APLICAÇÃO DE GRÁFICOS DE CONTROLE PARA MONITORAMENTO ESTATÍSTICO DA TURBIDEZ DA ÁGUA POTÁVEL
|
|
- Vanessa Silveira de Lacerda
- 7 Há anos
- Visualizações:
Transcrição
1 APLICAÇÃO DE GRÁFICOS DE CONTROLE PARA MONITORAMENTO ESTATÍSTICO DA TURBIDEZ DA ÁGUA POTÁVEL Nllo Gabrel Alves de Araujo (UDESC) Rodrgo Lete Lndoso (UDESC) Elsa Hennng (UDESC) Custodo da Cunha Alves (UNIVILLE) Leandro Zvrtes (UDESC) O mercado atual exge que as empresas forneçam produtos e servços de qualdade. Para sso elas vêm buscando técncas capazes de permtr um controle e gerencamento da qualdade de seus servços. Este artgo tem por objetvo prncpal apreesentar uma proposta de montoramento do processo de turbdez da água, com auxlo de ferramentas de Controle Estatístco de Processos (CEP). A motvação desta pesqusa surgu da necessdade de montoramento contínuo de alguns parâmetros que garantem a qualdade da água dstrbuída na cdade de Jonvlle. Estes parâmetros, devem atender a legslação vgente, que estabelece os procedmentos e responsabldades relatvos ao controle e vglânca da qualdade da água para consumo humano. Mas para melhorar a qualdade deste servço é necessáro avalar também a sua varabldade. Assm, neste trabalho, para o montoramento da turbdez, aplcaram-se os gráfcos de controle do tpo Shewhart (X), Soma Acumulada (CUSUM) e de Méda Móvel Exponencalmente Ponderada (EWMA). É possível verfcar gualmente para os três tpos de gráfcos que sem o tratamento da autocorrelação, exste a ocorrênca mutos alarmes falsos. Os resultados obtdos com a aplcação destes gráfcos de controle para o montoramento deste processo são smlares. No entanto, é mportante ressaltar que nos gráfcos CUSUM e EWMA é possível verfcar uma tendênca de aumento ou redução do nível da turbdez. Palavras-chaves: Controle Estatístco de Processos, CUSUM, EWMA, Meddas Indvduas, Dados Autocorrelaconados, Turbdez
2 INTRODUÇÃO A qualdade de um servço pode ser medda de acordo com uma fórmula bem smples cujo resultado é a dferença entre o Servço Prestado e o Servço Esperado. Nessa avalação devese levar em consderação se a necessdade ncalmente mposta pelo clente fo plenamente atendda (CARVALHO, 2005). A qualdade sempre fo parte ntegrante de quase todos os produtos e servços, mas a conscentzação de sua mportânca e a ntrodução de métodos de controle e melhora da qualdade têm tdo um desenvolvmento evolutvo. A aplcação de métodos estatístcos para a melhora da qualdade, a partr do controle estatístco de processos (CEP) teve níco em 1924 com Walter A. Shewhart que desenvolveu o conceto estatístco de gráfco de controle (MONTGOMERY, 2004). Atualmente, podemos encontrar dversas aplcações dos métodos de controle estatístco de processo bem suceddas no setor ndustral. No entanto, gráfcos de controle estatístco de processos vem sendo aplcados em outras áreas, como servços, na saúde públca, na detecção de fraudes, na segurança, na gestão de pessoas, no estudo da genétca, fnanças e montoramento ambental (MORAIS; PACHECO, 2006). Nesta pesqusa aplcam-se os concetos de controle estatístco de processos (CEP) na análse dos níves de turbdez na água potável dstrbuída em Jonvlle. Os gráfcos de Soma Acumulada (CUSUM) e o de Méda Móvel Exponencalmente Ponderada (EWMA) são aplcados, analsados e os resultados comparados com o gráfco de controle X de Shewhart para meddas ndvduas, com objetvo de proposção para o montoramento contínuo da turbdez. O montoramento da turbdez da água potável proposto neste trabalho justfca-se pela preocupação atual com saneamento básco. Por se tratar da qualdade da água consumda pela população, há a necessdade de uma resposta rápda quando há um desvo, por menor que seja, para que a água não seja dstrbuída em más condções. Neste caso, a utlzação de gráfcos CUSUM e EWMA poderá ser melhor, pos ambos oferecem maor sensbldade a pequenos e moderados desvos na méda de um processo, que passam despercebdos por gráfcos do tpo Shewhart. Este artgo está assm delneado: na Seção 2 descrevem-se os gráfcos de controle estatístco de processos; na seção 3 focalzam-se as suposções necessáras; na seção 4 está a metodologa aplcada; na Seção 5 a descrção dos dados, na Seção 6 a análse dos resultados e fnalmente na Seção 7 as conclusões e consderações fnas. 2. CONTROLE ESTATÍSTICO DE PROCESSOS O Controle Estatístco de Processos e em partcular as técncas de controle da qualdade, tas como gráfcos de controle, têm sdo cada vez mas mportantes pelo fato de desempenharem papel prmordal na melhora contínua de processos. O maor objetvo do Controle Estatístco de Processos é a elmnação da varabldade. Gráfcos de controle são ferramentas efcentes que permtem a redução sstemátca dessa varabldade nas característcas de qualdade, seja de um produto ou servço, representada pelas varáves ou atrbutos montorados nos gráfcos. A qualdade de um produto (ou servço) é assegurada quanto menor for a varabldade nas característcas destes e nos procedmentos. Com a aplcação de ferramentas do controle estatístco de processos podem-se melhorar os processos contnuamente. 2
3 Todo processo, por mas bem projetado e por mas bem controlado que seja, possu uma varabldade natural nerente. São pequenas perturbações, causas aleatóras, contra as quas pouco ou nada se pode fazer (COSTA; EPPRECHT; CARPINETTI, 2004). Segundo Samohyl (2009) são três os tpos de causas: causa especal, causa estrutural e causa comum. Uma causa especal é um evento que ocorre ocasonalmente, em períodos rregulares, essas causas devem ser elmnadas ou reduzdas. A causa estrutural, assm como as causas especas também podem ser elmnadas ou reduzdas, a dferença entre ela é que a causa estrutural ocorre perodcamente ou em função de outra varável relaconada com a causa dentfcada. A causa comum é relatvamente pequena e ocorre em grande número afetando a varabldade do processo. Apesar de ocorrer em grande quantdade esta varação é nerente ao processo e são pratcamente nevtáves, embora possam ser reduzdas. O estudo da varabldade natural do processo é fundamental para a determnação de seus lmtes de controle, que é defndo pelo processo e controlado pela organzação. Esses lmtes devem ser menores que os lmtes de especfcação e tem como objetvo estabelecer controles nternos com menor tolerânca, já os lmtes de especfcação são defndos pelo mercado ou órgão regulador (RODRIGUES, 2010). Para Alves (2003), o fator mas mportante no controle de um processo é compreender o estado do mesmo com exatdão, nterpretando o gráfco de controle e tomando medatamente ações apropradas assm que houver um alerta de causa especal ou estrutural. A mplantação do controle estatístco de processo e a conseqüente redução da varabldade geram uma redução nos custos e uma elevação na produtvdade, em conseqüênca dsso, há um aumento da capacdade de produção com pouco ou nenhum nvestmento adconal em equpamentos ou força de trabalho. A utlzação de gráfcos de controle no CEP é de extrema mportânca. São elementos vsuas para o montoramento de produtos e processos onde através deles podemos dentfcar rapdamente alterações desproporconas, causas especas, alertando sobre a necessdade de agr no processo. (SAMOHYL, 2009). Os gráfcos de controle podem ser utlzados para montorar característcas de qualdade que se expressam como varáves ou como atrbutos. O mas utlzado hoje é o gráfco do tpo Shewhart para méda ( X ) onde as característcas de qualdade são varáves (SAMOHYL, 2009). Este gráfco geralmente é utlzado quando há um nteresse na evolução de uma característca quanttatva contínua. Montora-se entre as amostras, o valor médo com o gráfco X, o desvo padrão com o gráfco S e a ampltude, gráfco R. As amostras podem ser dvddas em subgrupos raconas (n>1) ou em observações ndvduas, quando n=1. Neste últmo caso aplca-se um gráfco de controle X para meddas ndvduas (MONTGOMERY, 2004). O desempenho de um gráfco de controle é comumente avalado através de parâmetros relaconados com a dstrbução do tempo necessáro para o gráfco emtr um snal verdadero ou falso. Um dos parâmetros é o número médo de amostras coletadas até emssão de um snal (ARL-Average Run Length). Em uma carta de controle o ARL 0 ndca o número médo de amostras coletadas até a emssão de um snal durante o período sob controle (alarme falso), enquanto o ARL 1, representa o número médo de amostras coletadas até a emssão de um snal que ndque uma stuação de fora de controle estatístco, quando uma mudança realmente ocorre (ALVES; SAMOHYL, 2005). Os gráfcos de controle tradconas tpo Shewhart não são efcazes se o tamanho da mudança é pequeno, 2σ a 1,5σ, ou menos. Os gráfcos CUSUM e EWMA são uma alternatva para 3
4 pequenas mudanças. Esses dos gráfcos auxlam na tomada de decsão, pos se fundamenta nos resultados apresentados por certo número de amostras, e não em observações soladas de amostras, ou seja, a análse deste gráfco é em função do resultado atual e dos resultados anterores (ALVES, 2003). 2.1 CUSUM (GRÁFICO DE SOMA ACUMULADA) O gráfco de controle de Soma Acumulada (CUSUM) fo proposto prmeramente por Page (1954). É um aprmoramento do gráfco do tpo Shewhart para méda ( X ) ou observações ndvduas (X), sendo usado para detectar mas rapdamente pequenas alterações nos processos e errar menos quando os processos são realmente estáves (SAMOHYL, 2009). Alves (2003) afrma também que esses tpos de gráfcos de controle são muto efcazes para amostras seqüencas de tamanho n = 1, ou seja, são ndcadas para onde o montoramento de processos é realzado a partr de observações ndvduas, que é o caso deste trabalho. Como já ctado acma, o gráfco de soma acumulada utlza dversas amostras para decdr sobre o processo conforme as observações são obtdas, os desvos da méda em relação ao valor alvo são acumulados, gerando S ( X (1) 1 0 ), onde X é a medda (observação obtda) da -ésma amostra de tamanho n = 1 e 0 é o valor alvo. A méda permanecerá ajustada no alvo enquanto os desvos postvos forem compensados pelos negatvos osclando de forma aleatóra em torno do zero, mas se houver uma alteração desta méda, aumentando ou dmnundo, S crescerá ou dmnurá ndefndamente (COSTA; EPPRECHT; CARPINETTI, 2004). Como a Equação 1 é sensível a qualquer desvo do valor alvo, então uma tolerânca com pequenas alterações é formalzada explctamente nas equações do CUSUM com o valor de referênca K (SAMOHYL, 2009). Deste modo, o CUSUM funcona acumulando desvos de 0 que estão acma e abaxo do alvo, com uma estatístca C + e C - chamadas de CUSUMs unlateras, superor e nferor. Estas estatístcas são calculadas da segunte forma: C máx 0, X ( K) C ]; (2) [ o 1 [ 0,( o K) X C 1 C máx ], (3) onde C 0 C 0 0. O valor de referênca K é escolhdo entre o valor-alvo 0 e o valor da méda fora de controle 1 que estamos nteressados em detectar rapdamente. Desta forma, se a mudança é expressa em undades de desvo padrão como 1 0, então K é a metade da magntude da mudança dada por K = = 2. (4) Se C ou C ultrapassar o ntervalo de decsão H, o processo será consderado fora de controle estatístco. Pra um melhor desempenho do gráfco de soma acumulada, recomenda-se que seja utlzado um valor de K gual a 0,5 vezes o valor do desvo padrão (σ) e o H como quatro ou cnco vezes o valor do desvo padrão (σ). Isto se justfca, pos se utlzarmos esses respectvos valores, o CUSUM apresentará boas propredades do ARL contra uma mudança de cerca de 1σ na méda do processo (MONTGOMERY, 2004) 4
5 2.2 EWMA (GRÁFICO DE MÉDIA MÓVEL EXPONENCIALMENTE PONDERADA) O desempenho do gráfco de Méda Móvel Exponencalmente Ponderada (EWMA) é muto parecdo com o CUSUM, e também é recomendado para observações ndvduas. Uma das prncpas dferenças entre eles é que o prmero é mas fácl de estabelecer e operar e outra é que o EWMA fornece peso maor para nformações mas atualzadas e peso menor para nformações mas antgas (MONTGOMERY, 2004). O gráfco de controle EWMA é construído pela plotagem de z versus o número de amostras (ou tempo), com z defndo por Z X 1 ) Z, (5) ( 1 onde X é o valor observado mas recentemente, λ é o parâmetro que pondera a combnação, 0 1. Quanto menor for o λ mas fácl será para detectar pequenas mudanças no processo, usualmente é utlzado λ = 0,05, λ = 0,1 ou λ = 0,2. O valor ncal é o valor alvo do processo, com Z Supondo que as observações X são varáves aleatóras ndependentes com varânca, então a varânca de Z é dada por (1 ). (6) 2 2 z Para o cálculo do lmtes de controle são usadas as seguntes equações: 2 LSC 0 L 1 (1 ) ; (7) 2 2 LIC 0 L 1 (1 ) ; (8) 2 Lnha central = 0 (9) onde L é a ampltude dos lmtes de controle. Para o parâmetro L é freqüente ser usado gual aos lmtes 3 (três sgmas usuas) (MONTGOMERY, 2004) 3. AUTOCORRELAÇÃO E NORMALIDADE Para ser possível a utlzação de qualquer tpo de gráfco de controle duas suposções devem ser valdadas. A prmera suposção é a da ndependênca das amostras, ou seja, as amostras não devem apresentar nenhum tpo de correlação. A segunda é a de que os dados sejam normalmente dstrbuídos (COSTA; EPPRECHT; CARPINETTI, 2004; MONTGOMERY, 2004; SAMOHYL, 2009). A suposção mas mportante aos gráfcos de controle é a ndependênca das observações, pos mesmo que a suposção de normaldade seja volada em grau moderado esses gráfcos anda funconam razoavelmente, ao contraro de quando o fundamento de ndependênca das amostras é quebrado. Quando os valores da característca da qualdade possuem algum grau de autocorrelação, mesmo que pequeno, a probabldade de uma observação car fora do lmtes de controle, com o processo sob controle, aumenta e compromete a credbldade desta ferramenta, pela ocorrênca elevada de alarmes falsos (MONTGOMERY, 2004). Atualmente as empresas dfclmente verfcam estas suposções antes de mplantar o CEP, elas utlzam os gráfcos de controle estatístco mutas vezes de forma errônea, não aprovetando os benefícos que essa ferramenta pode trazer. Vale ressaltar que em medções 5
6 cujas observações são fetas em um curto espaço de tempo e com elevado grau de automação as chances desses valores serem autocorrelaconados multplcam-se, ratfcando a mportânca da análse da dstrbução das amostras e sua ndependênca. Duas abordagens são aplcadas no sentdo de tratar a autocorrelação dos dados. Na prmera abordagem são usados os dados orgnas, mas devem-se ajustar os lmtes de controle para absorver a autocorrelação, é o chamado alargamento dos lmtes. A segunda defende uma abordagem de plotagem dos resíduos de um modelo de sére temporal no gráfco de controle padrão (MONTGOMERY, 2004). Esse modelo será usado neste trabalho. Uma sere temporal é uma realzação partcular de um processo estocástco gerado pela passagem sucessva de um processo ruído branco em uma sequênca de dos fltros lneares, um estável e outro nstável. Quando se tem uma sére não-estaconára é necessáro torná-la, para sto, uma das formas é utlzar o método da dferencação dscreta (RUSSO; CAMARGO; FILHO, 2007). Um modelo de sére temporal pode ser escrto da segunte forma: x 1, (10) t x t t Onde ξ e Φ e (-1< Φ <1) são constantes desconhecdas e ε t são ndependentes e normalmente dstrbuídos e com méda zero de desvo padrão σ. Este modelo é chamado de modelo autoregressvo de prmera ordem. Ao adotar-se ˆ como uma estmatva de Φ obtda através da análse de dados amostras extraídos do processo e xˆ t o valor ajustado de x t, os resíduos e t do processo são expressos por : e t x xˆ. (11) t t O modelo será adequado se os resíduos são aproxmadamente normas e ndependentes com méda zero e varânca constante. Assm, podem ser aplcados os gráfcos de controle convenconas à seqüênca de resíduos. (MONTGOMERY, 2004). 4. METODOLOGIA Este trabalho confgura-se numa pesqusa aplcada, pos gera conhecmentos para aplcação prátca e dreconados à solução de problemas específcos. A abordagem é quanttatva, vsto que para alcançar os objetvos propostos são analsados os resultados obtdos. Todo tratamento estatístco dos dados é realzado com ambente GNU R (R Core Development Team, 2010) com auxlo dos pacotes qcc - Qualty Control Charts (SCRUCCA, 2004), para construção dos gráfcos de controle, e forecast (HYNDMANN, 2011) para estmação do modelo ARIMA. O pacote forecast dspõe de procedmentos automátcos de escolha de um modelo, de acordo com o menor AIC (Akake Informaton Crtera) encontrado. Na Fgura 1 é demonstrado um fluxograma com os passos que foram utlzados para a aplcação do controle estatístco nos dados de turbdez. 6
7 Fgura 1: Fluxograma com os passos que foram utlzados para a aplcação do controle estatístco nos dados de turbdez 5. DESCRIÇÃO DA EMPRESA E DOS DADOS ANALISADOS A empresa estudada se localza em Jonvlle, e tem como objetvo prncpal o tratamento e a dstrbução de água potável, além da coleta e tratamento de esgotos. Atualmente, o abastecmento de água é realzado por duas undades de tratamento, com capacdade nomnal de tratamento de l/s. Esta undade é responsável por 70% do abastecmento de água de Jonvlle. Os dados de turbdez analsados neste trabalho foram retrados da ETA Cubatão com capacdade de l/s. Turbdez é o estado em que a água se encontra, causado pela presença de partículas em suspensão, ou seja, sóldos suspensos, fnamente dvddos ou em estado colodal, e de organsmos mcroscópcos. A turbdez de causa natural não traz nconvenentes santáros dretos. Porém, é estetcamente desagradável na água potável, e os sóldos em suspensão 7
8 ACF Partal ACF XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO podem servr de abrgo para mcrorgansmos patogêncos. Entretanto, a turbdez de orgem antropogênca pode estar assocada a compostos tóxcos e organsmos patogêncos causando problemas mas séros (VON SPERLING,1996). Daramente a cada mea hora é retrado uma amostra de água para verfcar nível de flúor, cloro, turbdez, entre outras varáves. Os dados analsados (Fase 1) correspondem a 37 observações, foram coletados no da 01/01/2009 e estão apresentados na Tabela 1. Hora 05:30 06:00 06:30 07:00 07:30 08:00 08:30 09:00 Valor 0,47 0,5 0,46 0,51 0,55 0,46 0,48 0,47 Hora 09:30 10:00 10:30 11:00 11:30 12:00 12:30 13:00 Valor 0,48 0,44 0,43 0,44 0,53 0,62 0,59 0,55 Hora 13:30 14:00 14:30 15:00 15:30 16:00 16:30 17:00 Valor 0,51 0,55 0,51 0,48 0,38 0,37 0,35 0,33 Hora 17:30 18:00 18:30 19:00 19:30 20:00 20:30 21:00 Valor 0,3 0,34 0,33 0,35 0,35 0,32 0,3 0,27 Hora 21:30 22:00 22:30 23:00 23:30 Valor 0,26 0,29 0,28 0,28 0,3 Fonte: Águas de Jonvlle Tabela 1- Turbdez da Água Esses dados serão utlzados para a defnção dos lmtes de decsão utlzados nos gráfcos de controle. O lmte máxmo de turbdez para qualquer amostra pontual, defndo pela legslação (BRASIL, 2004) na saída da Estação de Tratamento de Água é de 1 UT (undades de Turbdez). 6. RESULTADOS E ANÁLISE Na Fgura 2 está o gráfco da sére temporal dos dados e os gráfcos das funções de autocorrelação (ACF) e autocorrelação parcal amostral (PACF). Verfca-se que os dados são autocorrelaconados, não atendendo a suposção de ndependênca das amostras. Podemos utlzar varas formas de verfcar a normaldade dos dados. Neste trabalho fo aplcado o teste Jarque-Bera e os dados podem ser consderados normas ao nível de 5% (p-valor = 0,3053). a b Lag Lag Fgura 2: Gráfcos da função de autocorrelação (ACF) e autocorrelação parcal (PACF) dos dados de turbdez. 8
9 Cumulatve Sum Below target Above target Group Summary Statstcs Group summary statstcs XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Aos dados orgnas foram aplcados gráfcos de controle para meddas ndvduas X de Shewhart (Fgura 3), CUSUM (Fgura 4a) e EWMA (Fgura 4b), sem consderar a autocorrelação. Podem ser vsualzados nas Fguras 3, 4a e 4b, pontos além dos lmtes de controle. Neste trabalho o valor alvo deve estar de acordo com a legslação vgente. Para todos os gráfcos o ARL 0 é 370. Os gráfcos tpos Shewhart serão convenconas, com lmtes 3σ. O gráfco CUSUM tem lmte de decsão gual a h = 4,8 (para manter o ARL 0 próxmo de 370) e K = 0,5. O gráfco EWMA tem 0, 2 e L = 3,0. UCL CL LCL Group Number of groups = 37 Center = StdDev = LCL = UCL = Number beyond lmts = 20 Number volatng runs = 25 Fgura 3:Gráfco X de Shewhart para Observações Indvduas a b UDB LDB UCL LCL Group Group Number of groups = 37 Center = StdDev = Decson nterval (std. err.) = 5 Shft detecton (std. err.) = 1 No. of ponts beyond boundares = 43 Number of groups = 37 Center = StdDev = Smoothng parameter = 0.2 Control lmts at 3*sgma No. of ponts beyond lmts = 33 Fgura 4: Gráfco CUSUM (a) e EWMA (b) aplcado aos dados observados. 9
10 Group summary statstcs XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Ajustou-se um modelo ARIMA (0,1,0), com um erro padrão estmado de 0, e percentual médo absoluto (MAPE) de 7,28%. O modelo mostrou-se adequado, pos os resíduos apresentam uma dstrbução próxma à dstrbução normal (p-valor =0,156) e não eram autocorrelaconados. Com sso pode-se contnuar o desenvolvmento do controle estatístco de processo, para o montoramento da varável, sem que os resultados sejam alterados pela quebra das suposções ncas. Assm, na Fgura 5 encontra-se um gráfco do tpo Shewhart, na Fgura 6a. um gráfco CUSUM e na Fgura 6b. um gráfco EWMA. Estes gráfcos foram aplcados aos resíduos do modelo. Além dos dados para calbração (Fase I) foram ncluídas algumas amostras subseqüentes para montoramento. Calbraton data n modelo.1$resduals New data n newdata UCL CL LCL Group Number of groups = 45 Center = StdDev = LCL = UCL = Number beyond lmts = 2 Number volatng runs = 3 Fgura 5:Gráfco X de Shewhart para Observações Indvduas aplcado aos resíduos do modelo Para as amostras de no. 1 a 37, correspondente a Fase I (Fgura 5) pode-se verfcar, que processo está completamente sobre controle estatístco, dferentemente do prmero caso quando fo plotado o gráfco sem levar em conta a autocorrelação (Fgura 3). A mesma stuação ocorre para os gráfcos CUSUM (Fguras 4a e 5a) e EWMA (Fgura 4b e 5b). Assm, com o processo controlado, os lmtes de controle gerado pelo processo podem ser utlzados para o montoramento dos dados seguntes. Assm, nesta fase posteror, pode-se observar que há ndícos de que o processo está fora de controle estatístco, embora atenda os parâmetros da legslação. O gráfco tpo Shewhart e o gráfco EWMA snalzam na amostra de número 42 (Fguras 5 e 7) e o gráfco CUSUM na 41ª amostra (Fgura 6). Neste caso, o gráfco CUSUM snalzou antes e ndca desde a 37ª amostra uma tendênca de aumento na méda. O gráfco EWMA (Fgura 7), apesar de snalzar uma amostra após, também evdenca essa tendênca de aumento. No gráfco tpo Shewhart (Fgura 5) não mostra esta tendênca de aumento. As regras suplementares (MONTGOMERY, 2004) podem auxlar neste sentdo, mas como mplcam no aumento do número de alarmes falsos, não foram aplcadas neste trabalho. 10
11 Group Summary Statstcs Cumulatve Sum Above target Below target XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Calbraton Data n modelo.1$resduals New Data n newdata UDB LDB Group Number of groups = 45 Center = StdDev = Decson nterval (std. err.) = 4.8 Shft detecton (std. err.) = 1 No. of ponts beyond boundares = 4 Fgura 6: Gráfco CUSUM aplcado aos resíduos do modelo Calbraton Data n modelo.1$resduals New Data n newdata UCL LCL Group Number of groups = 45 Center = StdDev = Smoothng parameter = 0.2 Control lmts at 3*sgma No. of ponts beyond lmts = 2 Fgura 7: Gráfco EWMA aplcado aos resíduos 11
12 7. CONSIDERAÇÕES FINAIS XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Neste trabalho foram comparados gráfcos como o X para meddas ndvduas de Shewhart, o de soma acumulada (CUSUM) e o de méda móvel exponencalmente ponderada (EWMA). Assm medante a comparação dos mesmos, pode-se recomendar um método para montorar a varável turbdez em uma estação de tratamento. Tanto os gráfcos CUSUM como EWMA tem como pontos postvos detectar mas rapdamente pequenos desvos e dão nformações sobre a tendênca do processo, sendo ndcados para o montoramento deste processo. O gráfco EWMA anda tem uma vantagem adconal: a de ser robusto à hpótese de normaldade. Neste trabalho é enfatzado também, a mportânca da verfcação das suposções de normaldade e ndependênca das amostras, antes da utlzação destes gráfcos de controle. Demonstrou-se, a partr de gráfcos, que ao aplcarmos gráfcos de controle dretamente aos dados autocorrelaconados, mplca num número maor de alarmes falsos, ratfcando a suposção de que gráfcos de controle não funconam bem com esse tpo de problema. Para tratar a autocorrelação fo aplcado um modelo ARIMA e posterormente gráfcos de controle aos resíduos do modelo. A metodologa utlzada permtu defnr algumas consderações mportantes, tas como uma proposta de montoramento do nível de turbdez da água através do Controle Estatístco de Processo. Além dsso, comparou-se a sensbldade exstente entre os gráfcos de controle de Shewhart, CUSUM e EWMA na detecção de pequenas mudanças na turbdez da água e verfcando se realmente estão dentro das especfcações mpostas pela norma. Para a contnudade dos trabalhos sugere-se realzar um acompanhamento estatístco durante um período completo, com auxlo de um dáro de bordo para facltar a dentfcação das causas dos pontos fora de controle. É mportante salentar que a utlzação de métodos de prevsão, como, ARIMA, aplcação de gráfcos de controle estatístco aos resíduos, são sofstcados, e, portanto, podem ser de dfícl nterpretação, necesstando de pessoas especalzadas para tal fm. Para empresas que estejam ncando esses trabalhos aconselha-se também a análse da utlzação de outras técncas para tratar a autocorrelação, como lmtes de controle alargados ou dmnur a freqüênca de retrada de amostras. REFERÊNCIAS ALVES, C. C. Gráfcos de Controle CUSUM: um enfoque dnâmco para a análse estatístca de processos f. Dssertação (Mestrado em Engenhara de Produção) Centro Tecnológco, Unversdade Federal de Santa Catarna, Floranópols, ALVES, C. C; SAMOHYL, R. W.. O montoramento de processos ndustras va gráfcos de controle CUSUM. Revsta UNIVILLE, v. 10, p , BRASIL. Mnstéro da Saúde. Secretara de Vglânca em Saúde, Coordenação-Geral de Vglânca em Saúde Ambental. Portara no. 518/2004 do Mnstéro da Saúde. Dsponível em:< Acesso em: 20/08/2010. CAMPOS, V. F. TQC: Controle da qualdade total no estlo japonês. 2.ed. Fundacao Chrstano Otton, Escola de Engenhara da UFMG. Ro de Janero: Ed. Bloch, CARVALHO, M.M. Gestão da Qualdade. Teora e Casos. Ro de Janero: Edtora Campus, v p. COSTA, A. F. B. C.; EPPRECHT, E. K.; CARPINETTI, L. C. R. Controle estatístco de qualdade. 2. ed. Sao Paulo: Edtora Atlas,
13 HYNDMANN, R. J.; KHANDAKAR, Y. Automatc tme seres forecastng: The forecast package for R. Journal of Statstcal Software, v.27, n.3, p.1-22, HYNDMANN, R. J. forecast: forecastng functons for tme seres. R package verson 2.16, URL: MONTGOMERY, D. C. Introdução ao controle estatístco da qualdade. Sao Paulo: Edtora LTC, MORAIS, M.C. E PACHECO, A. Combned CUSUM-Shewhart schemes for bnomal data. Economc Qualty Control 41, v.21, p , 2006 PAGE, E.S. Contnuous Inspecton Scheme, Bometrcs, vol.41, p , R Development Core Team. R: A language and envronment for statstcal computng. R Foundaton for Statstcal Computng, Venna, Austra. URL: RODRIGUES, M. V. C.. Ações para a qualdade: gestão estratégca e ntegrada para a melhora dos processos na busca da qualdade e compettvdade. 3ª Ed. Ro de Janero: Qualtymark, RUSSO, S. L.; CAMARGO, M. E.; FILHO, W. P.. Prevsão de Vendas através da Metodologa de Box & Jenkns: Um Estudo de Caso. In: XXVII Encontro Naconal de Engenhara de Produção, 2007, Foz do Iguaçu. XXVII Encontro Naconal de Engenhara de Produção. Foz do Iguaçu: ABEPRO, v. p SAMOHYL, R. W.. Controle Estatístco de Qualdade. 1. ed. São Paulo: Elsever Campus, v p. SCRUCCA, L. qcc: an R package for qualty control chartng and statstcal process control. R News 4/1, VON SPERLING, M. Introdução à Qualdade das Águas e ao Tratamento de Esgotos. 2. ed. Mnas Geras, Departamento de Engenhara Santára e Ambental. Unversdade federal de Mnas Geras p. 13
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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. 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 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 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 maisEstatística 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 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 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 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 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 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 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 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 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 maisEstudo 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 maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia 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 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 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 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 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 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 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 maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
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 maisContabilometria. 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 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 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 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 maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisAplicação 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 maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
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 mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
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 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 maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisRegressão Logística Aplicada aos Casos de Sífilis Congênita no Estado do Pará
Regressão Logístca Aplcada aos Casos de Sífls Congênta no Estado do Pará Crstane Nazaré Pamplona de Souza 1 Vanessa Ferrera Montero 1 Adrlayne dos Res Araújo 2 Edson Marcos Leal Soares Ramos 2 1 Introdução
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
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 maisFigura 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 maisTeoria 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 maisGRÁFICOS DE CONTROLE PARA MÉDIA E DESVIO-PADRÃO COM TAMANHO DE AMOSTRA VARIÁVEL: UMA APLICAÇÃO EM UMA INDÚSTRIA DO SETOR METALÚRGICO
! "#$ " %'&)(*&)+,.- /0.*&4365879&4/:.+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 de outubro de 007 GRÁFICOS
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 maisAULA 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 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 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 maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia 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 maisAnálise 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 maisUMA 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 mais8.16. 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 maisRepresentação 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 maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisMOQ-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 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 maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 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 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 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 maisMOQ-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 maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
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 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 maisU N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA
U N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A CLASSIFICAÇÃO DE MONOGRAFIAS UMA PROPOSTA PARA MAIOR OBJECTIVIDADE ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia 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 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
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 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 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 maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia mais