GRÁFICOS DE CONTROLE PARA MÉDIA E DESVIO-PADRÃO COM TAMANHO DE AMOSTRA VARIÁVEL: UMA APLICAÇÃO EM UMA INDÚSTRIA DO SETOR METALÚRGICO
|
|
- Zilda Vilaverde Fartaria
- 7 Há anos
- Visualizações:
Transcrição
1 ! "#$ " %'&)(*&)+,.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?<>=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007 GRÁFICOS DE CONTROLE PARA MÉDIA E DESVIO-PADRÃO COM TAMANHO DE AMOSTRA VARIÁVEL: UMA APLICAÇÃO EM UMA INDÚSTRIA DO SETOR METALÚRGICO Danlo Cuzzuol Pedrn (PPGEP/UFRGS) danlo@producao.ufrgs.br Carla Schwengber Ten Caten (PPGEP/UFRGS) tencaten@producao.ufrgs.br Aurélo Batsta Soares (DEPRO/UFOP) dconaro@producao.em.ufop.br Magno Slvéro Campos (PPGEP/UFMG) magno.sopmac@gmal.com Este artgo apresenta uma revsão bblográfca sobre os gráfcos de controle para méda e desvo-padrão quando as amostras têm tamanhos dferentes. Apresenta também a proposção de uma metodologa para aplcação de cartas de controle comm tamanhos de amostras varáves em um processo ndustral. Quando o tamanho das amostras vara, utlza-se médas e desvos-padrão ponderados, tendo o tamanho de cada amostra como pesos, para estmar a méda e o desvo-padrão geras do processo, respectvamente. Para esse caso, as cartas de controle apresentam uma partcularedade: lmtes de controle serão descontínuos, sendo calculados para cada amostra dependendo de seu tamanho. O objetvo do trabalho é aplcar a metodologa apresentada em um processo metalúrgco. Palavras-chaves: cartas de controle, gráfcos para méda e desvopadrão, tamanho de amostra varável
2 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y j% h Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007. Introdução A qualdade tornou-se um dos mas mportantes fatores de decsão dos consumdores na seleção de produtos e servços. Dessa forma, ndústras necesstam ter controle sobre propredades e característcas de seus produtos, para assm controlar sua qualdade e satsfazer as prncpas necessdades de seus clentes. Nesse contexto, o controle estatístco de processo (CEP) é extremamente útl, já que é uma poderosa coleção de ferramentas para a coleta, análse e nterpretação de dados, com o objetvo de melhorar a qualdade através da elmnação de causas especas de varação, podendo ser utlzado para a maora dos processos (MONTGOMERY, 004). Os gráfcos de controle de Shewhart destacam-se dentre as ferramentas do CEP, devdo prncpalmente à sua smplcdade operaconal e à sua efetvdade na detecção de problemas no processo (RUNGER & PIGNATIELO, 99). A prátca comum dos gráfcos de controle é a retrada de amostras aleatóras de tamanho n a cada h horas e nvestgar se o processo está ou não sob controle estatístco (COSTA, 994). Para melhorar a efetvdade dos gráfcos de controle na descoberta de pequenas mudanças no processo, foram propostas algumas modfcações nos tamanhos de amostra: a amostragem dupla (Double Samplng - DS), amostras com tamanho varável (Varable Sample Sze - VSS), amostras com ntervalos de coleta varáves (Varable Samplng Intervals - VSI) e amostras com tamanho e ntervalos de coleta varáves (Varable Sample Sze and Samplng Intervals - VSSI). O trabalho de Tagaras (998) é um bom resumo sobre essas técncas. Os gráfcos de controle DS consstem bascamente na retrada de duas amostras, mas a segunda amostra só é analsada se a prmera amostra não for sufcente para conclur se o processo está sob controle (DAUDIN, 99; HE & GRIGORYAN, 004). No caso dos gráfcos de controle VSS o tamanho da amostra é adaptado entre dos valores n e n (n <n ) de acordo com a stuação do processo, se este está sob controle estatístco a próxma amostra será de tamanho n, caso contráro a próxma amostra será de tamanho n (RUNGER & PIGNATIELLO, 99; PRABHU et al, 993; COSTA, 994). Nos gráfcos VSSI adapta-se tanto o tamanho da amostra quanto o ntervalo de amostragem, de acordo com a stuação do processo, quando este está sob controle coleta-se amostras pequenas em ntervalos grandes e o contráro quando o processo não está sob controle (PRABHU et al, 994; COSTA, 997; LIN & CHOU, 005; CELANO et al, 006). Burr (969) e Nelson (990) descreveram como estmar a méda e o desvo-padrão quando as amostras possuem tamanhos varáves. Nesses estudos não houve a adaptação dos tamanhos de amostras de acordo com a stuação do processo. O presente trabalho apresenta a utlzação dos gráfcos de controle X e S com tamanho de amostra varável em um processo produtvo do setor metalúrgco, esse estudo justfca-se devdo à dfculdade que a empresa possu em coletar amostras de tamanhos constantes na etapa do processo estudada.. Gráfcos de Controle X e S com Tamanho de Amostra Varável Segundo Montgomery (004) os gráfcos de controle podem ser classfcados em dos tpos geras: gráfcos de controle para varáves e gráfcos de controle para atrbutos. Dentre os
3 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y j% h Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007 gráfcos de controle para varáves destacam-se as cartas de controle X e S e X e R, que são utlzados para o controle de característcas de qualdade meddas em escalas numércas (sendo denomnadas de varáves), quando as amostras possuem tamanho maor que um. De acordo com Vera (999) e Montgomery (004), utlza-se os gráfcos X e S quando: - o tamanho da amostra n é maor que 0 ou, já que nesses casos o gráfco R tende a superestmar o desvo-padrão; - o tamanho da amostra n é varável. Quando o tamanho da amostra não é constante deve-se estmar a méda geral através de uma méda ponderada das médas amostras, tendo os tamanhos das dferentes amostras como pesos (BURR, 969; NELSON, 990; GRANT & LEAVENWORTH, 99; MONTGOMERY, 004): n X X = = (equação ) Para a estmação do desvo-padrão geral, a lteratura apresenta três fórmulas prncpas para o cálculo. Burr (969) apresentou a segunte fórmula: σˆ = c 4 = = ( n ) S ( n ) =, com c4 escolhdo para um n= Montgomery (004) apresentou a fórmula sem a constante c 4 : s = = = ( n ) S ( n ) n, com σˆ = ( n ) + (equação ) s c = 4 (equação 3) Para Burr (969), essas fórmulas tendem a nflaconar o desvo-padrão, nflaconando conseqüentemente o lmte superor de controle e dmnundo a efcênca na detecção de pontos fora de controle. Assm, outra alternatva é apresentada por Burr (969): σˆ = = 4 = = h s c h = = g s h c4, onde h = c 4 Dessa forma, os lmtes de controle serão (BURR, 969): e g h =. (equação 4) c4 Gráfco X : LSC = X + A σˆ LC = X LIC = X - A σˆ (equação 5) Gráfco S: LSC = B 5 σˆ LC = c 4 σˆ LIC = B 6 σˆ (equação 6) É mportante lembrar que as constantes utlzadas devem ser escolhdas de acordo com o tamanho n de cada subgrupo. 3
4 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y j% h Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007 Quando as amostras apresentarem tamanhos muto próxmos pode-se utlzar o tamanho médo da amostra ou o tamanho modal das amostras para o cálculo dos lmtes de controle dos gráfcos X e S (GRANT & LEAVENWORTH, 99; MONTGOMERY, 004). Uma outra solução apontada por Nelson (990) é a exclusão aleatóra de dados para fazer com que todos os subgrupos tenham o mesmo tamanho da menor amostra, essa alternatva só é recomendável se menos de 0% dos dados tenham que ser excluídos. O grande problema dos gráfcos de controle X - S com tamanho de amostra varável é que os lmtes de controle de ambas as cartas de controle e a lnha central da carta de controle S não serão constantes, o que pode dfcultar a nterpretação de seus resultados. Os gráfcos de controle X e S apresentarão lmtes de controle varáves, dependendo do tamanho de cada amostra: quanto menor o tamanho da amostra, mas largos serão os lmtes de controle.. Testes de Establdade Qualquer processo de produção, ndependente de quão bem projetado ou mantdo ele seja, sempre estará sujeto a uma varabldade natural ou nerente, que é resultado do efeto cumulatvo de mutas causas pequenas e nevtáves, chamadas de causas casuas. Quando um processo está operando apenas com essas causas casuas, este está sob controle estatístco (MONTGOMERY, 004). Para a verfcação se o processo está sob controle estatístco exstem 8 testes para a detecção de pontos fora de controle (NELSON, 984; MINITAB, 003): - Teste : O ponto está localzado acma do LSC ou abaxo do LIC; - Teste : Presença de nove pontos consecutvos localzados acma ou abaxo da LC; - Teste 3: Ses ou mas pontos consecutvos crescentes ou decrescentes; - Teste 4: Catorze pontos alternados em uma lnha; - Teste 5: Dos de três pontos localzados no mesmo lado a dos desvos-padrão acma ou abaxo da LC; - Teste 6: Quatro de cnco pontos localzados no mesmo lado a um desvo-padrão acma ou abaxo da LC; - Teste 7: Qunze pontos consecutvos localzados, em qualquer lateral, a menos de um desvo-padrão da LC; - Teste 8: Oto pontos consecutvos acma ou abaxo, em qualquer lateral, a mas de um desvo-padrão da LC. Um ponto detectado em pelo menos um dos testes pode estar sob a nfluênca de causas especas, devendo ser nvestgado. Depos de detectadas as causas especas, deve-se recalcular novos lmtes de controle, desconsderando-se os pontos fora de controle. 3. Metodologa proposta para aplcação de gráfcos de controle Como comentado anterormente, o presente estudo apresenta a aplcação dos gráfcos de controle X - S em uma etapa de produção de uma lga metálca produzda em uma ndústra metalúrgca. Por motvos de sglo, o nome da empresa e mas nformações sobre o processo de produção da mesma serão omtdos. A varável de qualdade em estudo será o teor de slíco da lga metálca C produzda no equpamento G da referda empresa. O banco de dados utlzado é composto por 47 amostras e representa dados coletados em abrl 4
5 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y j% h Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007 de 007, sendo referente à produção da lga metálca C. Prmeramente, formata-se o banco de dados com a utlzação do Excel. O banco de dados formatado é exportado para o software Mntab 4 (versão Demo), que será utlzado para as análses estatístcas e a plotagem dos gráfcos. Devdo a característcas do processo é possível que o teor de slíco seja correlaconado com os teores dos outros componentes da lga metálca, assm devem ser testadas, ao nível de sgnfcânca de 5%, as correlações entre os teores de slíco e dos outros componentes da lga metálca. Caso a correlação entre o teor de slíco e um outro componente da lga seja sgnfcante, uma carta de controle unvarada é naproprada para o processo e deve-se utlzar gráfcos de controle multvarados. Devdo às característcas do processo, também é possível que o teor de slíco seja autocorrelaconado. Como a etapa anteror do processo pode ser realzada por ses fornos, deve ser testada a hpótese, adotando-se um nível de sgnfcânca de 5%, de que o teor de slíco pode estar autocorrelaconado com teores de ses processamentos anterores, Para o cálculo dos lmtes de controle dos gráfcos, não se recomenda utlzar a solução apresentada por Nelson (990) de exclur aleatoramente os dados até o lmte de 0%, por se consderar que as nformações perddas nos dados excluídos sejam muto mportantes para a defnção do estado do processo. Assm, se a maor amostra for no máxmo duas vezes o tamanho da menor amostra, adota-se a sugestão de Grant & Leavenworth (99) de utlzar o tamanho médo (ou o modal) das amostras. Dessa forma, o procedmento para a estmação dos lmtes de controle é gual ao procedmento utlzado no caso das amostras terem tamanhos guas, com as constantes sendo seleconadas de acordo com o tamanho médo (ou o modal) das amostras. Caso a dferença entre os tamanhos das amostras seja muto grande, adota-se a sugestão de Burr (969), ou seja, utlza-se a méda e o desvo-padrão geras estmados pelas equações e 4, respectvamente. Para o estudo de establdade dos gráfcos de controle X e S, adota-se os 8 testes de establdade dsponíves no software Mntab (MINITAB, 003). Os pontos que foram reprovados em algum desses 8 testes estão fora de controle, sendo necessára a verfcação das possíves causas especas responsáves pela varação em cada ponto. Se as causas forem detectadas, esses pontos serão desconsderados no cálculo de novos lmtes de controle. No presente estudo, um ponto stuado acma da lnha superor de controle (LSC) ndca que o processo estudado teve um desempenho abaxo do esperado e deve ser nvestgado. Embora um ponto localzado abaxo da lnha nferor de controle (LIC) seja um ndíco de uma melhora temporára do processo, este deve ser dentfcado a fm de se detectar suas causas especas e futuramente melhorar o processo. 4. Aplcação da metodologa O processo metalúrgco estudado produz três dferentes tpos de lgas metálcas (aqu chamadas de lgas A, B e C) que são matéras-prmas para a produção de alguns tpos de aço. As lgas A e B podem ser produzdas nos fornos F a F6 e a lga C só pode ser produzda no equpamento G. A prncpal matéra-prma da lga C é a lga A: o processo realzado em G consste bascamente na redução do teor de um dos componentes da lga, acarretando também na alteração dos teores dos outros componentes. 5
6 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y j% h Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007 As razões que mpedem a coleta de amostras de tamanhos guas no processo G são a nstabldade do processo e a dfculdade de realzar uma sncronzação perfeta entre o equpamento G e os fornos F a F6. Assm, o processo apresenta dferentes taxas de produção, fcando mutas vezes esperando os recursos anterores acabarem de processar as lgas metálcas A ou em manutenção. A lga metálca C, produzda pelo processamento em G, é composta por 5 elementos prncpas, cujos nomes serão omtdos. A varável a ser estudada é o teor de slíco da lga C, essa varável é do tpo menor-melhor, apresentando lmte máxmo de especfcação de 0%, lgas com teores superores a esse valor apresentam preços de venda menores. Para evtar o desgaste de G a empresa evta processar lgas A com teores de slíco superores a 9,7%. Todos os testes para a correlação tveram valores-p menores que o nível de sgnfcânca adotado, assm conclu-se que os teores de slíco da lga metálca C não são correlaconados com os teores dos outros componentes da lga. Também fo testada a autocorrelação do teor de slíco com nformações de 5 processamentos anterores, sendo que todos os valores-p foram menores que 5%, não sendo estatstcamente sgnfcantes. Os gráfcos de controle X e S plotados pelo software Mntab 4 são apresentados nas Fguras e, repectvamente: Fgura Gráfco de Controle X para o teor de slíco da lga C Fgura Gráfco de Controle S para o teor de slíco da lga C Através da análse das cartas de controle acma, é possível ver que o processo não está sob controle estatístco, já que ocorreram pontos fora de controle. Através da análse da Fgura os testes detectaram as seguntes amostras como estando fora de controle: - Teste (pontos afastados a mas de 3 sgmas da méda): amostras e 38; 6
7 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y j% h Foz do Iguaçu, PR, Brasl, 09 a de outubro de Teste (9 pontos consecultvos abaxo ou acma da lnha central): amostras 9 a 37; - Teste 6 (4 pontos em 5 localzados a mas de desvo da lnha central): amostras 4, 5, 6 e 8; amostras 30, 3 e 33 a 35. Através da análse da Fgura, os testes detectaram as seguntes amostras como estando fora de controle: - Teste : amostras 3, 4, 6, 38 e 39; - Teste : amostras 8 a 37. Na sequênca são apresentadas as possíves causas especas que afetaram essas amostras: - A causa especal para a amostra fo uma menor temperatura do processo G; - As causas especas de falha das amostras 3 e 4 ocorreram devdo às grandes dferenças de teor de slíco das lgas A produzdas em F, F, F3 e F5 (F4 estava produzndo outra lga); - Para as amostras 4, 5, 6 e 8, as lgas A produzdas em F5 e F6 estavam com elevados teores de slíco e o termômetro de G estava danfcado, mbossbltando um controle da temperatura do processo; - Para as amostras 9 a 37, as lgas A processadas em F, F3 e F6 estavam com teores de slíco abaxo de 9,4% e o termômetro estava recém calbrado, permtndo um melhor controle da temperatura; - A causa especal para a amostra 38 fo o processamento em G de lgas A com teores superores a 9,7%, provenentes de F3; - A causa especal da amostra 39 fo a correção dos teores de slíco das lgas A produzdas em F3. Como todas as causas especas foram detectadas, recalculam-se os lmtes de controle dos gráfcos desconsderando as amostras que estavam fora de controle. Os novos gráfcos X e S, são mostrados nas Fgura 3 e 4, respectvamente: Fgura 3 Gráfcos de Controle X para o teor de slíco da lga C, após a retrada das causas especas 7
8 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y j% h Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007 Fgura 4 Gráfcos de Controle S para o teor de slíco da lga C, após a retrada das causas especas Pela análse das Fguras 3 e 4, é possível ver que não há novos pontos fora de controle, logo o processo está sob controle estatístco. 5. Conclusões A prátca comum dentro das cartas de controle de Shewhart é a coleta de amostras de tamanhos constantes em ntervalos fxos de tempo. No entanto, alguns processos produtvos apresentam restrções que não permtem a coleta de amostras de tamanhos constantes. Quando os tamanhos das amostras não são constantes e a característca de nteresse é uma varável contínua deve-se utlzar as cartas de controle X e S. Para estmar méda e o desvopadrão do processo, utlza-se méda e desvos-padrão ponderados, tendo os tamanhos das amostras como ponderações. Os gráfcos de controle X e S apresentarão lmtes de controle varáves, dependendo do tamanho de cada amostra: quanto menor o tamanho da amostra, mas largos serão os lmtes de controle. Após a aplcação da metodologa proposta no estudo, plotou-se os gráfcos de controle X e S para uma etapa produtva do processo de produção de uma lga metálca em uma ndústra metalúrgca. Foram dentfcados alguns pontos fora de controle e após a nvestgação das possíves causas especas que agram no processo, calculou-se novos lmtes de controle desconsderando esses pontos. Os novos gráfcos de controle plotados não apresentaram nenhuma nova causa especal, logo o processo fo consderando como estando sob controle estatístco.. Referêncas Bblográfcas CELANO, G.; COSTA, A.F.B. & FICHERA, S. Statstcal desgn of wth varable sample sze and samplng nterval X control charts wth run rules. Internatonal Journal of Advanced Manufacture Technology, vol. 8, p , 006. BURR, I.W. Control charts for measurements wth varyng sample szes. Journal of Qualty Technology, vol., n.3, p , 969. COSTA, A.F.B. X Charts wth varable sample sze. Journal of Qualty Technology, vol. 6, n.3, p , 994. COSTA, A.F.B. X chart wth varable sample sze and samplng ntervals. Journal of Qualty Technology, vol. 9, n., p ,997. DAUDIN, J.J. Double samplng X charts. Journal of Qualty Technology, vol. 4, n., p , 99. 8
9 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y j% h Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007 GRANT, E.L. & LEAVENWORTH, R.S. Statstcal Qualty Control. New Yor: Edtora McGraw-Hll, 99. HE, G. & GRIGORYAN, A. Jont statstcal desgn of double samplng X and S charts. European Journal of Operatonal Research, vol. 68, p. -4, 006. LIN, Y. & CHOU, C. On the desgn of varable sample sze and samplng ntervals X charts under nonnormalty. Internatonal Journal of Producton Economcs, vol 96, pág. 49-6, 005. MINITAB. Methods and Formulas. MINITAB Programa Estatístco, versão 4 para Wndows, Pennsylvana: State College, 003. MONTGOMERY, D.C. Introdução ao Controle Estatístco da Qualdade. Ro de Janero: Edtora LTC, 4ª Edção, 004. NELSON, L.S. The Shewhart control chart Tests for Specal Causes. Journal of Qualty Technology, vol. 6, n.4, p , 984. NELSON, L.S. Settng up a control chart usng subgroups of varyng szes. Journal of Qualty Technology, vol., n.3, p , 990. PRABHU, S.S.; RUNGER, G.C. & KEATS, J.B. X chart wth adaptve sample szes. Internatonal Journal of Producton Research, vol. 3, n., p , 993. PRABHU, S.S.; MONTGOMERY, D.C. & RUNGER, G.C. A combned adaptatve sample sze and samplng nterval X control scheme. Journal of Qualty Technology, vol. 3, p , 994. RUNGER, G.C. & PIGNATIELLO, J.J., Jr. Adaptatve samplng for process control. Journal of Qualty Technology, vol. 3, n., p , 99. TAGARAS, G. A survey of recent developments n the desgn of the adaptatve control charts. Journal of Qualty Technology, vol. 30, n. 3, p. -3, 998. VIEIRA, S. Estatístca para a Qualdade: como avalar com precsão a qualdade em produtos e servços. Ro de Janero: Edtora Campus,
4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisGráficos de Controle X e S com tamanho de amostra variável e análise de capacidade para dados não-normais: um estudo aplicativo
Gráficos de Controle X e S com tamanho de amostra variável e análise de capacidade para dados não-normais: um estudo aplicativo Danilo Cuzzuol Pedrini 1 Carla Schwengber ten Caten 2 Resumo O presente artigo
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisDepartamento de Produção, UNESP, Campus de Guaratinguetá Av. Ariberto Pereira da Cunha, 333, Guaratinguetá, S.P. CEP
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 3, Natal-RN MONITORAMENTO DA MÉDIA E DA VARIABILIDADE DE UM PROCESSO POR MEIO DA ESTATÍSTICA DE QUI-QUADRADO NÃO- CENTRALIZADA Antôno Fernando
Leia mais1. 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 maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
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. Numa relação expermental os valores de uma das
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais7 - 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 maisUniversidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento de Estatística
Unversdade Federal de São Carlos Centro de Cêncas Exatas e de Tecnologa Departamento de Estatístca Introdução ao Controle Estatístco de Processo on-lne Paulo Henrque Ferrera da Slva Orentador: Prof. Dr.
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisAvaliação de processos produtivos multivariados através das menores componentes principais
XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, a 4 de out de 3 Avalação de processos produtvos multvarados através das menores componentes prncpas Adrano Mendonça Souza (UFSM) amsouza@ccne.ufsm.br
Leia mais2 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 mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia mais1. 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 mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia mais3.6. 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 maisPrograma 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 maisAo 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 maisAo 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 maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisProf. 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 maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCORRELAÇÃO 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 mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisO 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 maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisProf. 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 maisSELEÇÃO 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 maisEFEITOS DE DISPERSÃO EM PROJETOS FATORIAIS: UMA SIMULAÇÃO CONFIRMATÓRIA
! "#$ " %'&)(*&)+,.- /10.*&4365879&4/1:.+58;.*=?5.@A*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007
Leia maisCAPÍTULO 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 maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
Leia maisAnálise 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 maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisMOQ-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 maisRISCO. 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 maisOs 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 maisALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER. Reinaldo Bomfim da Silveira 1 Juliana Maria Duarte Mol 1 RESUMO
ALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER Renaldo Bomfm da Slvera 1 Julana Mara Duarte Mol 1 RESUMO Este trabalho propõe um método para avalar a qualdade das prevsões
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisMinistério 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 mais5.1 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 maisMedidas de Tendência Central. Prof.: Ademilson Teixeira
Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central
Leia maisEXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS
EEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS Exemplo: Peso de 25 bolos ndustras Forma bruta: Dsposção ordenada 266 267 266 26 22 255 266 26 272 22 260 272 25 262 23 25 266 270 274 22 2 270 20
Leia mais37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8
Resposta da questão 1: [C] Calculando:,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 8, 8,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 5, x = 9,9 Moda = 8 8+ 8 Medana = = 8,5 + 10 + 8 + 9,4 + 8 +,4 + 7,4 Méda das outras
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ ERRO DE DIAGNÓSTICO EM AMOSTRAGEM ZERO-DEFEITOS COM RETIFICAÇÃO: DETERMINAÇÃO DO TAMANHO ÓTIMO DE INSPEÇÃO Roberto da
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisCapítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes
Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75
Leia maisMETODOLOGIA DO ÍNDICE DIVIDENDOS BM&FBOVESPA (IDIV)
METODOLOGIA DO ÍNDICE DIVIDENDOS 02/01/2018 SUMÁRIO 1 OBJETIVO... 3 2 TIPO DE ÍNDICE... 3 3 ATIVOS ELEGÍVEIS... 3 4 CRITÉRIOS DE INCLUSÃO... 3 5 CRITÉRIOS DE EXCLUSÃO... 4 6 CRITÉRIO DE PONDERAÇÃO... 5
Leia maisO F Í C I O C I R C U L A R. Participantes dos Mercados da B3 Segmento BM&FBOVESPA. Ref.: Nova Metodologia do Índice Dividendos BM&FBOVESPA (IDIV).
01 de novembro de 2017 069/2017-DP O F Í C I O C I R C U L A R Partcpantes dos Mercados da B3 Segmento BM&FBOVESPA Ref.: Nova Metodologa do Índce Dvdendos BM&FBOVESPA (IDIV). Concluída a fase de dscussão
Leia maisAnálise Descritiva com Dados Agrupados
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 descrtvas
Leia maisDEFINIÇÃO - 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 maisO 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 maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisFICHA 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 maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisMOQ-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 maisPROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO
PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 013 PROTOCOLO CT-Floresta - LPC - FOI/004 7/11/01 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO...
Leia maisPROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO
PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 013 PROTOCOLO CT-Floresta - LPC - FOI/004 05/0/013 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO...
Leia maisNotas de aulas de Sistemas de Transportes (parte 4)
1 Notas de aulas de Sstemas de Transportes (parte 4) Helo Marcos Fernandes Vana Tema: Demanda por transportes (2. o Parte) Conteúdo da parte 4 1 Acuráca (ou precsão) nas prevsões da demanda 2 Modelos sequencas
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisGARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS
GARANIA DE EXCELENE INERCAMBIALIDADE E REDUÇÃO DE CUSOS ARAVÉS DA ANÁLISE ESAÍSICA DE OLERÂNCIAS Edvaldo Antono Bulba* *Prof. Dr. da Fatec SP FEI e Unversdade São Judas E mal: bulba@fe.edu.br Resumo Numa
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 011 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 maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
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 métodos
Leia maisAlgoritmos 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 maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 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 maisEstudo 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 maisExperiência 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 maisCapítulo 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 maisAnálise 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 maisAlgarismos 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 maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 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 maisCONTROLE ESTATÍSTICO DE PROCESSOS: UMA APLICAÇÃO EM CARACTERÍSTICAS SENSORIAIS
CONTROLE ESTATÍSTICO DE PROCESSOS: UMA APLICAÇÃO EM CARACTERÍSTICAS SENSORIAIS Elsa Hennng 1 Andrea Crstna Konrath 2 Isadora Mezar Zoldan 3 Vvane Lete Das de Mattos 4 Ismael Batsta Madana Slvestre 5 RESUMO:
Leia maisRODRIGO LUIZ PEREIRA LARA DESEMPENHO DO GRÁFICO DE CONTROLE CUSUM TABULAR PARA O MONITORAMENTO DA MÉDIA
RODRIGO LUIZ PEREIRA LARA DESEMPENO DO GRÁFICO DE CONTROLE CUSUM TABULAR PARA O MONITORAMENTO DA MÉDIA Dssertação apresentada à Unversdade Federal de Vçosa, como parte das exgêncas do Programa de Pós Graduação
Leia maisMONITORAÇÃO DO PROCESSO DE COLETAS DE RESÍDUOS EM SANTA MARIA-RS USANDO GRÁFICOS DE CONTROLE DE REGRESSÃO
MONITORAÇÃO DO PROCESSO DE COLETAS DE RESÍDUOS EM SANTA MARIA-RS USANDO GRÁFICOS DE CONTROLE DE REGRESSÃO por Lucane Flores Jacob Dssertação apresentada ao Curso de Mestrado do Programa de Pós- Graduação
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
Leia maisVariável 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 maisRAFAEL BOTELHO BARBOSA MONITORAMENTO DA MÉDIA E DA VARIABILIDADE PONDERADAS EXPONENCIALMENTE POR GRÁFICOS DE CONTROLE UNIVARIADOS
RAFAEL BOTELHO BARBOSA MONITORAMENTO DA MÉDIA E DA VARIABILIDADE PONDERADAS EXPONENCIALMENTE POR GRÁFICOS DE CONTROLE UNIVARIADOS Dssertação apresentada à Unversdade Federal de Vçosa, como parte das exgêncas
Leia maisDESENVOLVIMENTO DE UM PROGRAMA COMPUTACIONAL PARA CONTROLE DE MEDIÇÕES DIMENSIONAIS COM ÊNFASE NA GARANTIA DA CONFORMIDADE DE PRODUTOS
DESENVOLVIMENTO DE UM PROGRAMA COMPUTACIONAL PARA CONTROLE DE MEDIÇÕES DIMENSIONAIS COM ÊNFASE NA GARANTIA DA CONFORMIDADE DE PRODUTOS JOSÉ EDUARDO FERREIRA DE OLIVEIRA (CRFET-PE) jefocefetpe@yahoo.com.br
Leia maisAEP 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 maisIdentidade 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 maisMEDIDAS DE TENDÊNCIA CENTRAL
3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados
Leia maisEstatística 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 maisMETOLOGIA. 1. Histórico
METOLOGIA A Sondagem da Construção Cvl do RS é uma sondagem de opnão empresaral realzada mensalmente e fo crada pela Confederação Naconal da Indústra (CNI) com o apoo da Câmara Braslera da Indústra da
Leia maisMétodo para aplicação de gráficos de controle de regressão no monitoramento de processos
Produção, v 21, n 1, p 106-117, jan/mar 2011 do: 101590/S0103-65132011005000001 Método para aplcação de gráfcos de controle de regressão no montoramento de processos Danlo Cuzzuol Pedrn a, *, Carla Schwengber
Leia maisFAAP 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