Universidade Federal de Viçosa. Introdução à Metodologia de Superfícies de

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Universidade Federal de Viçosa. Introdução à Metodologia de Superfícies de"

Transcrição

1 Unversdade Federal de Vçosa Departamento de Estatístca Dscplna: EST 63 Métodos Estatístcos II Apostla Introdução à Metodologa de Superfíces de Resposta Paulo Roberto Cecon Anderson Rodrgo da Slva Vçosa, MG

2 Introdução à Metodologa de Superfíces de Resposta

3 Sumáro. Introdução.... Modelo de Prmera Ordem Delneamentos Epermentas para Ajuste de Modelos de Prmera Ordem Fatoral Completo Delneamento Composto Central (DCC) Delneamento Composto Central Rotaconado (DCCR) Delneamento de Bo-Behnken (DBB) Teste de Sgnfcânca do Modelo Meddas e Adequação de Modelos Teste para Falta de Ajuste Método da Inclnação Ascendente Eemplo de Aplcação para o Modelo de Prmera Ordem Modelo de Segunda Ordem.... Localzação do Ponto Estaconáro Caracterzando a Superfíce de Resposta... 9 Referêncas... 35

4 . Introdução No conteto da estatístca epermental há constante nteresse em caracterzar a possível relação entre uma ou mas varáves resposta e um conjunto de fatores de nteresse. Isso pode ser eecutado através da construção de um modelo que descreva a varável resposta em função dos níves aplcáves desses fatores. Certos tpos de problemas centífcos envolvem a epressão de uma varável resposta, tal como o rendmento de um produto, como uma função empírca de um ou mas fatores quanttatvos, tas como a temperatura de reação e a pressão. Isso pode ser efetuado utlzando-se uma metodologa que permta modelar a relação: Rendmento em função de temperatura de reação e pressão. O conhecmento da forma funconal de f, frequentemente obtda com a modelagem de dados provenentes de epermentos planejados, permte tanto sumarzar os resultados do epermento quanto predzer a resposta para níves dos fatores quanttatvos. Assm, a função f defne a superfíce de resposta, que em sua essênca, consste em estmar coefcentes da regressão polnomal para a geração de um modelo empírco, por meo do qual é possível apromar uma relação (ncalmente desconhecda ou conhecda) entre os fatores e as respostas do processo. Podemos então defnr a Superfíce de Resposta como sendo a representação geométrca obtda quando uma varável resposta é plotada como uma função de dos ou mas fatores quanttatvos. A função pode ser assm defnda: Y f (X,X,..., X k ) + ε Em que: Y é a resposta (varável dependente); X,X,...,X k são os fatores (varáves ndependentes); e ε é o erro aleatóro. então, Denota-se a resposta esperada por: E(Y) f (X, X,,X ) η k η f (X, X,,X ) k

5 é chamada de superfíce de resposta. A metodologa de superfíce de resposta, ou MSR, é uma coleção de técncas matemátcas e estatístcas que são útes para modelagem e análse nas aplcações em que a resposta de nteresse seja nfluencada por váras varáves e o objetvo seja otmzar essa resposta. Por eemplo, suponha que um engenhero químco deseje encontrar os níves de temperatura (X ) e concentração da almentação (X ) que mamzem o rendmento (Y) de um processo. O rendmento de um processo é uma função dos níves de temperatura e concentração de almentação, como Y f (, ) + ε, em que ε representa o erro observado na resposta esperada E(Y) f (, ) η, então a superfíce representada por η f (, ) é chamada de superfíce de resposta (Montgomery e Runger, 8). Segundo Montgomery (), as equações defndas de superfíce de resposta podem ser representadas grafcamente e utlzadas de três formas: Descrever como as varáves em teste afetam as respostas; Determnar as nter-relações entre as varáves em teste; e Para descrever efetos combnados de todas as varáves em teste sobre a resposta. Algumas consderações devem ser fetas quando utlzamos superfíce de resposta, a saber: a) O uso efetvo da superfíce de resposta deve consderar cnco pressupostos:. Os fatores que são crítcos ao processo são conhecdos;. A regão em que os fatores nfluem o processo é conhecda;. Os fatores varam contnuamente ao longo da faa epermental escolhda; v. Este uma função matemátca que relacona os fatores à resposta medda; v. A resposta que é defnda por essa função é uma superfíce lsa.

6 b) A técnca também apresenta algumas lmtações que devem ser consderadas:. Grandes varações dos fatores podem resultar em conclusões falsas;. Os fatores crítcos não foram especfcados corretamente;. A regão de ótmo pode não ser determnada devdo ao uso de uma faa muto estreta ou ampla; v. Como em qualquer epermento, resultados destorcdos podem ser obtdos se os prncípos clásscos da epermentação não forem segudos (casualzação, repetção e controle local); e v. Superestmar a computação: o pesqusador dever utlzar de bom senso e seu conhecmento sobre o processo para chegar a conclusões apropradas a seus dados. A aplcação dessa metodologa fo realzada ncalmente na ndústra químca, tendo sdo seus fundamentos formalzados por Bo e Draper (987). No campo agronômco, o uso concentrou-se no estudo do rendmento de cultvares, como efeto de níves de nutrentes aplcados ao solo, nclundo-se outros fatores, como: densdade de planto e lâmnas de rrgação. A superfíce de resposta é útl quando o pesqusador não conhece a relação eata entre os fatores. Mas, geralmente quando a epressão analítca da função é conhecda, a metodologa pode ser útl em alguns casos: freqüentemente podem-se encontrar funções descontínuas, e em mutos casos se trabalha com valores dscretos das varáves de projeto ou fatores, sendo assm o uso da metodologa de superfíce de resposta apresenta uma ampla aplcação na pesqusa, porque ela consdera város fatores em níves dferentes e as nterações correspondentes entre esses fatores e níves. Dentre as vantagens da metodologa de superfíce de resposta, a prncpal é que seus resultados são resstentes aos mpactos de condções não deas, como erros aleatóros e pontos nfluentes, porque a metodologa é robusta. Outra vantagem é a smplcdade analítca da superfíce de resposta obtda, pos a metodologa gera polnômos. Em geral, polnômos de duas ou mas varáves, são funções contínuas. 3

7 Após o ajuste do modelo aos dados, é possível estmar a sensbldade da resposta aos fatores, além de determnar os níves dos fatores nos quas a resposta é ótma (por eemplo, máma ou mínma).. Modelo de Prmera Ordem Na maora dos problemas em superfíce de resposta, a forma do relaconamento entre as varáves dependentes e ndependentes é desconhecda. Assm, o prmero passo é encontrar uma apromação para o verdadero relaconamento entre a varável resposta (y) e as varáves ndependentes (fatores). Geralmente utlza-se de uma regressão polnomal de bao grau em alguma regão das varáves ndependentes. A forma geral para o modelo de prmera ordem (ou modelo de grau um) em k varáves de entrada (ndependentes) pode ser representado por: Y β + β X + ε k Onde Y é uma varável resposta observada, β, β,..., β k são parâmetros desconhecdos, e ε é o termo do erro aleatóro. Se ε tem méda zero, então a porção não aleatóra do modelo geral de prmera ordem representa a verdadera resposta méda, η, que é, η E(Y) β + β X k e ε é tdo como erro epermental. Se, entretanto, o modelo descrto é nadequado para representar a verdadera resposta méda, então ε contém, adconalmente ao erro epermental, um erro não aleatóro (sstemátco). Este últmo erro é atrbuído a omssão de termos em X, X,...,X k de grau superor a um que podem ser entenddas como outras varáves as quas tem alguma nfluênca sobre a varável resposta. Este erro adconal (eclundo o erro epermental) é chamado falta de ajuste. Escrevendo o modelo em notação matrcal, consderando N observações, temos: Y Xβ + ε 4

8 Em que Y é um vetor de N (N k+) observações, ` [ β β... β ] de parâmetros desconhecdos, ` [ ε ε... ε ] N β é um vetor (k+) k ε é um vetor N de erros, e X é uma matrz N (k+) de coefcentes dos parâmetros que compreende os níves das varáves ndependentes. Assume-se que os erros aleatóros são NID(, σ ), sto é, ndependentemente dstrbuídos com dstrbução Normal de méda zero e varânca comum. Quando a matrz X é de posto coluna completo, então o estmador de mínmos quadrados ordnáros de β pode ser obtdo por: βˆ ( X`X) X`Y E a matrz de varâncas e covarâncas de ˆβ é dada por: V( βˆ ) ( X`X ) σ Na maora dos casos, os cálculos para estmação dos parâmetros podem ser smplfcados codfcando os níves das k varáves ndependentes Em que (X X ) u u,,...,k e u,,...,n R N e u u X X / N A codfcação apresenta a característca: X por meo de: R é a dferença entre o maor e o menor valor dos níves. N u,,...,k u Eemplo: Os dados a segur referem-se ao peso de almentos ngerdos em epermento com almentação de ratos em relação a duração do tempo entre noculação de dosagens de uma droga e a almentação (horas). 5

9 Droga (X ) Dosagem (mg kg - ) Tempo (X ) Peso observado,3 5,63,3 6,4,7,38,7,94,3 5,57,3 5,6,7 5 5,7,7 5 4,69,3 9,68,3 9 3,3,7 9 8,8,7 9 7,73 Utlzando varáves codfcadas, tem-se: u ( ) ( ) Xu X Xu,5 Xu,5 R,7,3, u ( ) ( ) Xu X Xu 5 Xu 5 R 9 4 Então, o modelo de prmera ordem para Yu β + β Xu + β Xu + ε u, em notação matrcal Y Xβ + ε, utlzando as varáves codfcadas é 5,63 6, 4,38,94,57 β,6 5,7 β + 3 4,64 β,68 3,3 8, 8 7,73 3 ε ε ε ε ε 3 ε3 ε 4 ε 4 ε5 ε 5 ε6 ε 6 6

10 7 X'Y X'X β ) ( ˆ 8 n n u u n u u u n u u n u u u n u u n u u n u u n u u X X' n u u n u u u n u u u Y Y Y X'Y 3,3875, ,666 6,63 3,8 9,46 8 ˆβ Equação ajustada: u ** u ** u ** u ** u ** u ** X,83875 X 3,3665,44 Ŷ 4 5 X 3,3875,,5 X, ,666 Ŷ 3,3875, ,666 Ŷ Hpóteses: zero de dfere β um dos menos pelo : H β :β H

11 Quadro da análse de varânca: FV GL SQ QM F Regressão 74,38 87,69 84,8** Resíduo 9 9,98,33 Total 83,436 74,38 R 83,436,9493 Teste para cada um dos parâmetros: H H :β :β t -, (,33) 9, ** H H :β :β 3,3875 t (,33) 8 ** 9,6 ** sgnfcatvo pelo teste t a 5% de probabldade. 8

12 3. Delneamentos Epermentas para Ajuste de Modelos de Prmera Ordem 3.. Fatoral Completo Caracterza-se pela Combnação de todos os níves de todos os fatores escolhdos pelo pesqusador apresentando como desvantagem um número muto grande de ensaos. Deste modo, um fatoral completo com p(níves) e k(fatores) apresenta p k combnações dstntas, se p k. Eemplo : Em um ensao onde se deseja contrastar temperatura (3, 35, 4), tempo (3, 5, 7) e ph (5, 6, 7) tentando otmzar uma determnada reação químca, temos um fatoral 3 3, onde k3 fatores e p3 níves. Ao todo serão 7 tratamentos, conforme a representação gráfca: 3.. Delneamento Composto Central (DCC) Caracterza-se pela Combnação de um fatoral K (k fatores) mas o ponto central. Sua vantagem é a de reduzr o número de ensaos, todava sua utlzação restrnge-se ao ajuste de modelos de prmera ordem. Tomando-se como lustração o eemplo da seção 3., o número de tratamentos fcara: 3 + 9, uma redução de 8 ensaos em relação ao fatoral completo. 9

13 3.3. Delneamento Composto Central Rotaconado (DCCR) É utlzado para epermentos onde k(fatores). Este delneamento contém pontos da parte cúbca codfcados para ( ± ), pontos aas codfcados para ( ± α, onde α ( k ) /4 ) para testar o modelo de segunda ordem e o ponto central codfcado para () que geralmente possu repetções. Assm, número de tratamentos passara a ser: fatoral k + ponto central + k pontos aas. Para o eemplo da seção 3.., 3 ++*3 5 tratamentos Delneamento de Bo-Behnken (DBB) É utlzado para epermentos com k 3. Tendo como prncpal vantagem a redução do número de ensaos para estudar um maor número de fatores. De modo geral os níves dos fatores são escolhdos à partr das nformações de seus lmtes nferores e superores. O número de tratamentos dá-se pela combnação dos níves da parte cúbca + ponto central. A título de lustração, seguem abao outros eemplos: Eemplo. Um epermento com dos fatores de nteresse (A e B), possundo p 4 níves para ambos os fatores.

14 Eemplo 3. Eemplo 4. Um planejamento epermental com 3 fatores e 4 níves cada.

15 4. Teste de Sgnfcânca do Modelo Este teste é realzado como um procedmento de ANOVA. Calculando-se a razão entre a méda quadrátca dos termos de regressão e a méda quadrátca do erro, encontra-se a estatístca F, que comparada com o valor crítco de F para um dado nível de sgnfcânca, permte avalar a sgnfcânca do modelo. Se F for maor que F crítco então o modelo é adequado (Montgomery, ). Consderando o sstema de equações normas (SEN), dado por: X`Xβ ˆ X`Y pode-se obter as somas de quadrados relatvas a cada fonte de varação da ANOVA: SQ Y`Y C Y C Total Resíduo N j j SQ Y`Y β`x`y ˆ SQ Re g em que C é o termo de correção, dado por: C β`x`y ˆ C N Yj N j O teste para a sgnfcânca da regressão determna se este uma relação lnear entre a varável de resposta y um subconjunto de regressores. As hpóteses apropradas neste caso são: H : β β... β k H : pelo menos um dos β dfere de zero O teste ndvdual de sgnfcânca de cada coefcente pode conduzr a otmzação do modelo através da elmnação ou adção de termos. As hpóteses utlzadas para testar qualquer um dos coefcentes de regressão são: H : β H : β

16 O teste utlzado para realzar esse teste é: t βˆ V( ˆ βˆ ) ï Em que c é o elemento da dagonal da matrz (X X) - correspondente ao coefcente em teste. A estatístca segue dstrbução t com o número de graus de lberdade do resíduo. Se o valor p do teste ndvdual para os termos for nferor ao nível de sgnfcânca, então o termo é adequado ao modelo e deve, portanto, ser mantdo. Ao contráro, o termo deve ser ecluído se tal procedmento conduzr a um aumento do coefcente de determnação R² conjuntamente com a dmnução do efeto resdual e o valor p referente à falta de ajuste do modelo for superor ao nível de sgnfcânca. Além dsso, a retrada de qualquer termo deve obedecer ao prncípo da herarqua. Este prncípo, segundo Montgomery (), postula que quando um termo de ordem alta for mantdo no modelo, o de ordem baa que o compõe também deve ser mantdo. βˆ ï c σˆ 5. Meddas e Adequação de Modelos A medda de adequação mas comumente usada é o coefcente de determnação R², defndo por: SQRegressão SQTotal SQResíduo SQTotal R [ R ] e representa a proporção da varação total que é devda (eplcada) pelo modelo regressão. Assocado ao R² está o coefcente de determnação ajustado R, que consdera o fato de que R² tende a superestmar a quantdade atual de varação contablzada para a população. Também é fato que a nclusão de mutos parâmetros no modelo de regressão aumenta substancalmente o valor de R². Se o modelo recebeu parâmetros desnecessáros haverá um ncremento em R² sem haver, necessaramente, melhora de precsão da resposta. Por sso o R² ajustado é mas ndcado para comparar modelos com números dferentes de parâmetros e, anda, ajustados com número de observações dferentes. O coefcente de determnação ajustado para graus de lberdade e número de parâmetros (p) é defndo por: 3

17 R R (n ) p n p Nota: O R ajustado é sempre menor que o R e só será gual quando R. 6. Teste para Falta de Ajuste A adção de pontos centras aos arranjos epermentas proporcona a obtenção de uma estmatva do erro epermental. De acordo com Montgomery (), este artfíco permte que a soma de quadrados resdual (SQ Res ) seja dscrmnada em dos componentes: () a soma de quadrados devda ao erro puro (SQ EP ) e; () a soma de quadrados devdo à falta de ajuste do modelo adotado (SQ F.Aj ). Assm, pode-se escrever: SQRe s SQEP + SQF.Aj. Admtndo-se que estam n observações de uma dada resposta Y de nteresse no -ésmo nível dos regressores (,,...,k). Consdere que Y j denote a j-ésma observação da resposta no nível, com observações. Então, o j-ésmo resíduo será: j,,...,n e Y Y ˆ (Y Y ) + (Y Y ˆ ) j j j ï k n N, o total de Onde Y é a méda da resposta para o nível lados e somando em relação a e j, obtém-se:. Elevando-se ao quadrado ambos os k n k n k ˆ ˆ (Yj Y ) (Yj Y ) + n (Y Y ) j j SQRes SQEP SQF.Aj. 4

18 7. Método da Inclnação Ascendente O objetvo é aular o pesqusador, de forma rápda e efcente, a encontrar a regão de ótmo, sto é, determnar a melhor regão de estudo. Encontrada a regão de ótmo, um modelo mas elaborado, por eemplo, um modelo de segunda ordem, pode ser empregado, e uma análse pode ser feta para localzar o ponto de mámo ou de mínmo (ponto ótmo). Utlza-se um conjunto de tratamentos em torno do ponto ncal e estmam-se por Mínmos Quadrados as nclnações β. A partr das magntudes e snas destas nclnações, calcula-se a dreção do método da nclnação ascendente (MIA). Assm: Epermentos são conduzdos ao longo do camnho da MIA até que nenhum ncremento na resposta seja observado. Eventualmente, chega-se a vznhança do valor ótmo e sto será ndcado pela falta de ajuste do modelo de ª ordem. A apromação por um plano se torna nsatsfatóra pelo fato dos efetos de ordens mas elevadas, partcularmente os de ª ordem (quadrátco e de nteração lnear), se tornarem relatvamente mas mportantes. Nesse caso usa-se o Modelo Quadrátco. 8. Eemplo de Aplcação para o Modelo de Prmera Ordem Consderemos o segunte eemplo: um epermento em esquema fatoral, tempo e temperatura, com dos níves cada, ou seja, um fatoral para que os níves desses fatores mamzem a produção de um determnado processo. A regão epermental será (3, 4) mn para o tempo de reação e (5, 6) F para temperatura. Normalmente, opera-se com um tempo de 35 mnutos e temperatura de 55 ºF, que resulta numa produção de 4% apromadamente. 5

19 Como esta regão provavelmente não contém o ótmo, um modelo de prmera ordem será ajustado e aplcado o Método da Máma Inclnação Ascendente. As varáves ndependentes serão codfcadas para (-, ) para smplfcar os cálculos. Serão ncluídos também cnco pontos centras entre os valores mámos e mínmos do tempo e temperatura. As repetções no ponto central são utlzadas para estmar o erro epermental e para checar o ajuste do modelo de prmera ordem. Os pontos centras do delneamento são os correspondentes às condções de operação atual (35 mn e 55 ºF). Codfcação: X 35 X Tabela. Varáves orgnas e codfcadas de um epermento fatoral (tempo e temperatura). Varáves orgnas Varáves codfcadas Resposta Y X X , , 4 5-4, , , , , , ,6 Para realzação do dagnóstco correto em relação ao modelo de prmera ordem deveremos obter uma estmatva do erro epermental, verfcar se a nteração deve ser ncluída no modelo e fnalmente verfcar se os termos quadrátcos devem ser adconados no modelo. 6

20 Y Tabela. Análse de varânca do modelo de prmera ordem. FV GL SQ QM F Valor p Regressão,85,45 47,8, Desvos 6,773,95 Total 8 3,3 R²,949 R² Ajustado,9 Tabela 3. Estmatvas dos parâmetros do modelo de regressão de prmera ordem. Efetos Estmatvas Desvo t Valor p Constante 4,4444 Tempo ( ),775,859 9,69, Temperatura ( ),349,859 3,78,93 Equação ajustada: ŷ 4, 44 +,775 +, Fgura. Superfíce de Resposta do modelo de º Ordem. Cálculo do erro epermental lberdade. A soma de quadrado do erro é obtda de forma tradconal, com 4 graus de 7

21 (4,3² + 4,5² + 4,7² + 4, ² + 4,6²) (,3)² 5 σ ˆ,43 5 A nteração entre os fatores pode ser obtda adconando o termo e é medda pelo coefcente β. A estmatva é obtda (consderando as varáves codfcadas) por: β ˆ ( y o + y + y y ) n trat SQ Int YEtremos Y o n trat Meo Para o eemplo em questão, temos: β ˆ ( * 39,3 + ( * 4) + ( * 4,9) + * 4,55 ) 4,5 [(39,3 + 4,5) (4 + 4,5)] SQInt,5 4 SQ,5 QM,43 Int F,58 Erro Outra verfcação da adequabldade do modelo é obtda pela comparação da resposta méda dos quatro pontos do fatoral (4,45), com a resposta méda do centro do delneamento (4,46). Se β e β são os coefcentes dos termos quadrátcos das médas é uma estmatva de β + β. χ e β ˆ + β ˆ y y 4,45 4,46,35 χ, então a dferença Assm, não este nenhuma razão para questonar o modelo de prmera ordem. Os prómos passos da (MIA) devem segur. Para andar (mover-se) do centro do delneamento ( e ) no camnho da nclnação ascendente, deveríamos mover,775 undades na dreção para cada,35 8

22 undades na dreção de. Assm, a dreção da nclnação ascendente passa pelo ponto central ( e ) e tem nclnação,35/,775,4. O engenhero decde usar um tempo de reação de 5 mnutos como tamanho do passo ncal. Usando a relação entre X e, vmos que 5 mnutos no tempo de reação corresponde a um ntervalo (passo), na varável codfcada, de. Os passos no camnho da nclnação ascendente são: (,35/,775),4 Os pontos epermentas são obtdos e a produção para estes pontos observados até que se perceba um decréscmo na produção. Os resultados são mostrados na tabela a segur: Tabela 4. Método da Inclnação Ascendente para o eemplo da tabela. Passos Varáves codfcadas Varáves orgnas X X Resposta Y Orgem 35 55,,4 5 Não faz Orgem +,, , Orgem +,, ,9 Orgem +3 3,, , Orgem +4 4,, ,7 Orgem +5 5,, ,8 Orgem +6 6,, ,9 Orgem + 7 7,, , Orgem + 8 8, 3, ,4 Orgem + 9 9, 3, ,6 Orgem +, 4, ,3 Orgem +, 4, , Orgem +, 5, , Incrementos na resposta são observados até o passo; depos há um decréscmo na produção. Portanto, outro modelo de prmera ordem pode ser ajustado em torno do ponto (85,75). A regão de eploração para tempo sera (8,9) e de temperatura (7,8). 9

23 Assm repete-se todo o processo e os resultados são analsados a segur: A regão de X é [8, 9] e para X é [7, 8]. O delneamento epermental e os resultados são apresentados na tabela a segur. Novamente usou-se um fatoral completo com cnco pontos centras. Tabela 5. Dados para o segundo ajuste do modelo de prmera ordem. Varáves codfcadas Varáves orgnas X X Resposta Y , , , , , , , , ,8 X 85 X 75 e 5 5 Modelo de ª ordem ajustado aos dados codfcados é dado por: Ŷ 78,97 +,X +,5X Tabela 6. Analse da varânca para o segundo modelo de prmera ordem. FV GL SQ QM F Regressão 5,,5 47,7* Resíduo 6, Interação,5,5 4,7 Quad. Puro,658,658,9* Erro puro 4,,53 Total 8 6,

24 Pela tabela de ANOVA, o componente do termo quadrátco puro fo sgnfcatvo, sso mplca que o modelo de ª Ordem não é uma apromação adequada. A curvatura na real superfíce pode ndcar que se está prómo do ótmo; assm, análses adconas devem ser fetas para localzar o ótmo com mas precsão. Nesse ponto, uma análse adconal deve ser feta para localzar o ótmo com mas precsão. 9. Modelo de Segunda Ordem Na falta de conhecmento sufcente acerca da forma da verdadera superfíce de resposta, geralmente o epermentador tenta a apromação pelo modelo de prmera ordem. Quando, entretanto, o modelo de prmera ordem apresenta falta de ajuste para a superfíce, ncorpora-se termos de ordem superor. Quando o epermentador está relatvamente prómo do ótmo, um modelo que ncorpora a curvatura é usualmente requerdo para apromar a resposta. Na maora dos casos o modelo de segunda ordem k k k k j j j < j Y β + β X + β X + β X X + ε Em que X,X,...,X k são as varáves ndependentes que tem nfluênca na resposta Y; β, β (,,...,k), β j(j,,...,k) são parâmetros desconhecdos, e ε é um erro aleatóro. Utlzando varáves codfcadas,,obtdas por: u Xu X s X u,,..., N,,...,k Em que X u é o u-ésmo nível da -ésma varável ndependente, méda dos valores X u, / N u u é a X X / N N s X (X u u X ) / N é o desvo padrão, e N é o número de observações. Sem perda de generaldade podemos consderar os valores de X sendo substtuídos pelos correspondentes valores de (,,...,k). Os valores da

25 varável resposta obtdos com as varáves codfcadas podem, então, ser representados como Em que k k k k u β + β u + β u + β j u ju + εu j < j Y ε u é o erro epermental em Y u. Assume-se que os valores de ε u sejam ndependentemente dstrbuídos como varáves aleatóras com méda zero e varânca σ. O modelo pode ser escrto na forma de matrz da segunte forma: Em que Y` [ Y Y Y ] N Y Xβ + ε, X é uma matrz N p de coefcentes dos parâmetros que compreende os níves das varáves ndependentes; p (k + )(k + ) / ; β é um vetor p de parâmetros desconhecdos e ε ` [ ε ε... ε ] quadrados para β no modelo é dado por: βˆ ( X`X) X`Y A matrz de varâncas e covarâncas de ˆβ é V( βˆ ) ( X`X ) σ N. O estmador de mínmos. Eemplo de Aplcação para o Modelo de Segunda Ordem Consdere um esquema fatoral 3 3, com 3 níves de N (, 5 e ) e 3 níves de P (, 4 e 6), de acordo com o modelo de segunda ordem: Y β + β X + β X + β X + β X + β X X + e 3 O epermento dó nstalado no delneamento em blocos casualzados com 3 repetções e os dados obtdos encontram-se na tabela a segur: 4 5

26 Trat. N P Bloco Y - - /3 / /3 / /3 / /3 -/ /3 -/ /3 -/ /3 / /3 / /3 / /3 / /3 / /3 / /3 -/ /3 -/ /3 -/ /3 / /3 / /3 / /3 / /3 / /3 / /3 -/ /3 -/ /3 -/ /3 / /3 / /3 /3 39 X X 5 {,,} 5 (+ ) ( ) X X 4 {,,} P (+ 6) (6 ) n ( ) + () + () X 3 3 3

27 7 8 8 X`X X`Y 47 / 455 / / 7 7 /8 ˆ 39 /8 β 47 /8 455 /8 8 / 6 Ŷ Y β + β + β + β ( ) + β ( ) + β + e X 5 X 4 X X 4 8 X 5 X X 39X 47 X X Ŷ X 4X 8 XX X X Ŷ X X 6X 39X 8X 8X 47X 455X 8X X Ŷ 34,848 +,6X + 4, 9855X, 444X, 63944X, 6666X X 4

28 SQ Re g βx`y ˆ C (363) / / , , , 37 SQTotal , , 747 Quadro da ANOVA FV GL SQ QM F Blocos 9, (Tratamentos) (8) (463,47) -- Regressão 5 45,37 8,74 64,4** Falta de ajuste 3 58,37 5,79 4,3* Resíduo puro 6 99,485,4675 Total 6 437,743 F 5% (3,6) 3, 4 F % (3,6) 5, 9 SQ Re g 45,37 SQTotal 437, 743 R, 959 SQ Re g 45,37 SQTrat. 463, 47 R,969 Teste para as hpóteses: H : β H : β 7 8 t,83 (, 4675) 8 t % (6), 9 t 5% (6), t % (6), 75 5

29 Utlzando : QM Re s 8,834 GL Res t, 4664 (8,834) 8 t % (9),86 t 5% (9), 9 t % (6), 73 B λ I Y,6,888X,6666X X Y 4,9855,6388X,6666X X, 888X, 6666X,6 X 4, 9855,6388X, 6666,6, 6666X, 888,6, 6666X, 888 4, 9855,6388X, , 73X,675X 4,99346 X 39,6,6, 6666(39, 6) X 64, 66, 888 Ponto crítco ( X 64,66;X 39,6 ). Matrz da segunda dervada: Y Y, 888,6388 X X Y X X,

30 Estudo da natureza da superfíce de resposta: este pode ser realzado consderando o ponto estaconáro e os snas e magntudes dos λ. B λ I Y Y X X X B I Y Y X X X Suponha que o ponto estaconáro esteja dentro da regão de estudo na qual fo ajustado o modelo de segunda ordem. Conclusão: ) Se todos os valores de λ são postvos, então mínma. ) Se todos os valores de λ são negatvos, então máma. ) Se os valores de λ tem snas postvos e negatvos, então de sela. X s é um ponto de resposta X s é um ponto de resposta X s é um ponto, 888, 3333 B, 3333,6388, então:, 888, 3333 λ B λ I, 3333,6388 λ, 888 λ, 3333, 3333,6388 λ (, 888 λ)(,6388 λ) (, 3333),6388λ +,84768λ +, 63787,84768 ±, 65688, λ (,6388) λ, 44 λ, 5 7

31 . Localzação do Ponto Estaconáro Suponha que nosso nteresse é encontrar os níves,,..., k, que otmze a resposta predta. Este ponto, se estr, será dado pelo conjunto,,..., k para o qual as dervadas parcas são guas são guas à zero, sto é Yˆ Yˆ Yˆ... k Este ponto é chamado de ponto estaconáro e pode representar um ponto de mámo, de mínmo ou um ponto de sela. Para obtenção de uma solução matemátca geral para localzação do ponto estaconáro, escrevemos o modelo de segunda ordem na segunte notação matrcal onde Yˆ βˆ + `b + `B βˆ βˆ βˆ ˆ / βk / ˆ ˆ ˆ β β βk / b B k βˆ ˆ k sm. β kk Em que b é um vetor (k ) dos coefcentes de regressão de prmera ordem e B é uma matrz smétrca (k k) onde na dagonal têm-se os coefcentes de regressão de segunda ordem e fora da dagonal os coefcentes da nteração. As dervadas parcas dos valores predtos da resposta Ŷ em relação aos elementos do vetor gualadas a zero são dadas por: Ŷ b + B O ponto estaconáro é a solução das equações, ou seja, s B b O valor predto da varável resposta no ponto estaconáro é: 8

32 Ŷs β ˆ + `s b. Caracterzando a Superfíce de Resposta Uma vez encontrado o ponto estaconáro, é necessáro caracterzar a superfíce de resposta. Esta caracterzação sgnfca determnar se o ponto estaconáro é um ponto de mámo, de mínmo ou de sela. Um modo de fazer sto é eamnar o gráfco de contorno do modelo ajustado. Entretanto nem sempre temos poucas varáves e, nesses casos, uma análse mas formal pode ser aplcada, chamada de análse canônca. Consdere uma translação (novo sstema de coordenadas) da superfíce de resposta da orgem para o ponto estaconáro s e então rotacone os eos desse sstema até que eles fquem paralelos aos eos prncpas da superfíce de resposta ajustada. Esta transformação é lustrada na Fgura 3. w,s,s Fgura 3. Forma canônca para o modelo de segunda ordem. w Pode-se mostrar que o modelo ajustado é Yˆ Yˆ + λ w + λ w λ w s k k 9

33 onde w são as varáves ndependentes transformadas e os equação acma é chamada de forma canônca do modelo. Os raízes característcas da matrz B. Assm, tem-se que:. Se todos os valores de ( λ ) são postvos, então,. mínma; λ são constantes. A λ são os autovalores ou s é um ponto de resposta Se os ( λ ) são todos negatvos, então, s é um ponto de resposta máma;. Se os valores de ( λ ) tem snas postvos e negatvos, então, sela. s é um ponto de λ é maor. Além dsso, a superfíce tem nclnação na dreção de w para o qual o valor de Consderemos novamente o eemplo: segunda fase do estudo. Para ajustar um modelo de segunda ordem é necessáro aumentar o delneamento com pontos adconas. Para ser possível estmar os parâmetros do modelo o engenhero obteve mas 4 observações, mas ou menos no mesmo tempo em que eecutou os 9 tratamentos anterores. Os 4 tratamentos adconas foram:( ; ±,44) e ( ±,44; ). Este é o Delneamento Composto Central. Tabela 7. Delneamento composto central para avalação do eemplo. Varáves orgnas Varáves codfcadas Resposta X Y (produção) X

34 Tabela 8. Análse da varânca de dados referentes à produção no delneamento composto central. FV GL SQ QM F Valor p Intercepto * Tempo * Tempo² * Temperatura * Temperatura² * Tempo Temperatura Resíduo Os efetos do modelo de segunda ordem ajustado aos dados codfcados bem como sua sgnfcânca estatístca são apresentados na Tabela 9. Tabela 9. Estmatva dos parâmetros do modelo de segunda ordem. Efetos Estmatvas Valor p Intercepto Tempo Tempo² Temperatura Temperatura² Tempo Temperatura.5.59 Tem-se a não sgnfcânca do efeto da nteração Tempo Temperatura, assm o modelos ajustado pode ser epresso por: Ŷ 79, ,9955,37645,55,34 3

35 Y Tabela. Análse de varânca para falta de ajuste. FV GL SQ QM F Valor p Falta de ajuste Erro puro (Resíduo) (7) (.4963).79 Pela Tabela verfca-se a não sgnfcânca da falta de ajuste, sto é, o modelo de segunda ordem é adequado para descrever o comportamento da varável resposta e tanto o resdual. QM F.Aj quanto o QM Resíduo podem ser utlzados como estmatva da varânca As fguras 4 e 5 representam a superfíce de resposta e o gráfco de contorno, respectvamente, para a resposta (produção) em função da temperatura e do tempo. É relatvamente fácl ver por estas fguras que a resposta é realmente o mámo global Fgura 4. Superfíce de Resposta do modelo de º Ordem. 3

36 Fgura 5. Gráfco de contorno do modelo de º Ordem. Sabendo que o modelo é aproprado para descrever os dados, podemos então encontrar a localzação do ponto estaconáro usando a solução geral apresentada.,9955,37645,5 b,55 B,5,34 O ponto estaconáro é a solução das equações, ou seja,,7397,934,9955,78364,934,8,55,633 s B b Em termos das varáves orgnas, o ponto estaconáro é dado por: X 85 5 X 75 5,78364 X 8,88,633 X 7,9383 O valor da resposta estmada no ponto estaconáro é: 33

37 ' Ŷs β ˆ + sb,9955 Ŷs 79,94 + [,78364,633] 79,39,55 Análse canônca Vamos epressar o modelo ajustado na forma canônca. Prmeramente precsamos encontrar os autovalores, λ e λ, que são as raízes do determnante da equação: B λ I,37645 λ,5,5,34 λ Resolvendo a equação: λ + λ +,3777,366 Temos: λ,9635 e λ, 443 A forma canônca do modelo ajustado fca: Ŷ 8,,9635w, 443w Vsto que as raízes resposta máma. λ são todas negatvas, conclu-se então que s é um ponto de 34

38 Referêncas BOX, G. E. P.; DRAPER, N. R. Emprcal model budng and response surfaces. New York: John Wley & Sons, 987. KHURI, A. I.; CORNELL, J. A. Response Surfaces: desgns and analyss. New York: Marcel Dekker Inc., 987. MONTGOMERY, D. C. Desgn and analyss of eperments. John Wley & Sons, New York,. MONTGOMERY, D. C.; RUNGER, G. C. Estatístca aplcada e probabldade para engenheros; tradução Verônca Calado. ed. Ro de Janero: LTC, 8. 35

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método

Leia mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

ANÁLISE DA VARIÂNCIA DA REGRESSÃO ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos

Leia mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

PRESSUPOSTOS DO MODELO DE REGRESSÃO

PRESSUPOSTOS DO MODELO DE REGRESSÃO PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras

Leia mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

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

Leia mais

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

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

Leia mais

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.

Leia mais

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

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

Leia mais

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

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

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

8.16. Experimentos Fatoriais e o Fatorial Fracionado

8.16. Experimentos Fatoriais e o Fatorial Fracionado 8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e

Leia mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

Leia mais

Análise de Regressão

Análise de Regressão Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. Aula 8 Regressão Linear Simples Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

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

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise de Variância. Comparação de duas ou mais médias Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

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

Leia mais

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

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

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

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

Leia mais

7 - Distribuição de Freqüências

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

Leia mais

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados. INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

Leia mais

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução da

Leia mais

Experiência V (aulas 08 e 09) Curvas características

Experiência V (aulas 08 e 09) Curvas características Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de

Leia mais

Análise de influência

Análise de influência Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).

Leia mais

Método dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014)

Método dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014) Método dos Mínmos Quadrados com ênfase em varâncas e com recursos matrcas (3//4) Otavano Helene Curso de etensão unverstára, IFUSP, feverero/4 Baseado no lvro Método dos Mínmos Quadrados com Formalsmo

Leia mais

NOTA II TABELAS E GRÁFICOS

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

Leia mais

Estatística I Licenciatura MAEG 2006/07

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

Leia mais

Prof. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =

Prof. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 = Análse de Regressão Cap.. Introdução Análse de regressão é uma técnca de modelagem utlzada para analsar a relação entre uma varável dependente () e uma ou mas varáves ndependentes,, 3,..., n. O ojetvo

Leia mais

Programa de Certificação de Medidas de um laboratório

Programa de Certificação de Medidas de um laboratório Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados

Leia mais

Introdução à Análise de Dados nas medidas de grandezas físicas

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

Leia mais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais 30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.

Leia mais

Identidade dos parâmetros de modelos segmentados

Identidade dos parâmetros de modelos segmentados Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos

Leia mais

Classificação de Padrões

Classificação de Padrões Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

Métodos Experimentais em Ciências Mecânicas

Métodos Experimentais em Ciências Mecânicas Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

Leia mais

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): A redução da

Leia mais

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

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

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

Gabarito da Lista de Exercícios de Econometria I

Gabarito da Lista de Exercícios de Econometria I Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076

Leia mais

Análise de Regressão Linear Múltipla VII

Análise de Regressão Linear Múltipla VII Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto

Leia mais

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

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

Leia mais

SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP., NO PÓLO GESSEIRO DO ARARIPE

SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP., NO PÓLO GESSEIRO DO ARARIPE SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP, NO PÓLO GESSEIRO DO ARARIPE Jáder da Slva Jale Joselme Fernandes Gouvea Alne Santos de Melo Denns Marnho O R Souza Kléber Napoleão Nunes de

Leia mais

Eletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.

Eletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos. Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08

Leia mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

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

Leia mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto

Leia mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores. MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo

Leia mais

CAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples

CAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de

Leia mais

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

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

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076

NOTAS DE AULA DA DISCIPLINA CE076 5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura

Leia mais

Variável discreta: X = número de divórcios por indivíduo

Variável discreta: X = número de divórcios por indivíduo 5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

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

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

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

Leia mais

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

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

Leia mais

são os coeficientes desconhecidos e o termo ε (erro)

são os coeficientes desconhecidos e o termo ε (erro) Regressão Lnear Neste capítulo apresentamos um conjunto de técncas estatístcas, denomnadas análse de regressão lnear, onde se procura estabelecer a relação entre uma varável resposta e um conjunto de varáves

Leia mais

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação. Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,

Leia mais

AULA EXTRA Análise de Regressão Logística

AULA EXTRA Análise de Regressão Logística 1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável

Leia mais

Aplicação de um modelo simulado na formação de fábricas

Aplicação de um modelo simulado na formação de fábricas Aplcação de um modelo smulado na formação de fábrcas Márca Gonçalves Pzaa (UFOP) pzaa@ldapalm.com.br Rubson Rocha (UFSC) rubsonrocha@eps.ufsc.br Resumo O objetvo deste estudo é determnar a necessdade de

Leia mais

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma

Leia mais

ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO

ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ADMINISTRAÇÃO ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Eemplos em STATA. Prof. Dr. Evandro Marcos

Leia mais

FAAP APRESENTAÇÃO (1)

FAAP APRESENTAÇÃO (1) ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,

Leia mais

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores. Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.

Leia mais

Estudo e Previsão da Demanda de Energia Elétrica. Parte II

Estudo e Previsão da Demanda de Energia Elétrica. Parte II Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo

Leia mais

Regressão múltipla linear

Regressão múltipla linear Regressão múltpla lnear (Análse de superfíces de tendênca) Coefcente de correlação lnear produto momento, segundo Pearson (r) SPXY = -( ) / n; SQX = - () / n; SQY = - () / n r cov(, ) var( )var( ) r SPXY

Leia mais

Capítulo XI. Teste do Qui-quadrado. (χ 2 )

Capítulo XI. Teste do Qui-quadrado. (χ 2 ) TLF 00/ Cap. XI Teste do Capítulo XI Teste do Qu-quadrado ( ).. Aplcação do teste do a uma dstrbução de frequêncas 08.. Escolha de ntervalos para o teste do.3. Graus de lberdade e reduzdo.4. Tabela de

Leia mais

4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES

4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES 4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento

Leia mais

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;

Leia mais

Regressão e Correlação Linear

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

Leia mais

AEP FISCAL ESTATÍSTICA

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

Leia mais

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

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

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

Leia mais

Algoritmos Genéticos com Parâmetros Contínuos

Algoritmos Genéticos com Parâmetros Contínuos com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75

Leia mais

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas

Leia mais

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia mais

D = POLINÔMIO INTERPOLADOR DE NEWTON 1) DIFERENÇAS DIVIDIDAS 1.1) DIFERENÇAS DIVIDIDAS ORDINÁRIAS (D) Sejam n+1 pontos de uma função y = f(x):

D = POLINÔMIO INTERPOLADOR DE NEWTON 1) DIFERENÇAS DIVIDIDAS 1.1) DIFERENÇAS DIVIDIDAS ORDINÁRIAS (D) Sejam n+1 pontos de uma função y = f(x): POLINÔMIO INTERPOLAOR E NEWTON ) IFERENÇAS IVIIAS.) IFERENÇAS IVIIAS ORINÁRIAS () Sejam n pontos de uma função f():... n f( )... n - ferença dvdda de ordem zero: n n M - ferença dvdda de ordem um: M M

Leia mais

ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL

ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.

Leia mais

Eletromagnetismo Aplicado

Eletromagnetismo Aplicado letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente

Leia mais

2. Validação e ferramentas estatísticas

2. Validação e ferramentas estatísticas . Valdação e ferramentas estatístcas Mutos aspectos relaconados à socedade são suportados, de alguma forma, por algum tpo de medção analítca. Mlhões de medções analítcas são realzadas todos os das, em

Leia mais

Estatística stica Descritiva

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

Leia mais

Referências: No mínimo, para cada experimento o Caderno de Laboratório deve sempre conter:

Referências: No mínimo, para cada experimento o Caderno de Laboratório deve sempre conter: Sstemas Mecâncos III - EXPERIMETO - Dlatação Térmca Prof.: Dr. Cláudo S. Sartor Técnco: Fernando ITRODUÇÃO: Forma Geral dos Relatóros É muto desejável que seja um caderno grande (formato A) pautada com

Leia mais

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br

Leia mais

Capítulo 16: Equilíbrio Geral e Eficiência Econômica

Capítulo 16: Equilíbrio Geral e Eficiência Econômica Capítulo 6: Equlíbro Geral e Efcênca Econômca Pndck & Rubnfeld, Capítulo 6, Equlíbro Geral::EXERCÍCIOS. Em uma análse de trocas entre duas pessoas, suponha que ambas possuam dêntcas preferêncas. A curva

Leia mais

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas

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

Leia mais

FUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores

FUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos

Leia mais

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO ESTATISTICA EXPERIMENTAL: Com aplcaçoes em R Medcna

Leia mais

Referências: No mínimo, para cada experimento o Caderno de Laboratório deve sempre conter:

Referências: No mínimo, para cada experimento o Caderno de Laboratório deve sempre conter: Fenômenos de Transporte, Calor e Massa - FTCM - Rotero Epermental - Relatóro Prof.: Dr. Cláudo S. Sartor - EXPERIMETO Dlatação Térmca ITRODUÇÃO: Forma Geral dos Relatóros É muto desejável que seja um caderno

Leia mais