFTWARE PARA CÁLCULO DO ÍNDICE DE SEVERIDADE DE SECA DE PALMER SOFTWARE PARA CÁLCULO DO ÍNDICE DE SEVERIDADE DE SECA DE PALMER Rodrgo Cézar Lmera 1, Pedro Vera de Azevedo 2, Wagner de Aragão Bezerra 3, Josefa Morgana Vturno de Almeda 3 RESUMO: A modelagem consttu-se

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

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

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

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

Geração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3

Geração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 Geração de poses de faces utlzando Actve Appearance Model Tupã Negreros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 1, 2, 3 Escola Poltécnca da Unversdade de São Paulo (POLI/USP) Caxa Postal 61548 CEP 05508-900

Leia mais

MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS

MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-5142 MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS Ângelo Márco Olvera Sant Anna* Carla Schwengber ten Caten Programa de Pós-graduação

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

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2 Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer

Leia mais

ASSOCIAÇÃO DE RESISTORES

ASSOCIAÇÃO DE RESISTORES Prof(a) Stela Mara de arvalho Fernandes SSOIÇÃO DE ESISTOES ssocação de esstores em Sére Dos ou mas resstores estão assocados em sére quando são percorrdos pela mesma corrente elétrca. omo U D Somando

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

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

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

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

ANEXO II METODOLOGIA E CÁLCULO DO FATOR X

ANEXO II METODOLOGIA E CÁLCULO DO FATOR X ANEXO II Nota Técnca nº 256/2009-SRE/ANEEL Brasíla, 29 de julho de 2009 METODOLOGIA E ÁLULO DO FATOR X ANEXO II Nota Técnca n o 256/2009 SRE/ANEEL Em 29 de julho de 2009. Processo nº 48500.004295/2006-48

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

ANÁLISE ESTATÍSTICA DE CORRELAÇÕES PVT DE PETRÓLEOS

ANÁLISE ESTATÍSTICA DE CORRELAÇÕES PVT DE PETRÓLEOS UNIVERSIDADE FEDERAL DO ESÍRITO SANTO CENTRO TECNOLÓGICO ROGRAMA DE ÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA GARBEN BRAVIM GOMES ANÁLISE ESTATÍSTICA DE CORRELAÇÕES VT DE ETRÓLEOS VITÓRIA 8 GARBEN BRAVIM GOMES

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

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

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

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

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da

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

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

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ ANÁISE MATRICIA DE ESTRUTURAS DE BARRAS PEO MÉTODO DE RIGIDEZ A análse matrcal de estruturas pelo método de rgdez compreende o estudo de cnco modelos estruturas báscos: trelça plana, trelça espacal, pórtco

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

Fernando Henrique Ferraz Pereira da Rosa Vagner Aparecido Pedro Júnior 7 de novembro de 2005

Fernando Henrique Ferraz Pereira da Rosa Vagner Aparecido Pedro Júnior 7 de novembro de 2005 MAE514 - Introdução à Análise de Sobrevivência e Aplicações Fernando Henrique Ferraz Pereira da Rosa Vagner Aparecido Pedro Júnior 7 de novembro de 2005 Lista 4 1. Considere um estudo hipotético com duração

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

SEQÜENCIAMENTO DE TAREFAS COM MÁQUINAS PARALELAS, PERMITINDO ATRASOS E COM TEMPOS DE PREPARAÇÃO DE MÁQUINA DEPENDENTES DA SEQÜÊNCIA.

SEQÜENCIAMENTO DE TAREFAS COM MÁQUINAS PARALELAS, PERMITINDO ATRASOS E COM TEMPOS DE PREPARAÇÃO DE MÁQUINA DEPENDENTES DA SEQÜÊNCIA. A pesqusa Operaconal e os Recursos Renováves a 7 de novembro de, Natal-RN SEQÜENCIAMENTO DE TAREFAS COM MÁQUINAS PARALELAS, PERMITINDO ATRASOS E COM TEMPOS DE PREPARAÇÃO DE MÁQUINA DEPENDENTES DA SEQÜÊNCIA.

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

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

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

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

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

TRANSFERÊNCIA DE CALOR NA ENVOLVENTE DA EDIFICAÇÃO

TRANSFERÊNCIA DE CALOR NA ENVOLVENTE DA EDIFICAÇÃO UNIVERSIDADE FEDERAL DE SANA CAARINA CENRO ECNOLÓGICO DEPARAMENO DE ENGENHARIA CIVIL PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL RANSFERÊNCIA DE CALOR NA ENVOLVENE DA EDIFICAÇÃO ELABORADO POR: Martn

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

Como aposentadorias e pensões afetam a educação e o trabalho de jovens do domicílio 1

Como aposentadorias e pensões afetam a educação e o trabalho de jovens do domicílio 1 Como aposentadoras e pensões afetam a educação e o trabalo de jovens do domcílo 1 Rodolfo Hoffmann 2 Resumo A questão central é saber como o valor da parcela do rendmento domclar formada por aposentadoras

Leia mais

RESOLUÇÃO DE ESTRUTURAS SUBSAL ATRAVÉS DE MIGRAÇÃO RTM

RESOLUÇÃO DE ESTRUTURAS SUBSAL ATRAVÉS DE MIGRAÇÃO RTM Copyrght 004, Insttuto Braslero de Petróleo e Gás - IBP Este Trabalho Técnco Centífco fo preparado para apresentação no 3 Congresso Braslero de P&D em Petróleo e Gás, a ser realzado no período de a 5 de

Leia mais

Universidade de Lisboa Faculdade de Ciências. Departamento de Estatística e Investigação Operacional

Universidade de Lisboa Faculdade de Ciências. Departamento de Estatística e Investigação Operacional Unversdade de Lsboa Faculdade de Cêncas Departamento de Estatístca e Investgação Operaconal Síndrome Coronáro Agudo: Análse do mpacto das varáves sócodemográfcas, ambentas e clíncas na demora méda entre

Leia mais

SCATTER SEARCH APLICADO AO PROBLEMA DE OTIMIZAÇÃO DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO

SCATTER SEARCH APLICADO AO PROBLEMA DE OTIMIZAÇÃO DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO ! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& SCATTER SEARCH APLICADO AO PROBLEMA DE OTIMIZAÇÃO

Leia mais

Análise de Regressão

Análise de Regressão Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,

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

Estatística Experimental Medicina Veterinária. Faculadade de Ciências Agrárias e Veterinárias. Campus de Jaboticabal SP. Gener Tadeu Pereira

Estatística Experimental Medicina Veterinária. Faculadade de Ciências Agrárias e Veterinárias. Campus de Jaboticabal SP. Gener Tadeu Pereira MATERIAL DIDÁTICO Medcna Veternára Faculadade de Cêncas Agráras e Veternáras Campus de Jabotcabal SP Gener Tadeu Perera º SEMESTRE DE 04 ÍNDICE INTRODUÇÃO AO R AULA ESTATÍSTICA DESCRITIVA 3 º EXERCÍCIO

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

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,

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