MODELAGEM ESTATÍSTICA PARA ENSAIOS DE RESISTÊNCIA NA INDÚSTRIA DE CELULOSE E PAPEL
|
|
- Flávio Gomes Azeredo
- 7 Há anos
- Visualizações:
Transcrição
1 XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. MODELAGEM ESTATÍSTICA PARA ENSAIOS DE RESISTÊNCIA NA INDÚSTRIA DE CELULOSE E PAPEL JOHNNY ROCHA JORDAN (UNIPLAC) johnny@jordan.eng.br A Estatística é uma ciência que trabalha essencialmente com dados. Entretanto, nem sempre estes dados são analisados ou interpretados da forma correta. Além de ser uma ciência, no sentido Lato da palavra, em outras áreas do conhecimento eela é um poderoso e útil instrumento. Este trabalho apresenta a Estatística como ferramenta na predição de valores de SCT (Short Span Compression Test), a partir dos valores de RCT (Ring Crush Test), para papéis Kraft. Para tanto, foram utilizados técnicas estatísticas usuais, tais como diagrama de dispersão, análise de correlação e regressão, os quais resultaram em uma equação bastante aderente, independente da gramatura. Palavras-chaves: Modelagem estatística,diagramas de dispersão, Correlação, Regressão, RCT, SCT
2 1. Introdução No mercado brasileiro de Papel e também em vários países, a utilização do ensaio de Ring Crush Test (RCT) como uma importante medida da resistência do papel Kraft à compressão ou esmagamento. Em alguns países, é o principal ensaio realizado e também a principal característica utilizada pelas empresas fabricantes de caixas, na seleção de seus fornecedores. A explicação para este fato está na relação existente entre a resistência da folha ao esmagamento e a sua influência na capacidade da embalagem resistir ao empilhamento de um determinado número de caixas. Entretanto, o ensaio de RCT apresenta algumas características inerentes ao seu método de teste, seja em função do equipamento que está sendo utilizado, seja em função do suporte e discos usados para análise. Além dessas variáveis, está o comprimento da tira (15 mmm) a ser utilizada e seu correto manuseio durante a execução do ensaio. Em contrapartida, muitas fábricas em vários países na Europa (e algumas aqui no Brasil), utilizam o ensaio Short Span Compression Test (SCT), como alternativa ao RCT, tendo como justificativa a rapidez e a praticidade do ensaio, além da menor variabilidade dos seus resultados. É bastante comum as fábricas convertedoras do exterior, ao encomendar o papel Kraft brasileiro, solicitar o atendimento a uma série de características de qualidade básicas, como gramatura, umidade e espessura, bem como as características de qualidade de resistência do papel, dentre elas, o SCT. Porém, nem todas fábricas de papel Kraft possuem o equipamento que realiza este ensaio, principalmente em função da cultura papeleira existente em nosso país, acostumada com o ensaio de RCT. O objetivo deste trabalho é utilizar o ferramental estatístico de maneira a poder obter valores de SCT a partir de dados reais de RCT, sem levar em consideração, no entanto, as diferentes configurações de máquinas e suas variáveis da fabricação do papel ou as variáveis do cozimento.. A estatística como ferramenta: Gráfico de dispersão Considerando-a como uma poderosa ferramenta, a Estatística possui valiosos instrumentos que auxiliam a analisar e compreender os dados, seu comportamento e suas relações. O primeiro passo é definir os tipos de variáveis existentes, que podem ser classificadas, de uma maneira simplista, em variáveis quantitativas e variáveis qualitativas. Se pensarmos em relacionamento entre duas variáveis, então existirão três possíveis combinações que devem ser consideradas (WILD & SEBER, 005): a) quantitativa versus quantitativa; b) quantitativa versus qualitativa e c) qualitativa versus quantitativa. Para cada uma dessas combinações haverá, pelo menos, uma ferramenta que permita explorar o relacionamento entre as variáveis e fornecer informações que possibilitem o seu perfeito entendimento. Para Wild & Seber (005), quando uma das variáveis é qualitativa, pode-se utilizar gráficos de caixa, gráficos de pontos ou histogramas. Se as duas variáveis são qualitativas, o processo de análise é conhecido como tabulação cruzada ou tabela de contagem de dois fatores. No presente caso, as duas variáveis (RCT e SCT) são quantitativas, e existe uma ferramenta gráfica muito simples, presente em todas as planilhas e softwares estatísticos, de fácil
3 utilização: o gráfico de dispersão, considerado por Moore (005) a maneira mais eficiente de mostrar a relação entre duas variáveis quantitativas. Entre as informações apresentadas pelo gráfico de dispersão, estão a qualidade da relação encontrada, podendo ser entendida como relações lineares e não-lineares e a direção da relação entre as variáveis, de forma direta (diretamente proporcional) ou indireta (inversamente proporcional) (MILONE, 004). Apesar do gráfico de dispersão indicar a forma, direção e intensidade da relação (MOORE, 005), de maneira visual e intuitiva, existe uma medida estatística calculada, que mede o grau de associação linear, denominada correlação. A limitação desta estatística é que uma relação entre variáveis com correlação linear igual a zero, indica apenas que esta relação não segue uma equação de primeiro grau, ou seja, uma reta. Dentre os vários métodos de ajustamento utilizados para obter-se matematicamente um valor que permita classificar a relação entre as variáveis, o mais utilizado é o método dos mínimos quadrados, que é composto de uma relação de técnicas que permite não só qualificar como também determinar os valores dos coeficientes das equações de ajuste (MILONE, 004). Basicamente, o método de mínimos quadrados procura ajustar uma equação linear aos valores obtidos, com o menor erro possível. Este erro é denominado erro padrão e é definido como a equação 1 abaixo (MILONE, 004): 1 Se ( yr yc ) n v Equação 1: erro padrão da estimativa Onde: y r = iésimo valor real (observado) y c = iésimo valor calculado n = número de observações = número de coeficientes da estimativa (para o caso da reta, = ). A equação do coeficiente de correlação(r) é mostrada a seguir, nas equações e 3: r _ ( y Y) c _ ( y Y) r Equação : coeficiente de correlação r x y i i nxy x nx ( y ny i i 3
4 Equação 3: coeficiente de correlação A diferença entre as equações, é tão somente a forma de escrevê-las, sendo a equação 3 a mais conhecida de todas, pelo seu largo uso nos bancos escolares. A interpretação do coeficiente de correlação é bastante simples, baseada na faixa que ele pode assumir. As correlações perfeitas têm valores de r iguais a +1 (correspondendo as relações diretamente proporcionais) e -1 (correspondendo as relações inversamente proporcionais). Para os demais casos, quanto mais próximo de um dos extremos, melhor será a relação entre as variáveis estudadas. Novamente, deve ser lembrado que uma relação entre variáveis só é válida se existir um componente lógico, relacionando causa e efeito. Isto significa que deve existir uma relação de causa e efeito entre uma variável e a outra. 3. A estatística como ferramenta: regressão linear Foi apresentado anteriormente que a regressão linear é uma forma para exprimir matematicamente o comportamento (relacionamento) entre variáveis quantitativas. De uma maneira simples, o modelo de regressão linear pode assumir a seguinte forma: y x i 0 1 i i Equação 4: modelo de regressão linear Onde: 0 = intercepto de y i 1 = inclinação i = erro aleatório para a iésima observação Neste modelo, a inclinação da reta de regressão representa a variação esperada em y por cada variação unitária de x. Ela representa o tamanho da variação em y (que pode ser positiva ou negativa) para uma determinada variação em x. O encontro da reta com o eixo y, representa o valor médio de y, quando x é igual a zero. O último componente do modelo, i, representa o erro aleatório em y, para cada valor de x. (LEVINE, BERESON & STEPHAN, 000). Ao se trabalhar as ferramentas de dispersão, correlação e regressão é preciso notar dois componentes principais na relação de regressão: tendência e dispersão. A tendência é o padrão observado no gráfico de dispersão (formato, direção). Já a dispersão é o espalhamento de dados em relação a um eixo imaginário (reta ou curva) ao longo da distribuição destes dados (intensidade). Assim pode-se escrever que a Relação de regressão = tendência + dispersão residual (WILD & SEBER, 005). 4. Pressupostos da correlação e regressão linear Antes de validar o modelo de regressão encontrado, deve-se seguir um conjunto de regras específicas, de forma a garantir que ao resultado obtido apresente significância estatística, além de robustez. Para tanto, alguns pressupostos são elencados por Levine, Bereson & Stephan, (000): 4
5 a) Normalidade b) Homocedasticidade c) Independência de erros d) Linearidade A normalidade requer que os valores de y sejam normalmente1 distribuídos para cada valor de x. Para a homocedasticidade, o requisito é que as variações em torno da reta de regressão sejam constantes para todos os valores de x. A principal implicação deste pressuposto está na determinação dos coeficientes de regressão, quando o método de mínimos quadrados é utilizado. O terceiro pressuposto, a independência dos erros, requer que o erro seja independente para cada valor de x. Finalmente, a linearidade, que estabelece que as relações entre as variáveis devam ser lineares, já que elas poderiam perfeitamente estar relacionadas de uma maneira não-linear. Existem várias técnicas para a avaliação do atendimento ou não destes pressupostos. Entretanto, há um método simples, denominado Análise de Resíduos, que permite avaliar de maneira gráfica, eventuais violações dos pressupostos acima mencionados. Em determinadas situações deste trabalho, esta técnica será utilizada, quando aplicável. 5. Obtenção dos valores de SCT O propósito deste trabalho é encontrar uma equação matemática, a partir da modelagem estatística dos dados de RCT que permitam obter valores correspondentes de SCT. Para isso, mais de 0 mil pares de valores {RCT x SCT }foram utilizados inicialmente, para a construção do diagrama de dispersão, o que indicou o que já era esperado: uma relação forte, diretamente proporcional e crescente, como pode ser visto no gráfico 1. Outro procedimento utilizado e ainda não mencionado foi a análise de outliers, ou seja, valores em princípio anômalos. O objetivo deste procedimento é verificar e descartar dados que eventualmente possam ser não-válidos. Em relação aos demais dados, o outlier é um valor extremo, localizado muito distante dos demais. Caso seja possível, deve-se verificar a sua procedência e sua veracidade. Se for real, deve-se mantê-lo. Caso contrário deverá ser desconsiderado, já que pode afetar significativamente a média e o desvio-padrão, além de distorcer o histograma, que pode ser utilizado na análise da normalidade dos dados. 5
6 Gráfico 1: Dispersão RCT x SCT sem retirada dos outliers O gráfico 1 acima foi gerado utilizando o software STATISTICA e a linhas pontilhadas (semelhantes aos limites dos gráficos de controles de Shewhart) indicam os prováveis valores discrepantes, com uma margem de confiança de 95%. Estes limites são conhecidos como gráficos de controle de regressão (SOUZA, JACOBI & PEREIRA, 005) e foram calculados considerando um nível de confiança de 95%. Para facilitar a visualização dos potenciais outliers, estes foram destacados pelas elipses. Após eliminar os dados que estavam fora dos limites indicados pelo gráfico de controle de regressão, ficou comprovado que existe um forte relacionamento entre as variáveis e que esta relação é positiva. Gráfico : Dispersão RCT x SCT com retirada dos outliers Assim que os dados discrepantes são retirados da análise, é possível obter através de planilhas ou softwares estatísticos, a equação que relaciona uma variável à outra, assim como o coeficiente de determinação (R ), que mede o quanto de uma variável é explicada pela outra. A equação que relaciona o RCT ao SCT é: SCT 0,9717 1,394* RCT R 96,49% 6. Verificação dos Pressupostos da Regressão Para que a equação obtida seja significativa estatisticamente, deve-se validar cada um dos pressupostos anteriormente mencionados. O pressuposto da homocedasticidade pode ser verificado através de um gráfico de resíduos versus valores de RCT: 6
7 Gráfico 3: Resíduos padronizados versus RCT A análise visual da dispersão dos dados não indica a existência de um padrão, o que permite concluir não haver uma violação do pressuposto da homocedasticidade, que também pode ser comprovada através da equação de regressão e pelo valor da correlação r = -0,8*10-8, fornecidos pelo software estatístico. É claro que esta informação é válida apenas para a análise de uma possível violação da homocedasticidade, na forma de uma função linear. Para a verificação do pressuposto da normalidade, a análise mais simples é dispor os resíduos em uma distribuição de freqüência, apresentando-os na forma de um histograma. Outra maneira também gráfica de se verificar o pressuposto é obter através de softwares estatísticos um gráfico de probabilidade normal. Nos dois casos, a verificação é facilmente realizada, bastando ao analista um pouco de prática. Segundo VIEIRA (1999), existem testes estatísticos, conhecidos como testes de aderência, utilizados para testar a normalidade dos dados. Entre os principais, estão: a) Kolmogorov Smirnov ; b) Shapiro Wilks e c) Teste de (lê-se qui-quadrado). Para ilustrar este pressuposto, a seguir são apresentados os gráficos de distribuição de freqüência dos resíduos e de probabilidade normal. Gráfico 4: Histograma dos resíduos 7
8 Gráfico 5: Probabilidade Normal para os resíduos Em ambos os gráficos, não há evidência que a normalidade tenha sido violada, já que o histograma mostra uma distribuição residual muito próxima da distribuição normal e o gráfico de probabilidade norma indica a grande maioria dos resíduos está localizada sobre a reta. Aqui deve ficar claro que a análise é feita para os valores centrais plotados e não os valores das extremidades. Com relação ao pressuposto da independência, deseja-se perceber a existência de auto-correlação entre os dados analisados, ou seja, se uma observação foi influenciada ou influenciou as observações que a antecederam ou as que a sucederam. Uma das maneiras é plotar os resíduos obtidos contra o tempo ou a ordem em que foram observadas e analisar a existência ou não de algum tipo de padrão no gráfico. O gráfico 6 mostra que não há um padrão nos valores residuais que permitam concluir não haver independência entre os dados, isto é, não há uma auto-correlação. 7. Adequação do modelo obtido Gráfico 6: Resíduos padronizados na ordem observada Por mais que a equação obtida seja consistente, do ponto de vista estatístico, através da validação de cada pressuposto, a melhor forma de verificar e comprovar a eficiência do modelo é coletar novos dados de RCT e SCT e a partir dos valores de RCT estimar quais valores de SCT serão previstos, comparando-os com os valores realmente obtidos, como pode ser visto a seguir: 8
9 Gráfico 7: SCT calculado versus SCT real O gráfico mostra uma significativa correlação entre os valores realmente obtidos de SCT e os valores calculados (previstos) a partir da equação de regressão. Pode-se observar também que alguns pontos (destacados em vermelho) estão fora do limite do gráfico de regressão, indicando uma pequena divergência entre o calculado e o real, para uma margem de erro igual a 5% de significância, mas tratando-se de um modelo que não considera uma série de variáveis que poderiam influenciar no resultado final, o modelo estatístico é bastante aderente. 8. Limitações do Modelo e considerações finais A principal limitação desta modelagem matemática e estatística está no fato de que a equação obtida não é fruto de um processo dinâmico, mas estático. Isto significa que durante os meses de coleta, tabulação e análise dos dados as condições de fabricação do papel podem ter-se alterado, face às mudanças inerentes ao processo produtivo. Entretanto, como foram coletadas amostras e resultados de várias fábricas aqui do Brasil e do exterior, além de se trabalhar com um leque variado de gramaturas (leves, médias e pesadas), não há indicativo que o modelo deixe de ser considerado estatisticamente significativo, justamente pela sua abrangência. Ao se buscar o relacionamento entre as variáveis quantitativas, optou-se por mostrar, sempre que possível, a forma mais simples: a gráfica. A razão desta opção é evitar a utilização de fórmulas e demonstrações, procurando desmistificar a ciência estatística como uma ciência árida, compreendida apenas pelos iniciados. Os principais pressupostos estatísticos da correlação e da regressão (normalidade, homocedasticidade, independência dos erros e linearidade) foram confirmados, demonstrando a significância dos resultados obtidos. Finalmente, o agradecimento do autor às empresas que permitiram a utilização dos dados para a construção do modelo e as empresas que forneceram os dados que permitissem a validação dos resultados encontrados. 9. Referências LEVINE, D M.; BERENSON, M. L. & STEPHAN, D. Estatística: Teoria e aplicações. Rio de Janeiro: editora LTC, 000. MILONE, G. Estatística: Geral e Aplicada. São Paulo: Pioneira Thomson Learning, 004. MOORE, D. S. Estatística básica e a sua prática. Rio de Janeiro: LTC, 005. SOUZA, A. M.; JACOBI, L. F. & PEREIRA, J. E. Gráficos de Controle de Regressão usando o Statistica. Florianópolis SC: Ed. Visual Books, 005. SPINELLI, W. & SOUZA, M. H. S. Introdução à Estatística. São Paulo: Ed. Ática, TRIOLA, M. F. Introdução à estatística. Rio de Janeiro: LTC,
10 VIEIRA, S. Estatística Experimental..ed.- São Paulo: Atlas, WILD, C. J. & SEBER, G. A.F. Encontros com o acaso: Um primeiro curso de análise de dados e Inferência. Rio de Janeiro: LTC,
Análise de Regressão. Notas de Aula
Análise de Regressão Notas de Aula 2 Modelos de Regressão Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma variável Y com outra X. Quando a função f que relaciona duas
Leia maisCorrelação e Regressão linear simples
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Regressão linear simples Prof. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Correlação linear Diagrama de dispersão Covariância
Leia maisPlano da Apresentação. Correlação e Regressão linear simples. Correlação linear. Associação entre hábitos leitura e escolaridade.
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Plano da Apresentação Correlação linear Diagrama de dispersão Covariância Coeficiente de correlação de Pearson Teste de correlação
Leia maisMétodos Quantitativos Aplicados a Custos Análise Estatística como um auxiliar valioso nas decisões
Métodos Quantitativos Aplicados a Custos Análise Estatística como um auxiliar valioso nas decisões Que métodos estatísticos podem auxiliar as análises de custos? Qual a relação entre regressão e correlação?
Leia maisMedidas de Localização
MATEMÁTICA APLICADA ÀS CIÊNCIAS SOCIAIS RESUMO Estatística 2 Medidas de Localização e Dispersão 10º ano Cláudia Henriques Medidas de Localização Estatísticas Medidas que se calculam a partir dos dados
Leia maisPara mais de duas variáveis independentes, em função de uma variável dependente.
MÉTODOS QUANTlTATlVOS APLlCADOS À CONTABlLlDADE Prof. Héber Lavor Moreira Plano de Aula TEMA: REGRESSÃO MÚLTlPLA - Caso Multiplan S/A lntrodução Em muitos casos uma variável pode estar relacionada com
Leia maisBIOESTATÍSTICA. Parte 1 - Estatística descritiva e análise exploratória dos dados
BIOESTATÍSTICA Parte 1 - Estatística descritiva e análise exploratória dos dados Aulas Teóricas de 17/02/2011 a 03/03/2011 1.1. População, amostra e dados estatísticos. Dados qualitativos e quantitativos
Leia maisAULA 11 Experimentos Multinomiais e Tabelas de Contingência
1 AULA 11 Experimentos Multinomiais e Tabelas de Contingência Ernesto F. L. Amaral 24 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG)
Leia maisRegressão linear múltipla. Prof. Tatiele Lacerda
Regressão linear múltipla Prof Tatiele Lacerda Yi = B + Bx + B3X3 + u Plano de resposta E(Y i ) = 0,00 Y i i 0 (,33;,67) Y i 0 X i Xi X p i, p i 3 Modelo de regressão linear múltipla em termos matriciais,
Leia maisMelhorias de Processos segundo o PDCA Parte IV
Melhorias de Processos segundo o PDCA Parte IV por José Luis S Messias, em qualidadebrasil.com.br Introdução Em prosseguimento aos artigos escritos sobre PDCA, escrevo hoje sobre a terceira fase da etapa
Leia maisFerramentas para a Qualidade
Diagrama de processo: seu objetivo é a listagem de todas as fases do processo de forma simples e de rápida visualização e entendimento. Quando há decisões envolvidas pode-se representar o diagrama de processo
Leia maisRegressão Linear Múltipla
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EATAS E NATURAIS FACULDADE DE ESTATÍSTICA DISCIPLINA: Estatística Aplicada PROFESSORES: Heliton Tavares e Regina Madruga ALUNO: Wemenson avier Trabalho
Leia maisAs sete ferramentas da qualidade (Seven Tools)
As sete ferramentas da qualidade (Seven Tools) Gerência da Rotina Previsibilidade Gerência da Melhoria Competitividade 1 ROTI A Estabelecida de tal forma que a administração da empresa possa delegar a
Leia maisContabilometria. Análise Discriminante
Contabilometria Análise Discriminante Fonte: Corrar, L. J.; Theóphilo, C. R. Pesquisa Operacional para Decisão em Contabilidade e Administração, Editora Atlas, São Paulo, 010 Cap. 3 Análise Discriminante
Leia maisAnálise de Regressão Linear Simples III
Análise de Regressão Linear Simples III Aula 03 Gujarati e Porter Capítulos 4 e 5 Wooldridge Seção.5 Suposições, Propriedades e Teste t Suposições e Propriedades RLS.1 O modelo de regressão é linear nos
Leia maisEstimação. Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança
Estimação Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança Motivação A partir da média de uma a amostra em uma colheita recente, o conselho de qualidade
Leia maisAula 12: Correlação e Regressão
Aula 12: Correlação e Regressão Sumário Aula 12: Correlação e Regressão... 1 12.l Correlação... 2 12.2 Diagrama de dispersão... 2 12.3 Correlação linear... 3 12.3.1 Coeficiente de correlação linear...
Leia maisCoeficiente de Assimetria e Curtose. Rinaldo Artes. Padronização., tem as seguintes propriedades: Momentos
Coeficiente de Assimetria e Curtose Rinaldo Artes 2014 Padronização Seja X uma variável aleatória com E(X)=µ e Var(X)=σ 2. Então a variável aleatória Z, definida como =, tem as seguintes propriedades:
Leia maisVariáveis Frequências Gráficos Medidas de Posição Medidas de Dispersão Medidas Complementares Inferência
Tipos de Variáveis Problema Motivador: Um pesquisador está interessado em fazer um levantamento sobre aspectos sócio-econômicos dos empregados da seção de orçamentos de uma companhia (vide tabela). Algumas
Leia maisCapítulo IX. Carregamento de transformadores
42 Capítulo IX Carregamento de transformadores Por Manuel Luís Barreira Martinez* A tipificação dos transformadores contempla três agrupamentos distintos, o que em tese significa três diferentes tipos
Leia maisErros e Incertezas. Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.
Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.) I. INTRODUÇÃO Quando se faz um experimento, deseja-se comparar o resultado obtido
Leia maisCIRCULAR TÉCNICA N o 171 NOVEMBRO 1989 TABELAS PARA CLASSIFICAÇÃO DO COEFICIENTE DE VARIAÇÃO
IPEF: FILOSOFIA DE TRABALHO DE UMA ELITE DE EMPRESAS FLORESTAIS BRASILEIRAS ISSN 0100-3453 CIRCULAR TÉCNICA N o 171 NOVEMBRO 1989 TABELAS PARA CLASSIFICAÇÃO DO COEFICIENTE DE VARIAÇÃO INTRODUÇAO Carlos
Leia maisDistribuições Conjuntas (Tabelas de Contingência)
Cruzamento de Dados Distribuições Conjuntas (Tabelas de Contingência) Lorí Viali, Dr. DESTAT/FAMAT/PUCRS viali@pucrs.br http://www.pucrs.br/famat/viali Distribuição Conjunta Exemplo (tabela um) Suponha
Leia maisI-094 - COLIFORMES E ph MÉDIAS ARITMÉTICAS, MÉDIAS GEOMÉTRICAS E MEDIANAS
I-9 - COLIFORMES E ph MÉDIAS ARITMÉTICAS, MÉDIAS GEOMÉTRICAS E MEDIANAS Marcos von Sperling ( 1 ) Engenheiro Civil (UFMG). Doutor em Engenharia Ambiental (Imperial College, Universidade de Londres Inglaterra).
Leia maisConteúdo. 1 Introdução. Histograma do Quinto Sorteio da Nota Fiscal Paraná 065/16. Quinto Sorteio Eletrônico da Nota Fiscal Paraná
Quinto Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este documento apresenta a análise dos resultados
Leia maisREGRESSÃO. Análise de Correlação
REGRESSÃO Linear, Não linear, simples e múltipla Análise de Correlação 2 Correlação Indica a força e a direção do relacionamento linear entre dois atributos Trata-se de uma medida da relação entre dois
Leia maisPlano de Ensino PROBABILIDADE E ESTATÍSTICA APLICADA À ENGENHARIA - CCE0292
Plano de Ensino PROBABILIDADE E ESTATÍSTICA APLICADA À ENGENHARIA - CCE0292 Título PROBABILIDADE E ESTATÍSTICA APLICADA À ENGENHARIA Código da disciplina SIA CCE0292 16 Número de semanas de aula 4 Número
Leia maisConteúdo. 1 Introdução. Histograma do 1o Sorteio da Nota Fiscal Paraná 152/15. 1º Sorteio Eletrônico da Nota Fiscal Paraná
1º Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este relatório apresenta uma análise estatística
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a variância de
Leia mais4.1. Variáveis meteorológicas para previsão de carga
4 Curvas de carga A grande aspiração de toda concessionária de energia elétrica é modelar suas curvas de carga para que se possa fazer uma previsão mais próxima do valor real, conseguindo assim um bom
Leia maisAnálise estatística. Aula de Bioestatística. 17/9/2008 (2.ª Parte) Paulo Nogueira
Análise estatística Aula de Bioestatística 17/9/2008 (2.ª Parte) Paulo Nogueira Testes de Hipóteses Hipótese Estatística de teste Distribuição da estatística de teste Decisão H 0 : Não existe efeito vs.
Leia maiscuja distribuição é t de Student com n 1 graus de liberdade.
Aula 13 Teste de hipótese sobre a média de uma população normal σ 2 desconhecida Objetivos: Nesta aula você completará seu estudo básico sobre testes de hipóteses, analisando a situação relativa a uma
Leia maisDISTRIBUIÇÃO DE FREQUÊNCIA DE VARIÁVEIS QUALITATIVAS E QUANTITATIVAS DISCRETAS (TABELAS E GRÁFICOS)
DISTRIBUIÇÃO DE FREQUÊNCIA DE VARIÁVEIS QUALITATIVAS E QUANTITATIVAS DISCRETAS (TABELAS E GRÁFICOS) O QUE É ESTATÍSTICA Estatística é a ciência de obter conclusões a partir de dados. Envolve métodos para
Leia maisInstituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira INEP Ministério da Educação MEC. Cálculo do Conceito ENADE
Instituto acional de Estudos e Pesquisas Educacionais Anísio Teixeira IEP Ministério da Educação ME álculo do onceito EADE Para descrever o cálculo do onceito Enade, primeiramente é importante definir
Leia maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Qui-quadrado, t-student e F de Snedecor 04/14
Leia maisDIREÇÃO DO VENTO E SEU SIGMA- CALMARIAS
DIREÇÃO DO VENTO E SEU SIGMA- CALMARIAS No campo da Poluição do Ar, a direção do vento é muito importante, pois indica para onde está indo a massa de ar que leva consigo os poluentes. Em Poluição do Ar,
Leia maisANÁLISE EXPLORATÓRIA DE DADOS
ANÁLISE EXPLORATÓRIA DE DADOS 1.0 Conceitos A estatística descritiva tem o objetivo de organizar, resumir e apresentar de forma adequada os dados, para que estes se tornem informativos. A análise exploratória
Leia maisAula 11 Teste de hipótese sobre a média de uma população normal - σ 2 conhecida
Aula 11 Teste de hipótese sobre a média de uma população normal - σ 2 conhecida Objetivo: Nesta aula, iremos aplicar os conceitos básicos sobre a teoria de teste de hipótese a uma situação específica.
Leia maisAdministração Central Unidade de Ensino Médio e Técnico - Cetec. Ensino Técnico. Qualificação: Assistente Administrativo
.. Plano de Trabalho Docente 2013 Ensino Técnico Etec Prof Massuyuki Kawano Código: 136 Município: Tupã Eixo Tecnológico: Gestão e Negócios Habilitação Profissional: Técnico em Administração Qualificação:
Leia mais3 Modelos de Simulação
43 3 Modelos de Simulação 3.1 Simulação de Monte Carlo O método de Monte Carlo foi concebido com este nome nos anos 40 por John Von Neumann, Stanislaw Ulam e Nicholas Metropolis durante o projeto de pesquisa
Leia maisProporcionar a modelagem de sistemas utilizando todos os conceitos da orientação a objeto;
Módulo 7 UML Na disciplina de Estrutura de Sistemas de Informação, fizemos uma rápida passagem sobre a UML onde falamos da sua importância na modelagem dos sistemas de informação. Neste capítulo, nos aprofundaremos
Leia maisMEDIDAS DE DISPERSÃO. o grau de variabilidade, ou dispersão, dos valores em torno da média.
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Tarciana Liberal As medidas de posição apresentadas fornecem a informação dos dados apenas a nível pontual, sem ilustrar
Leia maisalocação de custo têm que ser feita de maneira estimada e muitas vezes arbitrária (como o aluguel, a supervisão, as chefias, etc.
Professor José Alves Aula pocii Aula 3,4 Custeio por Absorção Custeio significa apropriação de custos. Métodos de Custeio é a forma como são apropriados os custos aos produtos. Assim, existe Custeio por
Leia maisCurso de Análise Estatística Comparação entre variáveis contínuas: correlação e regressão Linear
NÚCLEO DE ESTATÍSTICA E METODOLOGIA APLICADAS Desenvolvendo conhecimento para a excelência dos cuidados em saúde mental UNIVERSIDADE FEDERAL DE SÃO PAULO Curso de Análise Estatística Comparação entre variáveis
Leia maisAMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA
AMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA META Dimensionar o tamanho ideal de amostra para cada população.
Leia maisTécnicas estatísticas para análise de dados e de resultados de modelos de simulação
Parte XIV Técnicas estatísticas para análise de dados e de resultados de modelos de simulação A saída de um modelo de simulação geralmente constitui-se de VA s, muitas das quais podem ter variância grande.
Leia maisStela Adami Vayego DEST/UFPR
Resumo 5 - Análise Bivariada (Bidimensional) 5.1. Introdução O principal objetivo das análises nessa situação é explorar relações (similaridades) entre duas variáveis. A distribuição conjunta das freqüências
Leia maisLição 5 Medidas Descritivas Medidas de Dispersão
99 Lição 5 Medidas Descritivas Medidas de Dispersão Após concluir o estudo desta lição, esperamos que você possa: identifi car o objetivo das medidas de dispersão; identifi car o conceito de variância;
Leia maisICEI Índice de Confiança do Empresário Industrial Julho/07 Interiorização da Sondagem
Resultado do ICEI - Índice de Confiança do Empresário Industrial - nas Regionais FIESP Projeto de de Opinião CNI (DEPAR/DEPECON) Introdução A Sondagem Industrial é uma pesquisa qualitativa realizada trimestralmente
Leia maisDesvio Padrão ou Erro Padrão
NOTAS METODOLÓGICAS ISSN 0871-3413 ArquiMed, 2006 Desvio Padrão ou Erro Padrão Nuno Lunet, Milton Severo, Henrique Barros Serviço de Higiene e Epidemiologia da Faculdade de Medicina da Universidade do
Leia maisTestes de variância e Análise de Variância (ANOVA)
Testes de variância e Análise de Variância (ANOVA) Introdução à Inferência Estatística Introdução à Inferência Estatística TESTE DE VARIÂNCIAS E DISTRIBUIÇÃO F Testes sobre variâncias Problema: queremos
Leia maisAula 6 Propagação de erros
Aula 6 Propagação de erros Conteúdo da aula: Como estimar incertezas de uma medida indireta Como realizar propagação de erros? Exemplo: medimos A e B e suas incertezas. Com calcular a incerteza de C, se
Leia maisAGRUPAMENTO DE ESCOLAS DA SÉ GUARDA. MATEMÁTICA B Curso de Artes Visuais
Direção-Geral dos Estabelecimentos Escolares Direção de Serviços da Região Centro AGRUPAMENTO DE ESCOLAS DA SÉ GUARDA MATEMÁTICA B Curso de Artes Visuais ANO LECTIVO: 2015/2016 11º ANO 1º PERÍODO PLANIFICAÇÃO
Leia maisPLANEJAMENTO E MODELAGEM
Apresentação 06 Introdução a Engenharia Elétrica COMO CRIAR MODELOS NA ENGENHARIA. PLANEJAMENTO E MODELAGEM Prof. Edgar Alberto de Brito Continuando os conceitos anteriores, nessa apresentação será mostrado
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS» PROBABILIDADE E ESTATÍSTICA «21. Uma fábrica, que produz pequenas peças utilizadas em materiais eletrônicos, armazena essa mercadoria em lotes com 1000 unidades. Inspecionada
Leia maisPlanejamento e Análise Estatística de Experimentos Fatoriais em blocos completos
Planejamento e Análise Estatística de Experimentos Fatoriais em blocos completos Contexto Já vimos como analisar um experimento em blocos na presença de um único fator de interesse. Podemos ter experimentos
Leia maisQual é o estoque mínimo que irá garantir o nível de serviço ao cliente desejado pela empresa?
O estoque de segurança remete a erros de previsão de demanda; Falta de confiança nas entregas devido a atrasos no ressuprimento de materiais; Rendimento da produção abaixo do esperado. Qual é o estoque
Leia maisFATEC GT/FATEC SJC. Prof. MSc. Herivelto Tiago Marcondes dos Santos [ESTATÍSTICA I]
Prof. MSc. Herivelto Tiago Marcondes dos Santos [ESTATÍSTICA I] 1 Introdução a análise exploratória de dados A necessidade de evidenciar alguns fenômenos constantes no dia-a-dia do ser humano permitiu
Leia maisMemorização x Aprendizagem: Uma Aplicação de Equações Diferenciais
Anais do CNMAC v. ISSN 1984-80X Memorização x Aprendizagem: Uma Aplicação de Equações Diferenciais Giancarlo de França Aguiar 8180-330, Curitiba, PR E-mail: giancarl@up.edu.br Bárbara de Cássia Xavier
Leia maisMedidas de Tendência Central. Introdução Média Aritmética Moda Mediana
Medidas de Tendência Central Introdução Média Aritmética Moda Mediana Introdução A maioria dos dados apresenta uma tendência de se concentrar em torno de um ponto central Portanto, é possível selecionar
Leia maisDesenvolvimento de Veículos Autônomos em Escala. Identificação de Parâmetros e Calibração dos Modelos dos Sistemas de Propulsão, Frenagem e Direção
Desenvolvimento de Veículos Autônomos em Escala. Identificação de Parâmetros e Calibração dos Modelos dos Sistemas de Propulsão, Frenagem e Direção Aluno: Thais Barreto Joffe Orientador: Mauro Speranza
Leia maisSobre o Boxplot no GeoGebra
Sobre o Boxplot no GeoGebra Boxplot in GeoGebra PÉRICLES CÉSAR DE ARAUJO 1 CELINA APARECIDA ALMEIDA PEREIRA ABAR 2 Resumo O objetivo deste trabalho é apresentar o resultado do uso da ferramenta para construção
Leia maisESTATÍSTICA PARTE 1 OBJETIVO DA DISCIPLINA
ESTATÍSTICA PARTE 1 OBJETIVO DA DISCIPLINA Apresentar a Estatística no contexto do dia-a-dia e fazendo uso da planilha Excel. Espera-se que o estudante ao término do curso esteja apto a usar a planilha
Leia maisCAPÍTULO 8. de Variância - ANOVA ANOVA. Análise
CAPÍTULO 8 Análise de Variância - UFRGS Os testes de hipótese apresentados até aqui limitaram-se à comparação de duas médias ou duas variâncias. Contudo, há situações onde se deseja comparar várias médias,
Leia maisCAPÍTULO 4. 4 - O Método Simplex Pesquisa Operacional
CAPÍTULO 4 O MÉTODO SIMPLEX 4 O Método Simplex caminha pelos vértices da região viável até encontrar uma solução que não possua soluções vizinhas melhores que ela. Esta é a solução ótima. A solução ótima
Leia maisControle Estátistico de Processo.
Relatório de estudo dos fios. Controle Estátistico de Processo. Indice Item Assunto. Pág. Análise estatística C.E.P. 04 1 Introdução. 04 2 Controle estatístico do processo. 04 2.1 Definição. 04 2.3 Objetivo
Leia maisAULA 04 Estimativas e Tamanhos Amostrais
1 AULA 04 Estimativas e Tamanhos Amostrais Ernesto F. L. Amaral 27 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisEstatística AMOSTRAGEM
Estatística AMOSTRAGEM Estatística: É a ciência que se preocupa com a coleta, a organização, descrição (apresentação), análise e interpretação de dados experimentais e tem como objetivo fundamental o estudo
Leia maisUNIVERSIDADE DE SÃO PAULO DEPARTAMENTO DE GEOGRAFIA Disciplina: FLG 0253 - CLIMATOLOGIA I
UNIVERSIDADE DE SÃO PAULO DEPARTAMENTO DE GEOGRAFIA Disciplina: FLG 0253 - CLIMATOLOGIA I 1. Objetivos da disciplina: 1.1 Fornecer os meios básicos de utilização dos subsídios meteorológicos à análise
Leia maisObjetivos da disciplina:
Aplicar e utilizar princípios de metrologia em calibração de instrumentos e malhas de controle. Objetivos da disciplina: Aplicar e utilizar princípios de metrologia calibração de instrumentos e malhas
Leia maisPLANO DE ENSINO CONTEÚDO PROGRAMÁTICO. Unidade 1: MEDIDAS E GRANDEZAS. 1.1.- Introdução. 1.2.- Padrões usados para avaliar grandezas físicas
PLANO DE ENSINO FACULDADE: CIÊNCIAS DA SAÚDE DE JUIZ DE FORA CURSO: FARMÁCIA Período: 2º DISCIPLINA: MATEMÁTICA E BIOESTATÍSTICA Ano: 2015 CARGA HORÁRIA: 40 H PRÉ-REQUISITO: - SEMANAL: 02 T TOTAL: 02 AULAS
Leia maisAula 8 Intervalos de confiança para proporções amostras grandes
Aula 8 Intervalos de confiança para proporções amostras grandes Objetivos Na aula anterior, foram apresentadas as idéias básicas da estimação por intervalos de confiança. Para ilustrar o princípio utilizado
Leia maisANOVA. (Analysis of Variance) Prof. Dr. Guanis de Barros Vilela Junior
ANOVA (Analysis of Variance) Prof. Dr. Guanis de Barros Vilela Junior Para que serve a ANOVA? Para comparar três ou mais variáveis ou amostras. Por exemplo, queremos testar os efeitos cardiorrespiratórios
Leia maisAula 1 Estatística e Probabilidade
Aula 1 Estatística e Probabilidade Anamaria Teodora Coelho Rios da Silva Aula 1 Plano de ensino Planejamento das aulas Referências Bibliográficas Atividades de Aprendizagem Orientadas Sistema de Avaliação
Leia maisAula 1 Variáveis aleatórias contínuas
Aula 1 Variáveis aleatórias contínuas Objetivos: Nesta aula iremos estudar as variáveis aleatórias contínuas e você aprenderá os seguintes conceitos: função de densidade de probabilidade; função de distribuição
Leia mais1 Introdução. 1.1 Importância da Utilização da Amostragem
1 Introdução Um dos principais objetivos da maioria dos estudos, análises ou pesquisas estatísticas é fazer generalizações seguras com base em amostras, sobre as populações das quais as amostras foram
Leia maisPLANO DE AULA I. Escrito por Eliani Pereira de Souza Nascimento. Supervisionado por Rosana Silva Bonfim
PLANO DE AULA I Escrito por Eliani Pereira de Souza Nascimento Funções no Geogebra 1 º Série do Ensino Médio (Matemática) Compreender a construção do gráfico de funções de 1o - grau, sabendo caracterizar
Leia maisCarta de controle para o desvio-padrão
Carta de controle para o desvio-padrão O desvio padrão é um indicador mais eficiente da variabilidade, principalmente para amostras grandes (a amplitude perde eficiência). Recomenda-se o uso da carta Xb
Leia maisAS CRISES FINANCEIRAS IMPACTAM NAS VENDAS DE JOIAS? 1
AS CRISES FINANCEIRAS IMPACTAM NAS VENDAS DE JOIAS? 1 Guilherme Batista 2, Daniel Knebel Baggio 3, Bruna Faccin 4. 1 Projeto de pesquisa realizado no curso de Mestrado em Desenvolvimento da Unijuí 2 Aluno
Leia mais1.2. Grandezas Fundamentais e Sistemas de Unidades
CAPÍTULO 1 Grandezas, Unidades e Dimensões 1.1. Medidas Uma grandeza física é uma propriedade de um corpo, ou particularidade de um fenómeno, susceptível de ser medida, i.e. à qual se pode atribuir um
Leia maisIntervalos Estatísticos para Uma Única Amostra
Intervalos Estatísticos para Uma Única Amostra OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Construir intervalos de confiança para a média de uma distribuição
Leia maisA Significância Estatística do Proger na Redução da Taxa de Desemprego por Haroldo Feitosa Tajra
A Significância Estatística do Proger na Redução da Taxa de Desemprego por Haroldo Feitosa Tajra 1. INTRODUÇÃO O objetivo desta análise é verificar a significância estatística das aplicações do Programa
Leia maisPrograma de Ciências Experimentais 2012-2013
Programa de Ciências Experimentais 2012-2013 I Teoria 1 Introdução 2 Conceitos úteis 2.1 Ordem de grandeza 2.1.1 Introdução 2.1.2 Definição 2.1.3 Representação científica de um número 2.1.4 Ordem de grandeza
Leia mais3 Informações para Coordenação da Execução de Testes
Informações para Coordenação da Execução de Testes 32 3 Informações para Coordenação da Execução de Testes Diversas ferramentas oferecidas na literatura têm auxiliado na coordenação da execução dos testes
Leia maisLISTA DE EXERCÍCIOS V TEORIA DA FIRMA, PRODUÇÃO E OS CUSTOS DE PRODUÇÃO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL FACULDADE DE CIÊNCIAS ECONÔMICAS DEPARTAMENTO DE ECONOMIA DISCIPLINA: ANÁLISE MICROECONÔMICA I PROF. RAFAEL TIECHER CUSINATO LISTA DE EXERCÍCIOS V TEORIA DA FIRMA,
Leia maisROTEIRO PARA ELABORAÇÃO DO PROJETO DE PESQUISA
ROTEIRO PARA ELABORAÇÃO DO PROJETO DE PESQUISA O objetivo desse roteiro é orientar os estudantes de Estatística para a realização do trabalho proposto conforme previsto no plano de ensino da disciplina.
Leia maisProjeto pelo Lugar das Raízes
Projeto pelo Lugar das Raízes 0.1 Introdução Controle 1 Prof. Paulo Roberto Brero de Campos Neste apostila serão estudadas formas para se fazer o projeto de um sistema realimentado, utilizando-se o Lugar
Leia maisExperimento. Guia do professor. Quantos peixes há no lago? Secretaria de Educação a Distância. Ministério da Ciência e Tecnologia
Análise de dados e probabilidade Guia do professor Experimento Quantos peixes há no lago? Objetivos da unidade Introduzir um método que permite estimar o tamanho de uma deter minada população. licença
Leia maisElaboração e Análise de Projetos
Elaboração e Análise de Projetos Análise de Mercado Professor: Roberto César ANÁLISE DE MERCADO Além de ser o ponto de partida de qualquer projeto, é um dos aspectos mais importantes para a confecção deste.
Leia maisMODELAGEM MATEMÁTICA DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA EM MÉDIA TENSÃO 1. Gabriel Attuati 2, Paulo Sausen 3.
MODELAGEM MATEMÁTICA DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA EM MÉDIA TENSÃO 1 Gabriel Attuati 2, Paulo Sausen 3. 1 Parte integrante do Projeto de pesquisa Análise, Modelagem e Desenvolvimento
Leia mais3º Ano do Ensino Médio. Aula nº09 Prof. Paulo Henrique
Nome: Ano: º Ano do E.M. Escola: Data: / / 3º Ano do Ensino Médio Aula nº09 Prof. Paulo Henrique Assunto: Funções do Segundo Grau 1. Conceitos básicos Definição: É uma função que segue a lei: onde, Tipos
Leia maisPLANEJAMENTO SIMPLIFICADO DE PROJETOS
PLANEJAMENTO SIMPLIFICADO DE PROJETOS Nestor Nogueira de Albuquerque, MsC. Gestão e Desenvolvimento Regional V Encontro de Pós-GraduaP Graduação UNITAU 2005 Necessidade de um processo de Gestão de Projetos
Leia maisO QUE É AMOSTRAGEM? PARTE I
O QUE É AMOSTRAGEM? PARTE I! Teoria da amostragem! População x Amostra! O problema do censo! Amostragem probabilística e não probabilística Francisco Cavalcante(f_c_a@uol.com.br) Administrador de Empresas
Leia maisAvaliação e Desempenho Aula 1 - Simulação
Avaliação e Desempenho Aula 1 - Simulação Introdução à simulação Geração de números aleatórios Lei dos grandes números Geração de variáveis aleatórias O Ciclo de Modelagem Sistema real Criação do Modelo
Leia mais0.1 Curvas de Ofertas e Demandas Lineares
0.1 Curvas de Ofertas e Demandas Lineares 1 Faculdade de Minas - FAMINAS-BH 0.1 Curvas de Ofertas e Demandas Lineares Na prática, algumas equações de oferta e demanda são aproximadamente lineares na faixa
Leia maisPESQUISA OPERACIONAL: NA TOMADA DE DECISÕES ADMINISTRATIVA
PESQUISA OPERACIONAL: NA TOMADA DE DECISÕES ADMINISTRATIVA Rodrigo de Oliveira SOUZA 1 Letícia Pinheiro Ribeiro da COSTA 1 Camila Pires Cremasco GABRIEL 22 Luís Roberto Almeida GABRIEL-FILHO 2 RESUMO:
Leia maisAnálise de Regressão Múltipla com informação qualitativa: variáveis binárias (dummy)
Análise de Regressão Múltipla com informação qualitativa: variáveis binárias (dummy) 1 Como descrever informações qualitativas? Fatores qualitativos podem ser incorporados a modelos de regressão. Neste
Leia mais2 Limites e Derivadas. Copyright Cengage Learning. Todos os direitos reservados.
2 Limites e Derivadas Copyright Cengage Learning. Todos os direitos reservados. 2.7 Derivadas e Taxas de Variação Copyright Cengage Learning. Todos os direitos reservados. Derivadas e Taxas de Variação
Leia maisSEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO DE CIÊNCIAS BIOLÓGICAS DECB
Governo do Estado do Rio Grande do Norte Secretaria de Estado da Educação e da Cultura - SEEC UNVERSDADE DO ESTADO DO RO GRANDE DO NORTE UERN FACULDADE DE CÊNCAS EXATAS E NATURAS FANAT DEPARTAMENTO DE
Leia maisServem para comprovar a veracidade das informações contidas na pesquisa. Artigos científicos Como redigir, publicar e avaliar Maurício Gomes Pereira
Artigos científicos Como redigir, publicar e avaliar Maurício Gomes Pereira RESENHA Capítulo 8: Discussão 8.1. Para que serve a seção de discussão Interpretar os resultados obtidos para se chagar a uma
Leia mais