2 Experimentos com Mistura

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "2 Experimentos com Mistura"

Transcrição

1 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras Expermentos com Mstura Neste capítulo são apresentados tópcos para planeamento e análse de Expermentos com Mstura (EM) com uma aplcação real. Formulações de EM são comumente encontradas nas ndústras uímcas, farmacêutcas, de almentos e em outros setores ndustras. Nesses expermentos, os fatores são proporções dos componentes de uma mstura e a resposta é uma varável ue caracterza a ualdade do produto, assumda como sendo função da proporção dos componentes. Nesses expermentos, a soma das proporções dos componentes é sempre gual a um. Seam x, as varáves ue representam as proporções dos componentes da mstura. Tem-se então: = x = ; x 0; =, L, (.) As restrções apresentadas na Euação (.) são mostradas grafcamente na Fgura, para o caso de uma mstura de dos e três componentes. A regão factível da mstura de dos componentes é representada por um segmento de reta e para o caso de mstura de três componentes é representada por um trângulo. a) b) Fgura - Espaço fatoral restrto para msturas com a) e b) 3 componentes No caso de expermentos com msturas de três componentes, a regão expermental restrta pode ser representada com a utlzação de um sstema de coordenadas trlnear, como mostrado na Fgura.

2 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras Fgura - Sstema de coordenadas trlnear Cada lado do trângulo corresponde a uma mstura bnára e os vértces dos trângulos correspondem às formulações de componentes puros. No nteror do trângulo, estão stuadas as possíves msturas ternáras. Neste caso, são necessáras apenas duas dmensões para representar grafcamente o expermento. Como cada componente é representado por um vértce, uma fgura geométrca com três vértces e duas dmensões, ou sea, um trângulo eülátero, representa o espaço fatoral restrto de uma mstura ternára. Ao modfcar a formulação no sentdo de alterar as propredades de uma determnada mstura em estudo, as novas proporções devem contnuar obedecendo às restrções apresentadas na Euação (.). Devdo a essas restrções, as metodologas adotadas em proetos de expermentos com mstura devem ser adaptadas para possbltar o trato de problemas dessa natureza. Esses métodos modfcados têm encontrado uma larga aplcação na cênca, na engenhara e na ndústra. Cornell (00) é a prncpal referênca sobre EM. Nela pode-se encontrar uma exposção abrangente e detalhada. Myers & Montgomery (00) dedcam os Capítulos e 3 a EM, consttundo uma boa ntrodução ao assunto. Pepel (004) sumarza a pesusa relaconada com expermentos com mstura durante um período de 50 anos, ue va de 955 até 004. Prescott et al. (00) propõem um modelo uadrátco alternatvo ao modelo uadrátco aos modelos tradconalmente usados em EM (modelos de Scheffé).

3 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 3.. Modelos de Scheffé para Expermentos com Mstura Os modelos recomendados para EM são os polnômos canôncos de Scheffé (Sheffé, 958). O Modelo Quadrátco de Scheffé tem a segunte forma: (, x) = β x = Qβ β x x (.) onde os β s são os coefcentes dos parâmetros do modelo. Note ue este modelo não possu o termo ndependente, uma vez ue ele é elmnado por uma smplfcação provenente da restrção básca de EM apresentada na Euação (.). < O Modelo Cúbco de Scheffé tem a segunte forma: C ( β, x) < = β = β x x x < ( x x ) β x x < < k β x x x k k (.3) O Modelo Cúbco Especal de Scheffé é gual ao Modelo Cúbco, exclundo os termos x x ( x x ) < β... Modelos para Expermentos com Mstura com Varável de Folga Cornell (000) dz ue alguns pesusadores estão tendo sucesso com a utlzação de varável de folga (slack-varable) em EM. Cornell (000), Cornell (00, Capítulo 6), Cornell & Gorman (003) e Khur (005) fazem estudos comparatvos entre modelos ao ual denomnam modelos com varável de folga e os modelos de Scheffé. Além dsso, o software Desgn-Expert oferece a opção de austar modelos com varável de folga. A déa de utlzar uma varável de folga se apóa na propredade fundamental de EM, ou sea, ue as proporções dos componentes da mstura não são ndependentes. Em uma mstura de componentes, conhecendo a proporção dos ( ) prmeros componentes, pode-se determnar também a proporção do componente, á ue x = x x K x.

4 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 4 Cada grau de modelo expresso pela forma canônca de Scheffé possu uma forma de modelo euvalente com varável de folga. Defnndo arbtraramente x como a varável de folga (slack-varable), pode-se reescrever o Modelo Quadrátco de Scheffé, apresentado na Euação (.), na forma de varável de folga. α = (, x) = α 0 α x α x Qα α x x (.4) = = Comparando a Euação (3.) com a Euação (.), pode-se conclur ue α =, α β 0 β, β β β < = e α β ( β β ) =. Pode-se também escrever o Modelo Cúbco Especal para EM com varável de folga como segue: C ( α, x) < < k = α 0 k = α x α x x x k = α x < α x x < ( x x ) α x x (.5) Para cada grau de modelo para EM de componentes, pode-se consderar possbldades de varável de folga. A escolha de ual componente deve ser desgnado como varável de folga não é claramente apresentado na lteratura. Algumas escolhas de varável de folga apresentadas na lteratura estão no componente com o maor campo de varação R = U L, sendo L o lmte nferor (lower lmt) e U o lmte superor (upper lmt) da proporção do -ésmo componente da mstura, ou no componente cua proporção x é maor ue a dos outros, ou no componente mas nerte ou natvo. No entanto, estes crtéros podem levar a uma escolha euvocada da varável de folga. (Cornell, 000) Em EM é muto comum ter um ou mas componentes com um campo de varação da proporção (R ) muto peueno, o ue resulta numa regão expermental altamente restrta, gerando colneardade (ou uase dependênca lnear) entre as colunas da matrz X da Euação (.9). Uma forma de reduzr a colneardade é elmnar do modelo completo os termos ue contrbuem sgnfcatvamente para o aumento dela. Além dsso, a utlzação de varáves de folga pode contornar melhor o problema de colneardade e, conseüentemente, levar à obtenção de modelos melhores ue os modelos de Scheffé. (Khur, 005)

5 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 5.3. Pseudocomponentes Em expermentos com mstura, pode haver a necessdade de restrngr a proporção de um ou mas componentes, ue, por motvos técncos ou prátcos, podem não varrer todas as proporções possíves, ue correspondem ao ntervalo fechado entre 0 e. Com sso, o novo espaço expermental passa a ser uma subregão do espaço orgnal. Essas restrções dos componentes, ue são muto comuns nos casos ndustras, podem ser superores, nferores ou uma combnação dos dos tpos e serão dscutdas a segur. Os lmtes superores e/ ou nferores nas proporções são representados da segunte forma: 0 L x U ; =, K (.6), onde L é o lmte nferor e U é o lmte superor da proporção do componente. A Fgura 3 lustra um caso de expermento com mstura de três componentes com restrções nferores nas proporções dos três componentes e um caso de com uatro componentes com restrção superor na proporção de apenas um componente. a) b) Fgura 3 - Restrções a) nferores e b) superores nas proporções dos componentes Quando são estabelecdos os lmtes nferor e superor para as proporções de uma mstura, a regão de expermentação fca reduzda a uma sub-regão da regão orgnal. Nesses casos pode-se redefnr as coordenadas da sub-regão em termos de pseudos componentes. Os pseudocomponentes são defndos em função dos componentes orgnas e de um dos lmtes (nferor ou superor). Têmse então dos tpos de pseudocomponentes: os L-pseudocomponentes relatvos ao lmte nferor e os U-pseudocomponentes relatvos ao lmte superor. Segundo

6 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 6 Cornell (00), a prncpal razão para utlzar pseudocomponentes é ue usualmente torna-se mas fácl planear o expermento e austar o modelo. Myers & Montgomery recomendam o uso de pseudocomponentes para austar modelos de mstura uando há restrções nos componentes, o ue acarreta moderados a altos níves de multcolneardade. Geralmente, um modelo de mstura ue utlza pseudocomponentes terá menores níves de multcolneardade do ue o mesmo modelo com os componentes orgnas. (Myers & Montgomery, 00). Os L-pseudocomponentes são defndos como (Cornell, 00): onde L = L =. v x L = ; =,, K (.7) L, Para se obter componentes orgnas (x ), basta utlzar a relação nvertda da Euação (.7): x ( L) v = L (.8) Os U-pseudocomponentes, são defndos como (Cornell, 00): onde U = U =. u U x =, =,, K (.9) U, Para se calcular os respectvos componentes orgnas (x ), nverte-se a Euação (.9), obtendo-se a segunte relação: ( U ) u x = U (.0) Quando há a presença de restrções superores e nferores smultaneamente, a escolha de utlzação de L-pseudocomponentes, v, ou U-pseudocomponentes, u, depende da forma da regão expermental. Quando ( L ) < ( U ) L-pseudocomponentes, e uando ( ) ( U ), opta-se pelos L, opta-se pelos U- pseudocomponentes (Cornell, 00). Como será vsto na Seção.5, serão utlzados pseudocomponentes com a fnaldade de reduzr a multcolneardade, uma vez ue o expermento apresentado possu smultaneamente restrções superores e nferores. Ademas,

7 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 7 serão utlzados os L-pseudocomponentes, uma vez ue no expermento em uestão tem-se ue ( ) < ( U ) L..4. Expermento Gerado Computaconalmente Quando a regão expermental restrta fca dstorcda em relação ao espaço fatoral orgnal, recomenda-se a utlzação de algortmos computaconas para a escolha da localzação dos pontos expermentas sobre a regão expermental resultante. Para a escolha da localzação destes pontos expermentas, mutos pacotes computaconas utlzam os crtéros de otmzação alfabétca (Aotmzação, D-otmzação, G-otmzação, V-otmzação), sendo o crtéro D- otmzação o mas conhecdo e o mas utlzado dentre eles. No caso de expermentos com msturas, os algortmos ue utlzam algum crtéro de otmzação reuerem: - um conunto razoável de pontos canddatos, dos uas serão seleconados os pontos expermentas; - um método convenente para calcular as coordenadas desses pontos num espaço fatoral restrto; e - um procedmento sstemátco ou um conunto de regras para a seleção dos pontos. (Myers & Montgomery, 00).4.. Escolha dos Pontos Canddatos Pontos canddatos são os pontos, escolhdos prevamente sobre a regão expermental resultante, canddatos a compor o conunto de pontos expermentas, os uas devem ser seleconados segundo um determnado crtéro. Baseado em experêncas prátcas, Myers & Montgomery (00) recomendam o segunte: - Modelo Lnear: os pontos canddatos devem nclur os vértces da regão, os pontos médos das arestas, o centróde geral e os pontos axas localzados nos pontos médos entre o centróde geral e os vértces. - Modelo Quadrátco: os pontos canddatos devem nclur os vértces da regão, os pontos médos das arestas, os centródes dos planos das restrções, o

8 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 8 centróde geral e os pontos axas localzados nos pontos médos entre o centróde geral e os vértces. - Modelo Cúbco ou Cúbco Especal: os pontos canddatos devem nclur os vértces da regão, os terços das arestas, os centródes do plano das restrções, o centróde geral e os pontos axas localzados nos pontos médos entre o centróde geral e os vértces. Entretanto, se pode utlzar uma outra combnação de pontos canddatos dferente desta recomendação..4.. Crtéros de Seleção Uma vez defndo o conunto aproprado de pontos canddatos, pode-se, então, utlzar um algortmo computaconal para a escolha dos pontos expermentas segundo um determnado crtéro. Para n observações, o modelo lnear geral das fórmulas de estmação possu a segunte representação matrcal: X β ε x x L x p β ε x x L x p β ε y = x x L x p β ε (.) M M O M M M x n xn L xnp β p ε n onde, y é um vetor (n ) das observações, X é uma matrz (n p), β é um vetor (p ) dos coefcentes e ε é um vetor (n ) dos erros aleatóros. No modelo lnear clássco, ε é consderado com dstrbução normal multvarada, ou sea, ( 0, I ) ε ~ N σ. Note ue a matrz X não possu a coluna dentdade relatva ao termo ndependente do modelo de regressão lnear, pos os polnômos canôncos de Scheffé não possuem esse termo. Se p >, as (p ) colunas restantes da X são correspondentes aos termos do produto cruzado entre as proporções dos componentes. Os elementos da matrz βˆ correspondem às estmatvas dos elementos da matrz β pelo método dos mínmos uadrados, ue são dados por:

9 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 9 ( X X) X y βˆ = (.) A matrz de varânca e covarânca dos elementos de βˆ é dada por: ( βˆ ) = ( X X) var σ (.3) A predção da resposta em um ponto ualuer x possu a notação ŷ ( x) e sua varânca pode ser obtda por: [ ˆ( x) ] = σ x ( X X) x var y (.4) onde no lado dreto da Euação (.4), o vetor x de dmensão ( p) contém os valores das proporções dos componentes e os (p ) termos do produto cruzado no ponto. De um ponto de vsta prátco, a utlzação dos crtéros de otmzação alfabétca (A-otmzação, D-otmzação, G-otmzação e V-otmzação) na seleção, dos pontos canddatos mplca na mnmzação de váras funções de ( X X) pos, de acordo com Cornell (00): - A-otmzação busca mnmzar o traço de ( X X) da varânca méda dos elementos de βˆ., levando à mnmzação - D-otmzação busca maxmzar o determnante de ( X X), ou mnmzar o determnante de ( X X). Se os erros forem normalmente dstrbuídos com varânca constante, o expermento D-ótmo mnmza o volume do elpsóde de confança para os parâmetros desconhecdos da Euação (.). - G-otmzação busca mnmzar a máxma varânca da predção da { x} resposta, max d = σ x ( X X) desgn., sobre um conunto específco de pontos do - V-otmzação busca mnmzar o valor médo de d sobre um conunto específco de pontos do desgn. O software Desgn-Expert utlza o crtéro D-otmzação para a escolha dos pontos expermentas, partndo de um conunto pré-defndo de pontos canddatos.

10 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras Exemplo Este expermento é parte do expermento apresentado no Exemplo 3 apresentado na Seção 4.4. O msto uímco em estudo é parte componente de um subsstema de um mecansmo para retardar o aconamento de um motor foguete. Os componentes da mstura são Zarfesl (x ), Vdro Moído (x ) e Ntrocelulose (x 3 ), com as seguntes restrções nas proporções: x x x 3 = 0,77 x 0,4 x 0,05 x 3 0,8 0,8 0,07 Conforme apresentado na Seção.3, uando há a presença de restrções superores e nferores smultaneamente, escolhe-se os L-pseudocomponentes se ( L ) < ( U ). No caso em uestão, optou-se pelos L-pseudocomponentes, á ue ( L ) = 0, 04 e ( U ) = 0, 06 expermental é maor do ue o das restrções superores., pos o efeto das restrções nferores na regão Na Tabela é apresentado o planeamento expermental do msto de retardo, bem como as respostas dos expermentos. Tabela - Expermento do msto de retardo D-ótmo Run x x x 3 v v v 3 Tempo (s) 0,77 0,8 0,05 0 0,9 0,79 0,6 0,05 0,5 0,5 0 7,3 3 0,77 0,8 0, ,7 4 0,8 0,4 0, , 5 0,785 0,55 0,065 0,35 0,35 0,375 0,7 6 0,79 0,6 0,05 0,5 0,5 0 8,7 7 0,79 0,4 0,07 0,5 0 0,5 5,9 8 0,8 0,4 0, ,6 9 0,79 0,4 0,07 0,5 0 0,5 6, 0 0,8 0,4 0,06 0,75 0 0,5 6,0 0,77 0,6 0,07 0 0,5 0,5 7,3 0,8 0,4 0,06 0,75 0 0,5 6,8 3 0,77 0,6 0,07 0 0,5 0,5 5,6 Consderando o modelo cúbco de Scheffé fo austado o segunte modelo:

11 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 3 yˆ = 6,47v 7,53v v 3,30v,3v v 3 5,67v 4,39v v v 3 3 (.5) Na Tabela são apresentados os resultados do teste t para o Modelo (.5). Analsando a coluna p-valor da Tabela, conclu-se ue os termos do modelo austado são sgnfcatvos, á ue todos os p-valores são menores ue 0,05. Tabela - Teste do Modelo (.5) estmatva dos desvo-padrão t-valor p-valor coefcentes v 6, ,583,60 0,0000 v 3,3000 0, ,675 0,0000 v 3 5,66667,3506 4,588 0,005 v v -7,53333,7365 -,776 0,075 v v 3 -,333 3,537-3,444 0,008 v v v 3 4,395 4,0340 5,76 0,003 Myers & Montgomery (00) recomendam a utlzação dos resíduos studentzed para a verfcação das suposções de normaldade, ndependênca e constânca da varânca. Os resíduos studentzed (r ) são defndos da segunte forma: r = σˆ e ( h ) (.6) onde e = y yˆ e h são os elementos da dagonal da matrz chapéu H = X(X'X) X'. Nas Fguras 4 a 6 são apresentados os gráfcos de dagnóstco utlzados na verfcação da adeuação do modelo austado. No gráfco de probabldade normal dos resíduos studentzed, mostrado na Fgura 4, pode-se observar ue não há ndcação de ue a suposção de normaldade não deva ser aceta, á ue não há pontos muto fora do alnhamento. Para verfcar a suposção de ndependênca, há o gráfco de resíduos studentzed das observações na ordem em ue foram realzados os expermentos (ver Fgura 5). Como os resíduos do gráfco mostrado na Fgura 5 estão aleatoramente dstrbuídos e sem ualuer tendênca evdente ue os correlacone, não há razão para se suspetar ue a suposção de ndependênca não sea válda.

12 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 3 Para verfcar a adtvdade do modelo nerente ao modelo lnear, há o gráfco dos resíduos studentzed versus valores austados, mostrado na Fgura 6. Como os resíduos mostrados no gráfco da Fgura 6 seguem dstrbuídos aleatoramente em torno de zero, não há razão para se suspetar ue a suposção de adtvdade não deva ser aceta. 99 % Probabldade Normal Resíduos Studentzed Fgura 4 - Gráfco de probabldade normal dos resíduos studentzed 3.00 Resíduos Studentzed Run Number Fgura 5 - Gráfco de resíduos studentzed versus run number

13 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras Resíduos Studentzed Valor Austado Fgura 6 - Gráfco de resíduos studentzed versus valor austado Com sso, fo verfcada a adeuação do Modelo (.5). O obetvo do expermento é encontrar a formulação deal de forma ue o valor esperado do tempo de uema sea gual a 8 segundos. Tal tempo é o ue maxmza o alcance do foguete. Nas Fguras 7 e 8 são apresentados os gráfcos de contorno da prevsão da resposta e do desvo-padrão da méda de futuras respostas em função dos L- pseudocomponentes, consderando o Modelo (.5). Váras formulações podem resultar em futuras prevsões da resposta gual a 8 segundos. Por consegunte, um obetvo deseável é mnmzar a varânca de uma futura resposta entre as combnações de formulações e varáves categórcas de processo ue resultam num valor esperado da resposta gual a 8 segundos. Analsando os gráfcos das Fguras 7 e 8, pode-se observar ue, ao ser superposta a curva de contorno correspondente ao tempo de 8 segundos com as curvas de contorno de desvo-padrão, deve-se obter um desvo-padrão mínmo entre 0,35 e 0,40. Entretanto, deve-se realzar um procedmento de otmzação mas rgoroso, smlar ao apresentado na próxma seção.

14 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 34 v v v3 Fgura 7 - Gráfco de contorno da prevsão da resposta para o Modelo (.5) v v v3 Fgura 8 - Gráfco de contorno do desvo-padrão para o Modelo (.5)

EXPERIMENTOS COM MISTURA PARA OTIMIZAÇÃO DE PROCESSOS: UMA APLICAÇÃO COM RESPOSTAS NÃO NORMAIS

EXPERIMENTOS COM MISTURA PARA OTIMIZAÇÃO DE PROCESSOS: UMA APLICAÇÃO COM RESPOSTAS NÃO NORMAIS versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-514 EXPERIMENTOS COM MISTURA PARA OTIMIZAÇÃO DE PROCESSOS: UMA APLICAÇÃO COM RESPOSTAS NÃO NORMAIS Antono Fernando de Castro Vera * Departamento de

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

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

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

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

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

FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES

FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES Edmlson Rodrgues Pnto Leandro Alves Perera Faculdade de Matemátca Faculdade de Matemátca Unversdade Federal de Uberlânda

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

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

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

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

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

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

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 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

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

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

AULA Espaços Vectoriais Estruturas Algébricas.

AULA Espaços Vectoriais Estruturas Algébricas. Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os

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

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

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

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

Análise Descritiva com Dados Agrupados

Análise 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 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

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

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

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

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

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

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

Universidade Federal de Viçosa. Introdução à Metodologia de Superfícies de

Universidade Federal de Viçosa. Introdução à Metodologia de Superfícies de 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,

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

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

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

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

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

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

Resolução das Questões Objetivas

Resolução das Questões Objetivas COMISSÃO PERMANENTE DE SELEÇÃO COPESE PRÓ-REITORIA DE GRADUAÇÃO PROGRAD CONCURSO PISM III - TRIÊNIO 2008-2010 Prova de Matemátca Resolução das Questões Objetvas São apresentadas abaxo possíves soluções

Leia mais

Representação e Descrição de Regiões

Representação e Descrição de Regiões Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são

Leia mais

MÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel

MÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes

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

(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

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe

Leia mais

4 Análise de confiabilidade de estruturas

4 Análise de confiabilidade de estruturas 4 Análse de confabldade de estruturas Nos prmórdos da engenhara cvl, o desconhecmento técnco-centífco conduza a proetos excessvamente seguros, mas em contrapartda de custo muto elevado. Hoe em da, o progresso

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

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

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

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

ALTERNATIVA 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. 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 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

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

Leia mais

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS

EXEMPLOS 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 mais

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente

Leia mais

Tânia Lucia Hojo (UFMG) Sueli Aparecida Mingoti (UFMG)

Tânia Lucia Hojo (UFMG) Sueli Aparecida Mingoti (UFMG) Modelos de equações estruturas: uma avalação dos métodos de máxma verossmlhança, mínmos quadrados ordnáros e mínmos quadrados parcas usados na estmação de parâmetros do modelo. Tâna Luca Hojo (UFMG) hojo@est.mest.ufmg.br

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

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1 Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A

Leia mais

Realimentação negativa em ampliadores

Realimentação negativa em ampliadores Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação

Leia mais

CAPITULO II - FORMULAÇAO MATEMATICA

CAPITULO II - FORMULAÇAO MATEMATICA CAPITULO II - FORMULAÇAO MATEMATICA II.1. HIPOTESES BASICAS A modelagem aqu empregada está baseado nas seguntes hpóteses smplfcadoras : - Regme permanente; - Ausênca de forças de campo; - Ausênca de trabalho

Leia mais

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t

Matemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,

Leia mais

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um). INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca

Leia mais

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados

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

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

CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA

CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA 3. Método Utlzando Ponto de Controle O uso de pontos de controle é o meo mas exato para a determnação do offset da fase nterferométrca. Normalmente utlza-se

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

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

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

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 )

Q 1-1,5(Q3-Q1) < X i < Q 3 + 1,5(Q 3 -Q 1 ) Q 3 +1,5(Q 3 -Q 1 ) < X i < Q 3 +3(Q 3 -Q 1 ) Q 1 3(Q 3 -Q 1 ) < X i < Q 1 1,5(Q 3 -Q 1 ) DIGRM OX-PLOT E CRCTERIZÇÃO DE OUTLIERS E VLORES EXTREMOS Outlers e valores extremos são aqueles que estão muto afastados do centro da dstrbução. Uma forma de caracterzá-los é através do desenho esquemátco

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

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)

Y X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00) Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli

UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 7 ANÁLISE DE REGRESSÃO LINEAR Cesar Augusto Taconel Curtba-PR . INTRODUÇÃO Taconel, C.A. Análse de Regressão Lnear Ao se tratar da relação

Leia mais

DIMENSIONAMENTO ÓTIMIZADO DE TRELIÇAS DE ALUMÍNIO: ANÁLISE NUMÉRICA E EXPERIMENTAL

DIMENSIONAMENTO ÓTIMIZADO DE TRELIÇAS DE ALUMÍNIO: ANÁLISE NUMÉRICA E EXPERIMENTAL DIMENSIONAMENTO ÓTIMIZADO DE TRELIÇAS DE ALUMÍNIO: ANÁLISE NUMÉRICA E EXPERIMENTAL Moacr Krpka, Prof. Dr. Zacaras M. Chamberlan Prava, Prof. Dr. Maga Marques Das, Acadêmca, Bolssta UPF Gulherme Fleth de

Leia mais

PROCEDIMENTO PARA ESCOLHA DA LOCALIZAÇÃO DE UM CENTRO REGIONAL DE DISTRIBUIÇÃO E RECOLHA DE EQUIPAMENTOS. N. R. Candido, V.B. G.

PROCEDIMENTO PARA ESCOLHA DA LOCALIZAÇÃO DE UM CENTRO REGIONAL DE DISTRIBUIÇÃO E RECOLHA DE EQUIPAMENTOS. N. R. Candido, V.B. G. PROCEDIMENTO PARA ESCOLHA DA LOCALIZAÇÃO DE UM CENTRO REGIONAL DE DISTRIBUIÇÃO E RECOLHA DE EQUIPAMENTOS N. R. Canddo, V.B. G. Campos RESUMO Apresenta-se neste trabalho um procedmento de auxílo à decsão

Leia mais

Avaliação de processos produtivos multivariados através das menores componentes principais

Avaliação 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 mais

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo: MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no

Leia mais

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares novembro 0 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares quadrmestre 0 Além destes eercícos,

Leia mais

( ) F 1 pode ser deslocado de. M = r F. Mecânica Geral II Notas de AULA 2 - Teoria Prof. Dr. Cláudio S. Sartori. MOMENTO DE UM BINÁRIO.

( ) F 1 pode ser deslocado de. M = r F. Mecânica Geral II Notas de AULA 2 - Teoria Prof. Dr. Cláudio S. Sartori. MOMENTO DE UM BINÁRIO. ecânca Geral II otas de UL - Teora Prof. Dr. láudo S. Sartor ET DE U IÁI. Duas forças, que tenham o mesmo módulo e lnha de ação paralelas e sentdos opostos formam um bnáro. Decomposção de uma força dada

Leia mais

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. rova /7/2006 rofa. Ana Mara Faras Turma A 4-6 hs. Consdere os dados da tabela abaxo, onde temos preços e uantdades utlzadas de materal de escrtóro. Item Undade reço

Leia mais

Tipo tratamento idade Tipo tratamento sexo

Tipo tratamento idade Tipo tratamento sexo Modelos de Regressão em Saúde Rejane Sobrno Pnhero Tâna Zdenka Gullén de Torres Modelos de Regressão Famíla de técncas estatístcas város fatores meddos (predtor, covarável, varável ndependente) relaconados

Leia mais

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão

Leia mais

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Linear

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Linear ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11 EERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Lnear 4. EERCÍCIOS PARA RESOLVER NAS AULAS 4.1. O gestor de marketng duma grande cadea de supermercados quer determnar

Leia mais

EFEITOS DO ERRO AMOSTRAL NAS ESTIMATIVAS DOS PARÂMETROS DO MODELO FATORIAL ORTOGONAL

EFEITOS DO ERRO AMOSTRAL NAS ESTIMATIVAS DOS PARÂMETROS DO MODELO FATORIAL ORTOGONAL SACHIKO ARAKI LIRA EFEITOS DO ERRO AMOSTRAL NAS ESTIMATIVAS DOS PARÂMETROS DO MODELO FATORIAL ORTOGONAL Tese apresentada como requsto parcal à obtenção do grau de Doutora em Cêncas no Programa de Pós-Graduação

Leia mais

3 Subtração de Fundo Segmentação por Subtração de Fundo

3 Subtração de Fundo Segmentação por Subtração de Fundo 3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na

Leia mais

Análise Complexa Resolução de alguns exercícios do capítulo 1

Análise Complexa Resolução de alguns exercícios do capítulo 1 Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +

Leia mais

Reconhecimento de Padrões

Reconhecimento de Padrões Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o

Leia mais

Análise do Retorno da Educação na Região Norte em 2007: Um Estudo à Luz da Regressão Quantílica.

Análise do Retorno da Educação na Região Norte em 2007: Um Estudo à Luz da Regressão Quantílica. Análse do Retorno da Edcação na Regão Norte em 2007: Um Estdo à Lz da Regressão Qantílca. 1 Introdcão Almr Rogéro A. de Soza 1 Jâno Macel da Slva 2 Marnalva Cardoso Macel 3 O debate sobre o relaconamento

Leia mais

1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples.

1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples. Departamento de Físca ICE/UFJF Laboratóro de Físca II Prátca : Medda da Aceleração da Gravdade Objetvo da experênca: Medr o módulo da aceleração da gravdade g no nosso laboratóro com ajuda de um pêndulo

Leia mais

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação

Leia mais

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

Índices de Concentração 1

Índices de Concentração 1 Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco

Leia mais

AVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO RESUMO ABSTRACT

AVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO RESUMO ABSTRACT AVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO Rodrgo Mkosz Gonçalves John Alejandro Ferro Sanhueza Elmo Leonardo Xaver Tanajura Dulana Leandro Unversdade Federal do Paraná - UFPR

Leia mais

6 Modelo de imunização estocástica

6 Modelo de imunização estocástica 95 6 Modelo de munzação estocástca Sabemos que, em geral, quanto mas complexa for a classe de varações que deseamos munzar, mas restrtvas se tornam as condções de munzação. ontraro a sso, quanto menor

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

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos

Mecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos Mecânca Estatístca Tal como a Termodnâmca Clássca, também a Mecânca Estatístca se dedca ao estudo das propredades físcas dos sstemas macroscópcos. Tratase de sstemas com um número muto elevado de partículas

Leia mais

Aula 6: Corrente e resistência

Aula 6: Corrente e resistência Aula 6: Corrente e resstênca Físca Geral III F-328 1º Semestre 2014 F328 1S2014 1 Corrente elétrca Uma corrente elétrca é um movmento ordenado de cargas elétrcas. Um crcuto condutor solado, como na Fg.

Leia mais

Robótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016

Robótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016 Robótca Prof. Renaldo Banch Centro Unverstáro FEI 2016 6 a Aula IECAT Objetvos desta aula Momentos Lneares, angulares e de Inérca. Estátca de manpuladores: Propagação de forças e torques. Dnâmca de manpuladores:

Leia mais

Introdução e Organização de Dados Estatísticos

Introdução e Organização de Dados Estatísticos II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar

Leia mais

ANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA!

ANÁLISE DE VARIÂNCIA (ANOVA) CLÁSSICA: TÉCNICA ÚTIL, PORÉM RESTRITIVA! ANÁLSE DE VARÂNCA (ANOVA) CLÁSSCA: TÉCNCA ÚTL, PORÉM RESTRTVA! Questões assocadas à verfcação de suas suposções: (adtvdade, ndependênca, homocedastcdade e normaldade) k..d.~n(0, ) quadrados mínmos ordnáros

Leia mais

Guia 11 Escalonamento de Mensagens

Guia 11 Escalonamento de Mensagens Até esta altura, temos abordado prncpalmente questões relaconadas com escalonamento de tarefas a serem executadas num únco processador. No entanto, é necessáro consderar o caso de sstemas tempo-real dstrbuídos,

Leia mais