Exemplo de Aplicação de Geostatística

Tamanho: px
Começar a partir da página:

Download "Exemplo de Aplicação de Geostatística"

Transcrição

1 Exemplo de Aplicação de Geostatística Projecto Arsénio Universidade do Algarve UCTRA Faro, Dezembro 1998 Luís Miguel Nunes

2 1. Introdução Foi objectivo deste trabalho a avaliação da intensidade da poluição da camada superficial do solo no polo industrial de AAAA, sito em BBBB, entre as coordenadas U.T.M. aa1,aa1, bb1,bb1, e aa2,aa2, bb2,bb2, com o fim de definir a área a recuperar e identificar áreas de risco para a saúde humana, recursos hídricos e ecossistemas. O trabalho foi desenvolvido nos seguintes passos: i) a análise preliminar dos dados, que incluiu a análise estatística básica dos dados originais, e a sua projecção bidimensional; ii) o estudo da dispersão espacial da variável - variografia; iii) a estimação global dos valores médios do poluente, isto é a interpolação dos teores para pequenas áreas do domínio; iv) a estimação local dos teores do poluente arsénio; v) determinação do risco do valor de referência para o solo ser ultrapassado. Cada um dos passos referidos mereceu neste relatório um capítulo próprio. O conhecimento da estrutura de distribuição interna dos dados originais permite conhecer também a distribuição dos dados estimados - igual à dos dados originais; isto tem aplicações evidentes, por exemplo na obtenção de intervalos de confiança dos valores estimados, e no teste da estimação efectuada. Consideraram-se áreas poluídas todas aquelas que ultrapassassem o valor de referência para o teor de arsénio no solo em estudo, estimado em 23 ppm (dada a inexistência de dados específicos sobre o solo em questão utilizou-se o valor médio dos sedimentos de referência do BCR (1994) e NRCC (1994). Este valor passou, a ser considerado como o valor de corte no tratamento posterior dos dados. Os dados originais correspondentes aos teores em As no solo na área industrial de 1600 ha (4000 x 4000 m) foram codificados num sistema ortogonal bidimensional com origem na coordenada U.T.M. aa1,aa1, bb1,bb1, e evolução positiva no sentido norte e este, respectivamente para o eixo de representação das ordenadas e abcissas dum sistema cartesiano. A amostragem foi realizada numa malha regular quadrada com 200 metros de face. 2. Análise preliminar dos dados Nesta fase pretendeu-se identificar a estrutura dos dados originais, nomeadamente a sua distribuição de frequências e existência de valores extremos. Procedeu-se, assim, aos seguintes passos: i) obtenção do histograma; ii) teste de ajustamento à distribuição Normal; tendo este último dado não significativo, realizou-se ainda iii) histograma do logaritmo natural valores originais; teste de ajustamento à distribuição Normal. Os Luís Miguel Nunes

3 tratamentos referidos são descritos com maior pormenor nas alíneas seguintes Parâmetros estatísticos; ajustamento a distribuições teóricas (Normal e LogNormal) A projecção da distribuição de frequências resultou no gráfico da figura 1a. A forma da distribuição de frequências dos valores originais é visivelmente diferente da esperada para uma distribuição Normal. Isto é confirmado por observação da figura 1b Nº de observações Categoria (limite superior) a) Valores normais esperados b) Resíduos Figura 1. a) Histograma dos valores originais - é visível a dissemelhança entre os valores reais e os esperados.; b) projecção dos valores normais esperados contra os resíduos. Testou-se ainda se a variável teria uma distribuição LogNormal. A análise das figuras 2a e 2b poderiam deixar algumas dúvidas, pelo que foi realizado um teste de ajustamento à distribuição Normal dos logaritmos naturais dos valores originais. Os resultados obtidos foram significativos (Qui-quadrado: 505,8, gl: 21 - muito acima do valor tabelado), pelo que se concluiu pelo não seguimento de uma distribuição LogNormal. 2

4 Nº de observações Categoria (limite superior) Valor Normal esperado Figura 2. a) Histograma dos logaritmos dos valores originais.; b) projecção dos valores normais esperados contra os resíduos. Não são conhecidas referências a outras distribuições para casos de contaminação do solo com arsénio, pelo que não foi tentada outra descrição teórica do comportamento dos dados. Alguns parâmetros estatísticos são apresentados nas tabelas I e II. Tabela I. Parâmetros estatísticos dos valores originais. Média 73,4 Mediana 23,0 Int. conf. -95% 59,1 Int. conf. + 95% 87,7 Mínimo 4,0 Máximo 760,0 Quartil inferior 12,0 Quartil superior 29,1 Variância 21149,0 Desvio padrão 145,4 Kurtosis 8,9 Enviesamento 3,0 Tabela II. Parâmetros estatísticos dos logaritmos dos valores originais. Média 3,32 Mediana 3,14 Int. conf. -95% 3,22 Int. conf. + 95% 3,46 Mínimo 1,38 Máximo 6,63 Quartil inferior 2,49 Quartil superior 3,37 Variância 1,34 Desvio padrão 0,06 Kurtosis 1,33 Enviesamento 1,19 3

5 2.2. Projecção dos dados originais A detecção de estruturação nos dados é fundamental a fim de considerar as estruturas detectadas nos modelos matemáticos de inferência. A observação de cartas de isolinhas de concentração pode permitir detectar tendências na distribuição dos teores (e.g., tendência de aumento dos teores em determinada(s) direcção(ões)). Esta tendência pode ser descrita por modelos matemáticos simples (polinómios de diferentes graus) e adicionada ao modelo de variabilidade (γ(h)). O cálculo resultante não se torna demasiado pesado ou demorado já que os coeficientes do polinómio são calculados em simultâneo com os pesos de krigagem (num processo designado por Kriging Universal, em oposição ao Kriging Simples e Ordinário, em que não é considerada tendência - do inglês trend). Os dados originais não parecem apresentar tendência (figuras 3a e 3b, em anexo), pelo que se prossegue com a inferência utilizando kriging ordinário. 3. Dispersão espacial da variável 3.1. Breve revisão teórica O semi-variograma é o parâmetro mais utilizado em geoestatística para quantificar a variabilidade espacial. Este é definido como a variância do incremento [Z(u)- Z(u+h)]. Para uma função aleatória estacionária, u 2γ(h) = Var {Z(u+h) - Z(u)} (1) = C(0) - C(h), com C(h) a covariância estacionária, e C(0) = Var {Z(u)} a variância estacionária. Tradicionalmente o variograma tem sido utilizado em substituição da covariância, isto deve-se à menor exigência imposta pela sua definição - que exige apenas estacionaridade de segunda ordem, i.é, da variância, esta condição é designada de Hipótese intrínseca. Esta menor exigência do modelo de função aleatória tem sido demonstrado não ter consequências na maioria dos casos práticos (Deutsch & Journel, 1992). Na essência, o variograma, substitui a distância Euclidiana, h, pela distância 2γ(h), que é específica do atributo e do local em estudo. A distância dada pelo variograma mede o grau médio de dissimilitude entre um valor não amostrado, z(u), e um valor amostrado vizinho. O semi-variograma tradicional tem a seguinte forma: 4

6 γ( h) N( h) 1 = ( xi yi ) 2N ( h) i= 1 2 (2) Outras formas de variograma podem ser definidas, com utilizações mais específicas, mas que permitem decompor a variabilidade espacial em estruturas mais bem definidas. São exemplos (Deutsch & Journel, 1992) o variograma relativo emparelhado (Pairwise relative variogram, o variograma dos logaritmos, neste caso o variograma é calculado sobre o logaritmo natural (Neperiano) dos valores das amostras; o rodograma, o madograma, e o semi-variograma indicador. Neste último o semi-variograma é calculado sobre uma variável indicatriz construída internamente. Requer a especificação de uma variável contínua e valor de cutoff para criar a transformada indicadora. Para um dado valor de cutoff, cut k e valor amostrado x i, a transformada indicadora ind i é definida por I(u, z) 1,Z(u) z 0,cc (7) Por vezes é mais conveniente definir a variável indicadora como 1 se esta ultrapassar o valor de corte, z; o variograma indicador não é alterado por esta transformação, i.é, γ I = γ J com J = 1 - I. Mais do que uma medida pode ser calculada ao mesmo tempo. Por exemplo, a modelação do variograma tradicional pode ser facilitada por inferência das direcções de anisotropia e das razões das amplitudes através de variogramas mais robustos ou do rodograma. Neste estudo foram utilizados o semi-variograma tradicional e o semivariograma indicador. O primeiro permitiu obter as estimativas dos teores médios e locais em pontos não amostrados; enquanto o segundo foi utilizado, para obter a função de probabilidade acumulada condicional posterior, e com esta a probabilidade do valor de corte (23 ppm As, coincidente com o percentil 50) ser ultrapassado Resultados Os modelos obtidos foram do tipo esférico (esperado no caso do variograma da variável indicatriz, já que o corte foi feito coincidente com a mediana (Carr, 1995)). O modelo esférico teórico é dado pela expressão (8). 5

7 h 3 h h γ( h) = c. Esf = c 15, 0, 5 a 3 a a se h a (8) = c se h a em que c representa a variância à priori - variância dos dados. a) Variável original A distribuição dos valores calculados o ajustamento manual podem ser observados na figura 4a Semi-variograma As Variograma omnidireccional G a m a VALORES TEORICOS VALORES EXPERIMENTAIS Distancia (m) C C A1-800 a).3.27 G a m a C0-.17 C A Distancia (m) b) Figura 4. a) semi-variograma dos valores originais, pontos reais e curva de ajustamento; b) semi-variograma da variável indicatriz, pontos reais e curva de ajustamento Não foi detectada anisotropia a partir dos dados disponíveis, pelo que o modelo de semi-variograma ajustado para as quatro direcções principais é igual. O modelo ficou definido com um efeito de pepita importante (quase 50% da variabilidade não é explicada pelo modelo esférico - veja-se tabela I), indicador de causas de variabilidade com dimensão inferior à dimensão da malha utilizada na amostragem, bem como alguma variabilidade analítica; um modelo esférico com amplitude de 800 m. O modelo resultante é da forma (9): 6

8 γ(h) = ,65 h - 0,017 h 3 h ,0 h 800 (9) Valores estimados (ppm) Y Valores reais (ppm) Regressão 95% conf. = 52, ,28736 * X Correlação: r = 0,53302 Estatísticos: Teor médio das amostras (m a ): 73,394 ppm Teor médio estimado (m e ): 73,670 ppm Erro médio (e m ): 0,276 ppm Erro relativo médio (e m / m a ): 0,376 % Erro relativo quadrático médio: 0,9991 Figura 5. Qualidade do ajustamento do semi-variograma ajustado à variável original; teste do ponto fictício ao semi-variograma utilizado. O modelo ajusta-se bem aos valores calculados: o erro relativo quadrático médio (quociente entre a média dos quadrados dos erros de estimação, e a variância de krigagem) é praticamente igual à unidade, indicando uma boa aproximação do erro de krigagem. b) Variável indicatriz O modelo de semi-variograma ajustado aos dados transformados (figura 4b) reflecte também a isotropia encontrada. Neste caso o efeito de pepita ultrapassa os 68%; e a amplitude ascende a 1300 m. γ(h) = 0,17 + 2,88x10-4 h - 7,4x10-8 h 3 h ,2497 h > 1300 (10) O teste do ponto fictício ao semi-variograma (10) gerou os seguintes resultados: 7

9 Estatísticos: Média das amostras (m a ): 0,470 Média estimada (m e ): 0,471 Erro médio (e m ): 0,0008 Erro relativo médio (e m / m a ): 0,174 % Erro relativo quadrático médio: 1,0479 Também neste caso o modelo utilizado apresentou bom ajustamento. 4. Inferência (kriging) 4.1. Breve revisão teórica Discussão realizada com base em textos de Deutsch & Journel (1992), Isaaks & Srivastava (1989), Journel (1987), e Clark (1979). Em geoestatística a maioria da informação relacionada com um valor não amostrado z(u) provém de amostras vizinhas em locais u α, definidos no atributo z, ou em qualquer outro atributo, e relacionado com z. Assim é importante modelar o grau de correlação ou dependência entre um qualquer número de VAs Z(u), Z(u i ), i= 1..n, e mais genericamente Z(u), Z(u i ), i= 1..n, Y(u j ), j= 1..n. O conceito de Função Aleatória (FA) permite essa modelação e a actualização da função de densidade acumulada na função de densidade acumulada condicional. O paradigma subjacente muitos dos processos de inferência (não apenas a inferência estatística) é a de trocar os replicados inexistentes num local u por outros replicados disponíveis noutros locais no espaço e/ou tempo. Por exemplo, a função de densidade acumulada F(u; z) pode ser inferida a partir da distribuição de amostragem de z-amostras recolhidas noutros locais, u α u, no mesmo campo de amostragem, ou no mesmo local u, mas em diferentes tempos, se estiverem disponíveis séries temporais (Z(u, t)). Esta troca de replicados corresponde à hipótese (na realidade uma decisão) de estacionaridade. A expressão da variância de krigagem depende de três coisas: i) da geometria básica das amostras e da área a estimar; ii) da forma do semivariograma; iii) dos pesos atribuídos a cada amostra. A variância de krigagem (local)pode ser escrita da seguinte forma: σ 2 k = wiγ ( Si, A ) + λ γ ( A, A ) (10) em que o primeiro termo é o semi-variograma entre cada ponto amostrado, S, e cada ponto da área a estimar, A; o segundo termo é o parâmetro de Lagange; o terceiro termo é o semi-variograma entre cada ponto da área e cada ponto da área a estimar. 8

10 Kriging simples n n ZKS * ( u) = λα ( u) Z ( uα ) + 1 λα ( u) m (11) α= 1 α= 1 Os λ α (u) são determinados por forma a minimizar a variância do erro, também designada variância de estimação. Essa minimização resulta num conjunto de equações normais, equivalente ao sistema (12): n λ β u C u β u α = C u u α β= 1 ( ) ( ) ( ) (12) α = 1...n A correspondente variância de estimação, ou variância de krigagem vem n 2 σsk ( u) = C( 0) λ α ( u) C( u u α ) (13) α= 1 O kriging ordinário (KO) é a variante mais comum do algoritmo anterior, onde a soma dos pesos λ α (u) = 1. Isto permite construir um estimador Z * KO(u) que não requer conhecimento da média estacionária, m, à priori. No entanto mantém-se não enviesado no sentido em que E{Z * KO(u) } = E{Z(u)}. O kriging, simples e ordinário, tem servido para fornecer o melhor estimador linear não enviesado de valores não amostrados z(u), em que a variância de krigagem é utilizada para definir intervalos de confiança de tipo Gaussiano, por exemplo: * [ KS KS ] Pr ob{ Z( u) z ( u) ± 2σ ( u) } 0, 95 (14) Infelizmente as variâncias de krigagem do tipo (13) sendo independentes dos valores das amostras fornecem apenas uma ordem de configurações geométricas dos dados alternativas. Assim, as variâncias de krigagem não são normalmente medidas da acurácia da estimação local. Deve ter-se em atenção que os estimadores de krigagem do tipo (11) são os melhores apenas no sentido do menor erro quadrático médio para um dado modelo de covariância/variograma. Minimizar o erro quadrático esperado não é sempre o mais importante critério para um estudo; pode, por exemplo, preferir-se um algoritmo que minimize o impacto (perda) do erro resultante. Esta decisão de análise requer uma distribuição de probabilidade. Para satisfazer esta necessidade apresentam-se duas soluções: Abordagem Multigaussiana; e Kriging Indicador. A abordagem multigaussiana não foi utilizada neste estudo, pelo que não é discutida. 9

11 Krigingagem da Indicatriz Se o valor a ser estimado é o valor esperado (média) de uma distribuição, então a regressão dos mínimos quadrados (MQ), i.é, kriging, é à priori o melhor algoritmo. A razão é a de que o estimador de MQ da variável Z(u) é também o estimador da sua esperança condicionada E{Z(u) (n)}, i.é, da média da função de densidade acumulada condicional. Agora, em vez da variável z(u), considere-se a sua transformada binária indicadora I(u; z) como definido na relação (7). A krigagem da variável aleatória I(u; z) fornece uma estimação que é também a melhor estimação de MQ da expectativa condicional de i(u; z). Mais, a expectativa condicional I(u; z) é ela própria igual à função de densidade acumulada condicional de Z(u), na realidade E{I(u; z) (n)} = 1. Prob {I(u; z) = 1 (n)} + 0. Prob {I(u; z) = 0 (n)} = 1. Prob {Z(u) z (n)} F(u; z (n)) (15) Assim o algoritmo aplicado a dados indicadores (frequências) fornece estimativas MQ da função de densidade acumulada condicional. Note-se que o KI não se destina a estimar valores não amostrados z(u) ou as suas transformadas i(u; z), mas antes a fornecer um modelo de incerteza em torno de z(u). O algoritmo KI diz-se não paramétrico no sentido em que não aborda a função de densidade acumulada condicional através dos seus parâmetros, mas antes os valores da função de densidade acumulada condicional para os vários valores de corte, z, são estimados directamente Resultados e discussão Era objectivo deste estudo a estimação dos valores médios do poluente em subáreas (blocos) do domínio. Consideraram-se subáreas de dimensão 50 x 50 m e 100 x 100 m, para as quais foi estimado o valor médio (apontado no centro de massa). Outro objectivo prendia-se com a estimação dos valores pontuais num reticulado mais apertado que o original, por forma a obter cartas de distribuição de concentrações. Optou-se neste caso por uma malha quadrada regular com 50 metros de lado. Por último foi proposto obter cartas de distribuição da probabilidade do valor de referência ser ultrapassado - auxiliares preciosas de decisão. As projecções da variável transformada foram realizadas numa malha quadrada regular com 50 x 50 m. A apresentação dos resultados segue a ordem utilizada atrás. 10

12 a) Estimação global dos teores médios Blocos 50 x 50 m O valor médio e variância da inferência (kriging) são apresentados na tabela III. Tabela III. Parâmetros estatísticos básicos das estimativas realizadas. Nº de blocos média estimada 2 s k 50 x ,2 7495,5 100 x ,2 7408,7 pontual OK ,3 7578,6 pontual IK ,47 0,20 O valor médio calculado é ligeiramente superior ao dos dados originais (+ 2,56%), o que é justificado pelo ligeiro deslocamento da curva de distribuição de frequências dos valores estimados para a direita (Tabela IV). Tabela IV. Parâmetros estatísticos dos valores médios estimados nos blocos de 50 x 50 m (5776 pontos). Média 75.2 Mediana 40.9 Int. conf. -95% 72.9 Int. conf. + 95% 77.5 Mínimo 6.9 Máximo Quartil inferior 21.4 Quartil superior 90.7 Variância Desvio padrão 86.6 Kurtosis 6.2 Enviesamento 2.4 Comparando os parâmetros estatísticos obtidos nesta estimação com os dos dados originais é visível o maior achatamento da curva (kurtosis), de 8,9 para 6,2, acompanhado de uma maior distância interquartis, e um menor enviesamento, 3,0 para 2,4; os valores extremos aproximaram-se. Como consequência a variância decresceu acentuadamente. A média e a mediana sofreram uma deslocação para a direita, mais acentuada na última, de 73,4 para 75,2, e de 23,0 para 40,9, respectivamente. Esta deslocação fez aproximar o valor da média do da mediana, tornando a distribuição mais simétrica (facto também evidente no parâmetro enviesamento). Os resultados são apresentados na figura 6 em anexo. Blocos 100 x 100 m As observações feitas no caso anterior são válidas também na estimativa dos valores médios nos blocos 100 x 100 m (tabela V). Neste caso a média é 2,48% superior à media das amostras. A variância de krigagem é superior, o que é facilmente explicado se atender à configuração espacial dos dados e à expressão da variância (Journel, 1987): 2 σ = λ γ α γ kv i ( v, u ) ( v, v) (16) 11

13 1 N em que γ( v, uα ) = γ( u i, uα ), isto é o semi-variograma médio entre cada N i = 1 ponto de discretização, u i, e cada ponto de amostragem, u α, e 1 N N γ( v, v) = γ( u i, u j ), isto é o semi-variograma médio entre cada ponto 2 N i = 1 j = 1 de discretização da subárea (no caso N =6). Tabela V. Parâmetros estatísticos dos valores médios estimados nos blocos de 100 x 100 m (1444 pontos) Média 75.2 Mediana 40.9 Int. conf. -95% 70.8 Int. conf. + 95% 79.7 Mínimo 7.8 Máximo Quartil inferior 21.8 Quartil superior 88.9 Variância Desvio padrão 86.1 Kurtosis 6.2 Enviesamento 2.4 Sendo o semi-variograma uma função crescente (entre zero e a amplitude), então os valores utilizados na expressão (16) são maiores no caso dos blocos 100 x 100 m que no caso anterior. A representação gráfica dos resultados é feita na figura 7 em anexo. b) Estimação local dos teores Tabela VI. Parâmetros estatísticos dos valores locais estimados para a malha de 50 x 50 pontos. Média 75.3 Mediana 40.7 Int. conf. -95% 73.1 Int. conf. + 95% 77.6 Mínimo 6.7 Máximo Quartil inferior 21.4 Quartil superior 90.3 Variância Desvio padrão 87.1 Kurtosis 6.2 Enviesamento 2.4 O erro de estimação foi, neste caso, de 2,65%, superior ao obtido em ambos os casos de estimação em blocos (Tabela VI). A dispersão da distribuição e o enviesamento são próximos dos obtidos para a estimação em blocos 50 x 50 m. Este resultado é facilmente explicado se se atender à formulação matemática subjacente ao cálculo. A diferença entre a primeira equação do sistema de krigagem entre a krigagem pontual e a krigagem em bloco reside apenas no segundo termo: na primeira é calculado o semi-variograma médio entre os pontos de amostragem e os pontos a estimar (no caso os vértices dos blocos quadrados de 50 x 50 m); enquanto no segundo é calculado o semi-variograma médio entre os pontos de amostragem e os N (no caso 6) pontos de discretização. A maioria dos pontos dentro do bloco 50 x 50 está mais perto dos vértices - pontos da estimação pontual que dos pontos internos aos blocos 100 x 12

14 100 m. Esta proximidade reflecte-se no valor do variograma, e consequentemente na proximidade dos valores estimados. A projecção dos valores estimados permitiu desenhar as figuras 8 e 9 em anexo. Na figura 10, em anexo, são apresentados os desvios padrão estimados para os valores locais. c) Cartas de risco Os parâmetros estatísticos são apresentados na tabela VII. Tabela VII. Parâmetros estatísticos dos valores locais da variável indicatriz no corte 23 ppm. Malha de 50 x 50 pontos. Média 0.47 Mediana 0.00 Int. conf. -95% 0.42 Int. conf. + 95% 0.52 Mínimo 0.00 Máximo 1.00 Quartil inferior 0.00 Quartil superior 1.00 Variância 0.25 Desvio padrão 0.50 Kurtosis Enviesamento 0.12 A carta de risco, figura 11 em anexo, foi obtida por projecção dos valores estimados a partir da variável indicatriz, e representa a probabilidade do valor de referência para o solo (23 ppm As) ser ultrapassado. Permite definir a área a recuperar com base num qualquer nível de corte. Razões essencialmente económicas podem estabelecer como limite mínimo do risco o patamar dos 80%, isto é, garantindo que a área a recuperar está realmente contaminada. Se é previsível risco para a saúde pública ou contaminação das águas subterrâneas, então o patamar de risco deve ser descido para os, p.e., 10 ou 15 % - isto é, procurar garantir que a recuperação se faz em toda a área contaminada, com 85 a 90% de certeza. 13

15 5. Referências BCR (1994). Reference Materials. Committee Bureau of Reference. Bruxels. Carr, J.R. (1995). Numerical Analysis for the Geological Sciences. Prentice Hall, New Jersey. 592pp. Clark, I. (1979). Practical Geostastistics. Applied Science Pubs Ltd, London, 129 pp. Deutsch, C. V. & Journel, A. G. (1992). GSLIB: Geostatistical Software Library and User s Guide. Version Oxford University Press, New York. 314pp. Isaaks, E.H. & Srivastava, R.M. (1989). Applied Geostatistics. Oxford University Press, New York. 559 pp. Journel, A.G. (1987). Geostatistics for the Environmental Sciences. An Introduction. Project Nº CR George T. Flatman Exposure Assessment Research Division /EPA. Env. Monitoring Systems Lab. Las Vegas. NRCC (1994). Marine Reference Materials Standards. Marine Analytical Chemistry Standard Program. National Research Council Canada. Institute for Marine Biosciences & Institute for Environmental Chemistry. 14

16 Figuras 15

17 Índice 1. INTRODUÇÃO ANÁLISE PRELIMINAR DOS DADOS PARÂMETROS ESTATÍSTICOS; AJUSTAMENTO A DISTRIBUIÇÕES TEÓRICAS (NORMAL E LOGNORMAL) PROJECÇÃO DOS DADOS ORIGINAIS DISPERSÃO ESPACIAL DA VARIÁVEL BREVE REVISÃO TEÓRICA RESULTADOS... 5 a) Variável original...6 b) Variável indicatriz INFERÊNCIA (KRIGING) BREVE REVISÃO TEÓRICA RESULTADOS E DISCUSSÃO a) Estimação global dos teores médios...11 b) Estimação local dos teores...12 c) Cartas de risco REFERÊNCIAS...14 FIGURAS

PROBABILIDADES E PROBABILIDADES CONDICIONAIS EM HIDROGEOLOGIA. Luís RIBEIRO 1

PROBABILIDADES E PROBABILIDADES CONDICIONAIS EM HIDROGEOLOGIA. Luís RIBEIRO 1 PROBABILIDADES E PROBABILIDADES CONDICIONAIS EM HIDROGEOLOGIA Luís RIBEIRO 1 RESUMO Nos problemas de poluição de águas subterrâneas, interessa mais a detecção dos valores anormais e o estudo da sua conectividade

Leia mais

Modelação espacial da temperatura na ilha de Santiago, Cabo Verde, com o GeoStatistical Analyst

Modelação espacial da temperatura na ilha de Santiago, Cabo Verde, com o GeoStatistical Analyst volume 2 número 3 p - Modelação espacial da temperatura na ilha de Santiago, Cabo Verde, com o GeoStatistical Analyst Amândio Furtado 1 João Negreiros 2 A utilização dos métodos de interpolação espacial

Leia mais

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)

P. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem) Considerações Iniciais É impossível saber, antes de amostrar, de que maneira os valores das variáveis irão se comportar: se dependente ou independente uma da outra. Devido as limitações da estatística

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

Modelação espacial da precipitação da fachada oriental da Ilha de Santiago.

Modelação espacial da precipitação da fachada oriental da Ilha de Santiago. Modelação espacial da precipitação da fachada oriental da Ilha de Santiago. M. Carmo Nunes 1, Fernando L. Costa 1 e A. Jorge Sousa 2 1 Instituto de Investigação Científica Tropical (IICT) Trav. Conde da

Leia mais

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A.

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A. IMES Catanduva Probabilidades e Estatística Estatística no Excel Matemática Bertolo, L.A. Aplicada Versão BETA Maio 2010 Bertolo Estatística Aplicada no Excel Capítulo 3 Dados Bivariados São pares de valores

Leia mais

3. Características amostrais. Medidas de localização e dispersão

3. Características amostrais. Medidas de localização e dispersão Estatística Descritiva com Excel Complementos. 77 3. Características amostrais. Medidas de localização e dispersão 3.1- Introdução No módulo de Estatística foram apresentadas as medidas ou estatísticas

Leia mais

INTRODUÇÃO À ANÁLISE VARIOGRÁFICA COM O VARIOWIN

INTRODUÇÃO À ANÁLISE VARIOGRÁFICA COM O VARIOWIN INTRODUÇÃO À ANÁLISE VARIOGRÁFICA COM O VARIOWIN PAULO M. BARBOSA LANDIM Professor Emérito da Universidade Estadual Paulista Professor Voluntário do Depto. Geologia Aplicada UNESP/Rio Claro UNESP/campus

Leia mais

VARIABILIDADE ESPACIAL DE ATRIBUTOS FÍSICOS EM SOLOS SOB PLANTIO DIRETO. Bolsista PBIC/UEG, graduando do Curso de Engenharia Agrícola, UnU Cet - UEG.

VARIABILIDADE ESPACIAL DE ATRIBUTOS FÍSICOS EM SOLOS SOB PLANTIO DIRETO. Bolsista PBIC/UEG, graduando do Curso de Engenharia Agrícola, UnU Cet - UEG. VARIABILIDADE ESPACIAL DE ATRIBUTOS FÍSICOS EM SOLOS SOB PLANTIO DIRETO Ródney Ferreira Couto 1 ; Cássio Rodrigues Moreira 1 ; Elton Fialho dos Reis 2 1 Bolsista PBIC/UEG, graduando do Curso de Engenharia

Leia mais

Métodos computacionais

Métodos computacionais Métodos computacionais Métodos Computacionais: Dependem de computadores para o cálculo de recurso/reserva e fazem uso de funções matemática de interpolação, as quais são aplicadas para o cálculo de teor

Leia mais

Geoestatística Análise de dados em outro software Gamma Design GS+

Geoestatística Análise de dados em outro software Gamma Design GS+ Escola Superior de Agricultura Luiz de Queiroz Pós-graduação em Estatística e Experimentação Agronômica Aluno (a): Adriele Giaretta Biase Nº USP: 7039913 Tiago Viana Flor de Santana Nº USP: 6291278 Geoestatística

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

UNIVERSIDADE DE SÃO PAULO EXPERIMENTAÇÃO AGRONÔMICA. Tutorial. Disciplina: Geoestatística

UNIVERSIDADE DE SÃO PAULO EXPERIMENTAÇÃO AGRONÔMICA. Tutorial. Disciplina: Geoestatística UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ PROGRAMA DE PÓS-GRADUAÇÃO EM ESTATÍSTICA E EXPERIMENTAÇÃO AGRONÔMICA. Tutorial Disciplina: Geoestatística Professor: Dr. Paulo Justiano

Leia mais

ESTIMAÇÃO - Inferência estatística. Variografia e Krigagem

ESTIMAÇÃO - Inferência estatística. Variografia e Krigagem ESTIMAÇÃO - Inferência estatística Variografia e Krigagem Luís Miguel Nunes Faro, Dezembro de 998 Luís Miguel Nunes Faro, Dezembro 998 ÍNDICE. Introdução.... Ponderadores iguais - média aritmética... 6

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

Módulo 13. Regulação em reprodutores contínuos: a eq. logística

Módulo 13. Regulação em reprodutores contínuos: a eq. logística Módulo 13. Regulação em reprodutores contínuos: a eq. logística Objectivos Suponhamos que se dispõe de observações da densidade populacional ( 1, 2, 3,...) duma população de reprodutores contínuos, na

Leia mais

Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo

Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo Plano Curricular de Matemática 9º ano - 2014 /2015-3º Ciclo Tema/Subtema Conteúdos Metas Nº de Aulas Previstas Org.Trat.Dados / Planeamento Estatístico Especificação do problema Recolha de dados População

Leia mais

Modelagem dos limites geológicos suaves

Modelagem dos limites geológicos suaves Modelagem dos limites geológicos suaves Introdução 7/2013 Antes de poder começar com o planejamento detalhado de uma mina, é necessário realizar uma minuciosa avaliação do recurso mineral. A avaliação

Leia mais

Faturamento de Restaurantes

Faturamento de Restaurantes Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2015 1 / 28

Leia mais

Escola Secundária Gabriel Pereira Évora Matemática A 10º ano. Planificação da Unidade Geometria

Escola Secundária Gabriel Pereira Évora Matemática A 10º ano. Planificação da Unidade Geometria Escola Secundária Gabriel Pereira Évora Matemática A 10º ano Planificação da Unidade Geometria 1. Generalidades Objecto da estatística e breve nota histórica sobre a evolução desta ciência; utilidade na

Leia mais

UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA NÚCLEO DE ESTUDOS ESTATÍSTICOS E BIOMÉTRICOS GEOESTATÍSTICA BÁSICA E APLICADA

UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA NÚCLEO DE ESTUDOS ESTATÍSTICOS E BIOMÉTRICOS GEOESTATÍSTICA BÁSICA E APLICADA UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA NÚCLEO DE ESTUDOS ESTATÍSTICOS E BIOMÉTRICOS GEOESTATÍSTICA BÁSICA E APLICADA EDNALDO CARVALHO GUIMARÃES Fevereiro - 4 Uberlândia - MG SUMÁRIO.

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

Análise da mortalidade em Portugal.

Análise da mortalidade em Portugal. Análise da mortalidade em Portugal. Paulo Canas Rodrigues; João Tiago Mexia (E-mails: paulocanas@fct.unl.pt; jtm@fct.unl.pt) Resumo Neste trabalho apresentam-se tabelas de mortalidade para a população

Leia mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio Tadeu Cristino 1. Julho, 2014 Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino

Leia mais

Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana

Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana Estudo de sobrevivência de insetos pragas através da distribuição de Weibull: uma abordagem bayesiana Leandro Alves Pereira - FAMAT, UFU Rogerio de Melo Costa Pinto - FAMAT, UFU 2 Resumo: Os insetos-pragas

Leia mais

1. Registou-se o número de assoalhadas da população de 100 apartamentos vendidos num bairro residencial

1. Registou-se o número de assoalhadas da população de 100 apartamentos vendidos num bairro residencial Escola Superior de Tecnologia de Viseu Fundamentos de Estatística 2010/2011 Ficha nº 1 1. Registou-se o número de assoalhadas da população de 100 apartamentos vendidos num bairro residencial 0; 0; 0; 1;

Leia mais

Avaliação da contaminação potencial de As numa zona de minas abandonadas uma abordagem geoestatística

Avaliação da contaminação potencial de As numa zona de minas abandonadas uma abordagem geoestatística Avaliação da contaminação potencial de As numa zona de minas abandonadas uma abordagem geoestatística ALBUQUERQUE, MTD & ANTUNES, IMHR Polytechnic Institute of Castelo Branco Castelo Branco, Portugal.

Leia mais

Métodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF)

Métodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF) Métodos Estatísticos II 1 o. Semestre de 010 ExercíciosProgramados1e VersãoparaoTutor Profa. Ana Maria Farias (UFF) Esses exercícios abrangem a matéria das primeiras semanas de aula (Aula 1) Os alunos

Leia mais

ANÁLISE GRÁFICA DOS RESULTADOS EXPERIMENTAIS

ANÁLISE GRÁFICA DOS RESULTADOS EXPERIMENTAIS ANÁLISE GRÁFICA DOS RESULTADOS EXPERIMENTAIS Após a realização de um experimento, deseja-se estabelecer a função matemática que relaciona as variáveis do fenómeno físico estudado. Nos nossos experimentos

Leia mais

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia EXCEL 2013 Este curso traz a vocês o que há de melhor na versão 2013 do Excel, apresentando seu ambiente de trabalho, formas de formatação de planilhas, utilização de fórmulas e funções e a criação e formatação

Leia mais

1 LCE - ESALQ/USP. e-mail: iabita.fabiana@gmail.com 2 Agradecimento a CAPES e ao Cnpq pelo apoio financeiro. 3 UFPR. 4 Embrapa Meio-Norte.

1 LCE - ESALQ/USP. e-mail: iabita.fabiana@gmail.com 2 Agradecimento a CAPES e ao Cnpq pelo apoio financeiro. 3 UFPR. 4 Embrapa Meio-Norte. Variabilidade espacial de parâmetros físico-químicos de condutividade elétrica e dureza total em cálcio e magnésio da água de poços subterrâneos do semi-árido piauiense Iábita Fabiana de Sousa 1 2 Valiana

Leia mais

O modelo ANOVA a dois factores, hierarquizados

O modelo ANOVA a dois factores, hierarquizados O modelo ANOVA a dois factores, hierarquizados Juntando os pressupostos necessários à inferência, Modelo ANOVA a dois factores, hierarquizados Seja A o Factor dominante e B o Factor subordinado. Existem

Leia mais

TESTE INTERMÉDIO DE MATEMÁTICA B 10.º ANO RESOLUÇÃO

TESTE INTERMÉDIO DE MATEMÁTICA B 10.º ANO RESOLUÇÃO TESTE INTERMÉDIO DE MATEMÁTICA B 10.º ANO RESOLUÇÃO GRUPO I 1. Apresentamos dois exemplos de resposta. 1.º Exemplo: O hexágono regular [ABCDEF] está dividido em seis triângulos equiláteros, geometricamente

Leia mais

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução a Analise Química - II sem/2012 Profa Ma Auxiliadora - 1 Introdução à Análise Química QUI 094 1 semestre 2012 Profa. Maria Auxiliadora Costa Matos ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução

Leia mais

Correlação e Regressão

Correlação e Regressão Correlação e Regressão Análise de dados. Tópico Prof. Dr. Ricardo Primi & Prof. Dr. Fabian Javier Marin Rueda Adaptado de Gregory J. Meyer, University of Toledo, USA; Apresentação na Universidade e São

Leia mais

Questões de Exames Passados. 1. Considere o polígono integral das distribuições a seguir e responda as perguntas abaixo. F(x) C D

Questões de Exames Passados. 1. Considere o polígono integral das distribuições a seguir e responda as perguntas abaixo. F(x) C D Faculdade de Economia, Universidade Nova de Lisboa Tratamento de Dados André C. Silva Questões de Exames Passados 1. Considere o polígono integral das distribuições a seguir e responda as perguntas abaixo.

Leia mais

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior Gestão de TI Evanivaldo Castro Silva Júnior Porque estudar Estatística em um curso de Gestão de TI? TI trabalha com dados Geralmente grandes bases de dados Com grande variabilidade Difícil manipulação,

Leia mais

Exercício 4... 78 Exercício 5... 79 Bibliografia... 80

Exercício 4... 78 Exercício 5... 79 Bibliografia... 80 numist Modelação e Estimação Pedro Correia Uma introdução à geoestatística 2010 Índice Resumo Introdutório... 4 Caracterização da Dispersão Espacial... 4 Método Computacional de Cálculo... 6 Variografia...

Leia mais

CURRÍCULO DE MATEMÁTICA PARA O ENSINO MÉDIO COM BASE NOS PARÂMETROS CURRICULARES DO ESTADO DE PERNAMBUCO

CURRÍCULO DE MATEMÁTICA PARA O ENSINO MÉDIO COM BASE NOS PARÂMETROS CURRICULARES DO ESTADO DE PERNAMBUCO CURRÍCULO DE MATEMÁTICA PARA O ENSINO MÉDIO COM BASE NOS PARÂMETROS CURRICULARES DO ESTADO DE PERNAMBUCO GOVERNADOR DE PERNAMBUCO Eduardo Campos VICE-GOVERNADOR João Lyra Neto SECRETÁRIO DE EDUCAÇÃO Ricardo

Leia mais

Medidas de dispersão: os valores estão próximos entre si ou variam muito?

Medidas de dispersão: os valores estão próximos entre si ou variam muito? NOTAS DE EPIDEMIOLOGIA E ESTATÍSTICA Medidas de dispersão: os valores estão próximos entre si ou variam muito? Measures of dispersion: are all values close to each other or do they vary a lot? JOÃO LUIZ

Leia mais

1ª Actividade Formativa

1ª Actividade Formativa 1ª Actividade Formativa 1. Foi feito um inquérito a um grupo de 40 compradores de carros novos, de determinada marca, para determinar quantas reparações ou substituições de peças foram feitas durante o

Leia mais

CURSO ONLINE REGULAR ESTATÍSTICA BÁSICA PROF. SÉRGIO CARVALHO AULA 13 RELAÇÃO DOS EXERCÍCIOS FINAIS

CURSO ONLINE REGULAR ESTATÍSTICA BÁSICA PROF. SÉRGIO CARVALHO AULA 13 RELAÇÃO DOS EXERCÍCIOS FINAIS Olá, amigos! AULA 13 RELAÇÃO DOS EXERCÍCIOS FINAIS Ainda não é chegada nossa aula derradeira! Sei que muitos estão chateados e com toda a razão do mundo pelo atraso destas últimas aulas. Noutra ocasião

Leia mais

Revisão: Noções básicas de estatística aplicada a avaliações de imóveis

Revisão: Noções básicas de estatística aplicada a avaliações de imóveis Curso de Avaliações Prof. Carlos Aurélio Nadal cnadal@ufpr.br 1 AULA 03 Revisão: Noções básicas de estatística aplicada a avaliações de imóveis 2 OBSERVAÇÃO: é o valor obtido durante um processo de medição.

Leia mais

O uso da geoestatística na caracterização de áreas com instabilidade no Município de Campos dos Goytacazes - RJ

O uso da geoestatística na caracterização de áreas com instabilidade no Município de Campos dos Goytacazes - RJ O uso da geoestatística na caracterização de áreas com instabilidade no Município de Campos dos Goytacazes - RJ Farias, R.N.S Pontifícia Universidade Católica, Rio de Janeiro, Brasil, nonato@rdc.puc-rio.br

Leia mais

Figura 4-1 Fluxo da modelagem (modificado a partir de S. Houlding, 1994).

Figura 4-1 Fluxo da modelagem (modificado a partir de S. Houlding, 1994). 73 4. MODELAGEM A metodologia da modelagem geológica e geotécnica é uma modificação da metodologia de Houlding (1994), e esta dividida em modelagem geométrica e modelagem numérica. A modelagem geométrica

Leia mais

Anais XI SBSR, Belo Horizonte, Brasil, 05-10 abril 2003, INPE, p. 839-846. 1. INTRODUÇÃO

Anais XI SBSR, Belo Horizonte, Brasil, 05-10 abril 2003, INPE, p. 839-846. 1. INTRODUÇÃO Anais XI SBSR, Belo Horizonte, Brasil, 05-10 abril 2003, INPE, p. 839-846. USO DA IMAGEM SPOT NO AUXILIO DO ESTUDO GEOESTATÍSTICO PARA CARACTERIZAÇÃO DO SUBSOLO DO MUNICIPIO DE CAMPOS DOS GOYTACAZES RAIMUNDO

Leia mais

AVALIAÇÃO DO MODELO DE ONDAS

AVALIAÇÃO DO MODELO DE ONDAS AVALIAÇÃO DO MODELO DE ONDAS O modelo de onda WAVEWATCH implementado operacionalmente no CP- TEC/INPE global é validado diariamente com os dados do satélite JASON-2. Este novo produto tem como finalidade

Leia mais

MODELAGEM DIGITAL DE SUPERFÍCIES

MODELAGEM DIGITAL DE SUPERFÍCIES MODELAGEM DIGITAL DE SUPERFÍCIES Prof. Luciene Delazari Grupo de Pesquisa em Cartografia e SIG da UFPR SIG 2012 Introdução Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais

Leia mais

Modelagem de Processos Espaço-temporais

Modelagem de Processos Espaço-temporais Universidade Federal do Rio de Janeiro Instituto de Matemática Modelagem de Processos Espaço-temporais Marina Silva Paez (marina@im.ufrj.br) April 30, 2009 Trabalho realizado em colaboração com: Dani Gamerman

Leia mais

Aspectos técnicos relacionados à

Aspectos técnicos relacionados à II Workshop de Acreditação de Produtores de Materiais de Referência e de Provedores de Ensaios de Proficiência Aspectos técnicos relacionados à norma ISO 13528:2005 Roberto Gonçalves Junqueira Professor

Leia mais

DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500. Planificação Anual /Critérios de avaliação

DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500. Planificação Anual /Critérios de avaliação AGRUPAMENTO DE ESCOLAS ANSELMO DE ANDRADE DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 500 Planificação Anual /Critérios de avaliação Disciplina: Matemática A 10º ano 2014/2015 Início Fim

Leia mais

Distribuição de Freqüência

Distribuição de Freqüência Distribuição de Freqüência Representação do conjunto de dados Distribuições de freqüência Freqüência relativa Freqüência acumulada Representação Gráfica Histogramas Organização dos dados Os métodos utilizados

Leia mais

Métodos Matemáticos para Gestão da Informação

Métodos Matemáticos para Gestão da Informação Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análise Exploratória de Dados Profª Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Programa de Pós-graduação em Saúde Coletiva email: alcione.miranda@gmail.com Introdução O primeiro passo

Leia mais

Slides de Estatística Descritiva na HP-12C 01/10/2009 ESTATÍSTICAS. Na HP-12C. 01/10/2009 Bertolo 2. O que é Estatística?

Slides de Estatística Descritiva na HP-12C 01/10/2009 ESTATÍSTICAS. Na HP-12C. 01/10/2009 Bertolo 2. O que é Estatística? ESTATÍSTICAS Na HP-12C 01/10/2009 Bertolo 1 O que é Estatística? A estatística pode ser entendida como um conjunto de ferramentas envolvidas no estudo de métodos e procedimentos usados para 1. colecionar,

Leia mais

A UTILIZAÇÃO DE MODELOS MATEMÁTICOS PARA A ESTIMAÇÃO DA PROCURA DE TRANSPORTES. José M. Viegas (Março 2000)

A UTILIZAÇÃO DE MODELOS MATEMÁTICOS PARA A ESTIMAÇÃO DA PROCURA DE TRANSPORTES. José M. Viegas (Março 2000) A UTILIZAÇÃO DE MODELOS MATEMÁTICOS PARA A ESTIMAÇÃO DA PROCURA DE TRANSPORTES José M. Viegas (Março 2000) I - A NECESSIDADE DO RECURSO AOS MODELOS MATEMÁTICOS PARA A ESTIMAÇÃO DA PROCURA DE TRANSPORTES

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 11 de Maio 09 6 Modelos de regressão 6.1 Introdução No capítulo anterior foram apresentados alguns modelos preditivos em que a variável resposta (a variável

Leia mais

A MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1

A MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1 A MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1 A IMPORTÂNCIA DA MATEMÁTICA O desenvolvimento das sociedades tem sido também materializado por um progresso acentuado no plano científico e nos diversos domínios

Leia mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos

Leia mais

Análise descritiva de Dados. a) Média: (ou média aritmética) é representada por x e é dada soma das observações, divida pelo número de observações.

Análise descritiva de Dados. a) Média: (ou média aritmética) é representada por x e é dada soma das observações, divida pelo número de observações. Análise descritiva de Dados 4. Medidas resumos para variáveis quantitativas 4.1. Medidas de Posição: Considere uma amostra com n observações: x 1, x,..., x n. a) Média: (ou média aritmética) é representada

Leia mais

ActivALEA. active e actualize a sua literacia

ActivALEA. active e actualize a sua literacia ActivALEA active e actualize a sua literacia N.º 25 HIISTOGRAMA Por: Maria Eugénia Graça Martins Departamento de Estatística e Investigação Operacional da FCUL memartins@fc.ul.pt Emília Oliveira Escola

Leia mais

Explorações de alunos

Explorações de alunos A partir dos exemplos sugeridos e explorados pelos alunos pretende-se que possam conjecturar que, dadas duas funções reais de variável real f e g, o domínio da função quociente pode ser dado por: f f g

Leia mais

A Krigagem como Método de Análise de Dados Demográficos *1

A Krigagem como Método de Análise de Dados Demográficos *1 A Krigagem como Método de Análise de Dados Demográficos *1 Alberto Augusto Eichman Jakob UNICAMP/NEPO Palavras-chave: Geoestatística, Técnicas, Georreferenciamento, SIG. I. Introdução Nos últimos anos,

Leia mais

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. 1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3

Leia mais

4 Gráficos de controle

4 Gráficos de controle 4 Gráficos de controle O gráfico de controle é uma ferramenta poderosa do Controle Estatístico de Processo (CEP) para examinar a variabilidade em dados orientados no tempo. O CEP é composto por um conjunto

Leia mais

Matemática para as Artes

Matemática para as Artes Informação Prova de Equivalência à Frequência Prova 95 014 Disciplina 11º e 1º Anos de Escolaridade Matemática para as Artes 1. Introdução O presente documento visa divulgar as características da prova

Leia mais

MATERIAL DE DIVULGAÇÃO DA EDITORA MODERNA

MATERIAL DE DIVULGAÇÃO DA EDITORA MODERNA MATERIAL DE DIVULGAÇÃO DA EDITORA MODERNA Professor, nós, da Editora Moderna, temos como propósito uma educação de qualidade, que respeita as particularidades de todo o país. Desta maneira, o apoio ao

Leia mais

Probabilidade. Distribuição Normal

Probabilidade. Distribuição Normal Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade

Leia mais

EC330 Tratamento da Informação

EC330 Tratamento da Informação EC330 Tratamento da Informação Prof. Dr. Maurício U. Kleinke PECIM PPG em Ensino de Ciências e Matemática Grupo de Ensino e Avaliação DFA/IFGW/Unicamp Visão além do alcance: uma introdução à análise fatorial

Leia mais

Modelação Espacial da Precipitação na Ilha de Santiago, Cabo Verde, com o GeoStatistical Analyst

Modelação Espacial da Precipitação na Ilha de Santiago, Cabo Verde, com o GeoStatistical Analyst Modelação Espacial da Precipitação na Ilha de Santiago, Cabo Verde, com o GeoStatistical Analyst Silva, J., Monteiro, P., Negreiros, J., Aguilar, F, Aguilar, M. Resumo A utilização dos métodos de interpolação

Leia mais

CURSO ON-LINE PROFESSOR GUILHERME NEVES

CURSO ON-LINE PROFESSOR GUILHERME NEVES Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os

Leia mais

UNIVERSIDADE LUSÍADA DE LISBOA. Programa da Unidade Curricular ANÁLISE E TRATAMENTO DE DADOS Ano Lectivo 2015/2016

UNIVERSIDADE LUSÍADA DE LISBOA. Programa da Unidade Curricular ANÁLISE E TRATAMENTO DE DADOS Ano Lectivo 2015/2016 UNIVERSIDADE LUSÍADA DE LISBOA Programa da Unidade Curricular ANÁLISE E TRATAMENTO DE DADOS Ano Lectivo 2015/2016 1. Unidade Orgânica Ciências Humanas e Sociais (1º Ciclo) 2. Curso Psicologia 3. Ciclo

Leia mais

Objetivos: Construção de tabelas e gráficos, escalas especiais para construção de gráficos e ajuste de curvas à dados experimentais.

Objetivos: Construção de tabelas e gráficos, escalas especiais para construção de gráficos e ajuste de curvas à dados experimentais. 7aula Janeiro de 2012 CONSTRUÇÃO DE GRÁFICOS I: Papel Milimetrado Objetivos: Construção de tabelas e gráficos, escalas especiais para construção de gráficos e ajuste de curvas à dados experimentais. 7.1

Leia mais

MEDIDAS DE DISPERSÃO

MEDIDAS DE DISPERSÃO MEDIDAS DE DISPERSÃO 1) (PETROBRAS) A variância da lista (1; 1; 2; 4) é igual a: a) 0,5 b) 0,75 c) 1 d) 1,25 e) 1,5 2) (AFPS ESAF) Dada a seqüência de valores 4, 4, 2, 7 e 3 assinale a opção que dá o valor

Leia mais

2. O número de vectores da base de L construída na alínea anterior é a soma do número de vectores das bases de M e N.

2. O número de vectores da base de L construída na alínea anterior é a soma do número de vectores das bases de M e N. 2.4. PROJECÇÕES 2. dim(l)=dim(m)+dim(n) Demonstração. Se L=M N, qualquer vector x L se pode escrever de forma única como a soma de um vector x M M e outro vector x N N. 1. Dada uma base de M, x M pode

Leia mais

UTILIZAÇÃO DOS PROGRAMAS GS+ E VARIOWIN

UTILIZAÇÃO DOS PROGRAMAS GS+ E VARIOWIN GRUPO DE ESTUDOS E PESQUISAS AGRÁRIAS GEORREFERENCIADAS UNIVERSIDADE ESTATUAL PAULISTA FACULDADE DE CIÊNCIAS AGRONÔMICAS UTILIZAÇÃO DOS PROGRAMAS GS+ E VARIOWIN Profa. Célia Regina Lopes Zimback Botucatu

Leia mais

OUTLIERS Conceitos básicos

OUTLIERS Conceitos básicos Outliers: O que são? As observações que apresentam um grande afastamento das restantes ou são inconsistentes com elas são habitualmente designadas por outliers. Estas observações são também designadas

Leia mais

DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES

DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração

Leia mais

COMPARAÇÃO DOS TESTES DE ADERÊNCIA À NORMALIDADE KOLMOGOROV- SMIRNOV, ANDERSON-DARLING, CRAMER VON MISES E SHAPIRO-WILK POR SIMULAÇÃO

COMPARAÇÃO DOS TESTES DE ADERÊNCIA À NORMALIDADE KOLMOGOROV- SMIRNOV, ANDERSON-DARLING, CRAMER VON MISES E SHAPIRO-WILK POR SIMULAÇÃO COMPARAÇÃO DOS TESTES DE ADERÊNCIA À NORMALIDADE KOLMOGOROV SMIRNOV, ANDERSONDARLING, CRAMER VON MISES E SHAPIROWILK POR SIMULAÇÃO Vanessa Bielefeldt Leotti, Universidade Federal do Rio Grande do Sul,

Leia mais

Análise de Sistemas. Conceito de análise de sistemas

Análise de Sistemas. Conceito de análise de sistemas Análise de Sistemas Conceito de análise de sistemas Sistema: Conjunto de partes organizadas (estruturadas) que concorrem para atingir um (ou mais) objectivos. Sistema de informação (SI): sub-sistema de

Leia mais

Áurea Sousa /Deptº. Matemática U.A. Áurea Sousa /Deptº. Matemática U.A.

Áurea Sousa /Deptº. Matemática U.A. Áurea Sousa /Deptº. Matemática U.A. Métodos Estatísticos Mestrado em Gestão (MBA) Objectivos O que é a estatística? Como pode a estatística ajudar? Compreender o método de análise estatística; Reconhecer problemas que podem ser resolvidos

Leia mais

Apresentação... 19 Prefácio da primeira edição... 21 Prefácio da segunda edição... 27 Introdução... 33

Apresentação... 19 Prefácio da primeira edição... 21 Prefácio da segunda edição... 27 Introdução... 33 Sumário Apresentação... 19 Prefácio da primeira edição... 21 Prefácio da segunda edição... 27 Introdução... 33 Capítulo I CIÊNCIA, CONHECIMENTOS E PESQUISA CIENTÍFICA... 37 1. Conceito de ciência e tipos

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.

Leia mais

Medida de correlação entre padrões pontuais de origemdestino

Medida de correlação entre padrões pontuais de origemdestino Medida de correlação entre padrões pontuais de origemdestino Renato M. Assunção, Danilo L. Lopes Departamento de Estatística Universidade Federal de Minas Gerais (UFMG) Caixa Postal 70 3170-901 Belo Horizonte

Leia mais

AULAS 24 E 25 Análise de Regressão Múltipla: Inferência

AULAS 24 E 25 Análise de Regressão Múltipla: Inferência 1 AULAS 24 E 25 Análise de Regressão Múltipla: Inferência Ernesto F. L. Amaral 23 e 25 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma

Leia mais

Aprendendo a Interpretar Dados Financeiros de uma Empresa Usando Estatística de Forma Simples e Prática

Aprendendo a Interpretar Dados Financeiros de uma Empresa Usando Estatística de Forma Simples e Prática Aprendendo a Interpretar Dados Financeiros de uma Empresa Usando Estatística de Forma Simples e Prática Ederson Luis Posselt (edersonlp@yahoo.com.br) Eduardo Urnau (dudaurnau@gmail.com) Eloy Metz (eloy@softersul.com.br)

Leia mais

Noções de Pesquisa e Amostragem. André C. R. Martins

Noções de Pesquisa e Amostragem. André C. R. Martins Noções de Pesquisa e Amostragem André C. R. Martins 1 Bibliografia Silva, N. N., Amostragem probabilística, EDUSP. Freedman, D., Pisani, R. e Purves, R., Statistics, Norton. Tamhane, A. C., Dunlop, D.

Leia mais

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS Mayara Condé Rocha Murça TRA-53 Logística e Transportes Setembro/2013 Introdução Estimativas acuradas do volume de produtos e serviços processados pela

Leia mais

Vetores Aleatórios, correlação e conjuntas

Vetores Aleatórios, correlação e conjuntas Vetores Aleatórios, correlação e conjuntas Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Segundo Semestre, 2013 C.T.Cristino (DEINFO-UFRPE) Vetores Aleatórios 2013.2

Leia mais

Estatística descritiva. Também designada Análise exploratória de dados ou Análise preliminar de dados

Estatística descritiva. Também designada Análise exploratória de dados ou Análise preliminar de dados Estatística descritiva Também designada Análise exploratória de dados ou Análise preliminar de dados 1 Estatística descritiva vs inferencial Estatística Descritiva: conjunto de métodos estatísticos que

Leia mais

CAPÍTULO 9 Exercícios Resolvidos

CAPÍTULO 9 Exercícios Resolvidos CAPÍTULO 9 Exercícios Resolvidos R9.1) Diâmetro de esferas de rolamento Os dados a seguir correspondem ao diâmetro, em mm, de 30 esferas de rolamento produzidas por uma máquina. 137 154 159 155 167 159

Leia mais

6) Estatística Gráfica:

6) Estatística Gráfica: Estatística Descritiva Básica prof. Ilydio Pereira de Sá 36 UNIDADE II: ESTATÍSTICA GRÁFICA E MEDIDAS DE POSIÇÃO OU TENDÊNCIA CENTRAL Gráficos: barras, colunas, histogramas e polígonos de freqüências.

Leia mais

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos

Leia mais

Universidade da Beira Interior - Departamento de Matemática ESTATÍSTICA APLICADA À PSICOLOGIA I

Universidade da Beira Interior - Departamento de Matemática ESTATÍSTICA APLICADA À PSICOLOGIA I Ano lectivo: 2008/2009 Universidade da Beira Interior - Departamento de Matemática ESTATÍSTICA APLICADA À PSICOLOGIA I Ficha de exercícios 1 Validação de Pré-Requisitos: Estatística Descritiva Curso: Psicologia

Leia mais

Medidas de Variação ou Dispersão

Medidas de Variação ou Dispersão Medidas de Variação ou Dispersão Estatística descritiva Recapitulando: As três principais características de um conjunto de dados são: Um valor representativo do conjunto de dados: uma média (Medidas de

Leia mais

Faculdade Sagrada Família

Faculdade Sagrada Família AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer

Leia mais

AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO. Escola Básica e Secundária Dr. Vieira de Carvalho. Departamento de Ciências Experimentais

AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO. Escola Básica e Secundária Dr. Vieira de Carvalho. Departamento de Ciências Experimentais AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO Escola Básica e Secundária Dr. Vieira de Carvalho Departamento de Ciências Experimentais Planificação Anual de Matemática A 10º ano Ano Letivo 2015/2016 TEMA

Leia mais

Barómetro Regional da Qualidade Avaliação da Satisfação dos Utentes dos Serviços de Saúde

Barómetro Regional da Qualidade Avaliação da Satisfação dos Utentes dos Serviços de Saúde Avaliação da Satisfação dos Utentes dos Serviços de Saúde Entidade Promotora Concepção e Realização Enquadramento Avaliação da Satisfação dos Utentes dos Serviços de Saúde Índice RESUMO EXECUTIVO...

Leia mais