[t (j) t (j 1) = τ. (t (i 1) + (n i + 1) [t (i) t (i 1) Abcissae of the TTT plot, i = 0, 1,..., n

Tamanho: px
Começar a partir da página:

Download "[t (j) t (j 1) = τ. (t (i 1) + (n i + 1) [t (i) t (i 1) Abcissae of the TTT plot, i = 0, 1,..., n"

Transcrição

1 Fabldade e Cotrolo de Qualdade LMAC xame de a. Época / o. Teste o. Teste o. Semestre /3 uração: 3 horas / hora e 45 mutos 8/7/3 7 horas V.8. Foram regstados 5 tempos de reparação em horas que se crê serem proveetes do modelo logormalµ, σ, estado assocados aos segutes tempos etre coclusões sucessvas de reparações:.5,.4,.,.65,.98. a Costrua um papel de probabldade que permta averguar a adequação do modelo acma referdo. Exemplfque a sua utlzação com algus cálculos. R.v. T repar tme Cojectured model LogNormalµ, σ, µ IR, σ IR + Complete data The tmes betwee cosecutve coclusos of repars are: t, t t, t 3 t, t 4 t 3, t 5 t 4.5,.4,.,.65,.98. Thus, the ordered repar tmes are: t, t, t 3, t 4, t 5.5, , , , Probablty paper For ay absolutely cotuous model, F T T Beta, +. Therefore, by cosderg as a estmate of l t µ p F T t Φ σ the expected value ˆp EF T T EBeta, + +, we are supposed to cofrot drectly or drectly ˆp ad F T t, that s, t + l Φ σ µ Φ l t µ + σ µ + σ Φ l t +. Thus, the probablty paper for the logormal model s a graph wth the followg pots: Φ, l t +,,...,. Example wth two pots Φ + Φ 5+ Φ 5+ l t Φ l Φ l b Obteha as abcssas e ordeadas dos dos prmeros potos do correspodete gráfco TTT. Que aspecto esperara para este gráfco? Total tme o test up to tme t τ t j + t j t j τ j Abcssae of the TTT plot,,,..., t + + t t Ordates of the TTT plot τt,,..., ; equal to, for. τt Two pots of the TTT plot τ t τ t + + t t τt τt Aspect of the TTT plot Accordg to Remark 5.5, the TTT plot should be: a le case T Expoetalλ,,..., ; cocave f T IHR,,..., ; covex f T DHR,,..., Moreover, accordg to page 97 of the lecture otes, the log-ormal dstrbutos has a hazard rate fucto that creases ad the decreases. By combg these results the TTT plot should be tally cocave followg the tal creasg behavor of λ T t, ad the covex o the accout of the decreasg behavor of λ T t that follows.. Com o objectvo de estudar o tempo em mutos até à replcação de certa estrpe de vírus foram observadas caxas de Petr, tedo-se dado por termada a recolha de formação aquado do regsto da 8a. replcação. A amostra ordeada daí resultate é.3,.388,.938,.4,.66,.96,.957, 3.84 com 8 t a Após ter detfcado o teste de vda e cosderado as hpóteses de trabalho que eteder mas. coveetes, calcule um tervalo de cofaça a 95% para a duração esperada do tempo até à replcação do referdo vírus. Lfe test Sce the ed of the test was determed by the r 8 th tme to a replcato of the vrus ad othg ths exercse suggests that the Petr dshes were replaced durg the lfe test, we are dealg wth a

2 Type II/tem cesored testg wthout replacemet. Cesored data r 8 t,..., t r.3,.388,.938,.4,.66,.96,.957, 3.84 Cumulatve total tme test Accordg to Defto 5.7, the cumulatve total tme test s gve by: r t t + r t r Dstrbuto assumpto T tme utl replcato the th Petr dsh T T Expoetalλ,,..., Ukow parameters λ ET λ Cofdece terval for λ Accordg to Table 5.6 of the lecture otes, CI α % λ λ l ; λ U F χ α/ F r χ α/ r ; t t F χ CI 95% λ.5 F ; χ ; ; Cofdece terval for ET Sce ET λ s a decreasg fucto of λ >, we ca state that CI 95% ; λ λ U λ L.4399; b Obteha a redução a duração esperada do teste por se ter decddo cocluí-lo aquado do regsto. da 8a. replcação. Comete o resultado. Reducto of the expected value of the test durato It s equal to E T r r: + r E T r:r r , r8, 3 accordg to 5.5. Commet The decso of edg the test after the 8 th replcato those Petr dshes reduces by practcally 5% the durato of a test volvg complete data assocated ot to but to 8 Petr dshes. So t does pay off to cesure the data ths case! 3. Cosdere uma pequea cetral eléctrca que só será capaz de forecer eerga eléctrca a uma pequea povoação se possur dos 3 geradores a fucoar. Admta que o tempo em meses até falha dos geradores são v.a.s com fução de sobrevvêca comum Rt e t.5, t. a Caracterze o tempo até falha da cetral eléctrca quato ao evelhecmeto estocástco? Justfque. e comete o resultado. System out of 3 Idvdual duratos of the compoets Sce the commo relablty fucto s equal to F t e t.5, t, we ca add that: T Webullδ, α.5,,, 3 see result 4.. Stochastc ageg of T The page provdes three possble stochastc ageg behavours for Webull dstrbutos accordg to the value of the shape parameter α. Sce ths case α.5 >, we get T IHR,,, 3. Durato of the out of 3 system T.6 3, k T k+ T Stochastc ageg of T IHR,,, 3 Thus, T T IHR. T 3.5 T IHR,,, 3. b Obteha a expressão exacta do tempo esperado até falha da cetral eléctrca, bem como a de um. par de lmtes feror e superor o mas estrtos possível para esse mesmo valor esperado. Relablty fucto of T R T t.8 F Bomal3,F t3 3 e t.5 m e t.5 3 m m m e 3t e t.5 e t.5 3e t.5 e 3t.5 Expected value of T exact expresso ET T,. R T t dt 3e t.5 e 3t.5 dt 4

3 3 R W ebullδ.5,α.5 R W ebullδ3.5,α.5 E t dt t dt 3 E Webullδ.5, α.5 Webullδ 3.5, α Γ Γ.5 + Mathematca.8389 Prelmares We are dealg wth a coheret system characterzed as follows: T IHR,,, 3 P rop T IHRA,,, 3; µ ET µ EWebullα.5, δ Γ.5 + ; the mmal path sets are P, P, 3 P 3, 3 p 3 mmal path sets; the mmal cut sets are K, K, 3 K 3, 3 q 3 mmal cut sets. Upper boud for ET µ ET m j,...,q µ µ m j,...,q µ µ 3µ Mathematca K j e t/µ dt e t/µ #K j dt e t/µ m j,...,q #K j dt e t/µ dt e t/µ e t/µ dt Uma rede de tratameto de águas resduas possu o fguro abaxo ode deota a estação de tratameto, Now, we ca apply Theorem 3.69, ad obta a lower boud ad a upper boud for ET. Lower boud for ET µ ET µ µ max j,...,p max µ j,...,p P j #Pj µ µ m j,...,p #P j µ Γ.5 + Mathematca a Determe a fução de estrutura por decomposção fulcral em toro da estação de tratameto 4.. Structure fucto by pvotal decomposto aroud compoet 4 Sub-system assocated to 4, X Mmal path sets P, 3, 6 P, 5, 6 p mmal path sets 5 6

4 Structure fucto φ 4, X.3 p j X P j X X 3 X 6 X X 5 X 6. Sub-system assocated to 4, X Mmal cut sets K K, 4 K 3 3, 5 K 4 6 q 4 mmal cut sets System durato T maxmt, T, T 3, T 6, mt, T, T 5, T 6, mt, T 4, T 5, T 6, mt, T 3, T 4, T 6 or T mt, maxt, T 4, mt 3, T 5, T 6 Mmal path sets P,, 3, 6 P,, 5, 6 p mmal path sets Structure fucto φ 4, X.3 p j X P j X X X 3 X 6 X X X 5 X 6. Structure fucto of the orgal system.7 φx X 4 φ 4, X + X 4 φ 4, X X 4 X X 3 X 6 X X 5 X 6 + X 4 X X X 3 X 6 X X X 5 X 6. b Após ter defdo o tempo até falha da rede de tratameto de águas resduas, determe um par. de lmtes feror e superor para a fução de fabldade da rede para o período de um mês, caso as estações sejam assocadas postvamete e possuam tempos até falha em meses com dstrbução comum Webullδ, α.5. Idvdual duratos T Webullδ, α.5 R t Rt e t.5, t. Mmal path sets P,, 3, 6 P,, 5, 6 P 3, 4, 5, 6 P 4, 3, 4, 6 p 4 mmal path sets Lower ad upper bouds for the relablty fucto R T t Sce the 6 compoets form a coheret system ad operate a postvely assocated fasho, we ca apply Theorem., amely result.8, ad get the followg lower ad upper bouds: R T t R T t.4 max j,...,p P j R t R trt max j,...,p p#pj #P j4, j Rt 4 e t.5 4 t e 4.836;.4 m R t j,...,q K j R trt m Rt #Kj j,...,q mj,...,q #Kj Rt Rt Rt e t.5 t e Os dados segutes dzem respeto ao úmero de defetos em cabos de m de fbra óptca:,, 3, 7, 8,, 5, 3,,, 4, 6, 9,, 4, 8, 3, 6, 7, 4, 8,. a Permtram estes dados coclur que o processo de produção está sob cotrolo? Defa os lmtes. de cotrolo da carta que eteder mas razoável para o cotrolo da produção futura. Cotrol statstc / qualty characterstc Y N umber of defects the N th optcal fber cable wth m 7 8

5 Dstrbutos Y N Possoλ, cotrol Y N Possoλ λ + δ, out of cotrol, where δ represets the magtude of a shft λ Obtag the target value of λ Takg to accout the data y y,..., y,...,, assocated to utara samples, ad the fact that the uderlyg model s Posso, we obta the followg maxmum lkelhood estmate for the target value of λ: ˆλ ȳ Please ote that we shall use ˆλ to estmate/obta the target ad the lower ad upper cotrol lmts of chart descrbed below. Estmate of the upper cotrol lmt of the stadard u chart wth 3 sgma lmts LCL max, ˆλ 3 ˆλ max, max,.5956 we eded up wth a upper oe-sded chart UCL ˆλ + 3 ˆλ State of the process ad reestmato the target ad cotrol lmts Please ote that y 4 > UCL, thus, the process does ot seem to be cotrol ad we eed to omt ths observato ad reestmate λ, etc.: 7 4 ˆλ 7 LCL max, ˆλ 3 ˆλ max, UCL ˆλ + 3 max, ˆλ Now, all the observatos are below UCL ad we are gog to assume that the estmate of UCL s the true value of the upper cotrol lmt of ths u chart. b Supoha que as ovas udades de specção são cabos de m de fbra óptca. Determe a. dmesão amostral míma e os lmtes de cotrolo de modo a ldarmos com uma carta padrão 9 com lmtes 3-sgma que assale um aumeto de 3 udades o úmero esperado de defetos por cabo de m com probabldade superor ou gual a.? New cotrol statstc / qualty characterstc Y N umber of defects the N th sample of optcal fber cables, each wth m Dstrbutos Y N Posso λ, cotrol Y N Posso λ λ + δ, out of cotrol, where δ represets the magtude of a shft λ Estmates of the cotrol lmts LCL max, ˆλ 3 ˆλ max, UCL ˆλ + 3 ˆλ Ru legth We are dealg wth a Shewhart chart, thus, the umber of samples collected utl the chart trggers a sgal gve δ, RLδ, has the followg dstrbuto: RLδ Geometrc ξδ. Estmate of the probablty of trggerg a sgal ξδ P YN LCL, UCL δ F P osso ˆλ+δ UCL F P osso ˆλ+δ LCL ˆλ 7, δ3 F P osso F P osso Obtag The mmum value of such that ξδ s oe because ths case we get ξδ F P osso 5 F P osso Um aparelho de ar codcoado é classfcado de mgo do ambete IA caso a quatdade de clorofluorcarboetos CFCs que lberta por hora ão perteça ao tervalo 3. ±.6 ppm. a Admta que é recolhda uma amostra de dmesão cuja méda x x +x e ampltude r. x x são guas a 3.5 e.3, respectvamete. Prove que a esta amostra está assocado um aparelho de ar codcoado IA. R.v. X quatty of CFC released a hour by a ar codtoed Idcator r.v., f X 3 ± , 3.6NON eco-fredly ar codtoed Y, otherwse

6 b Data x, x x 3.5 sample mea r.3sample rage c Obtag x ad x x, x : x +x x x x r x x r x x + r x , 3.6 eco-fredly ar codtoed x , 3.6 NON eco-fredly ar cod. d Supoha que a quatdade de CFCs lbertados por hora é, sob cotrolo, uma v.a. com dstrbução. ormal3,.5. Qual o valor omal.e., sob cotrolo do úmero esperado de aparelhos IA em amostras de dmesão 5 e o valor exacto da probabldade de ser emtdo um falso alarme por uma carta padrão com lmtes 3-sgma somete após a recolha de amostras? I-cotrol dstrbuto of X X Normalµ µ 3, σ σ.5 Nomal value of the probablty of selectg a NON eco-fredly ar codtoed p P X 9.94, 3.6 µ µ 3, σ σ Φ Φ.5.5 Φ.4 Φ.4 Φ Requested umber The expected umber of NON eco-fredly applaces a sample of sze 5 s equal to: p Cotrol statstc / qualty characterstc Z N umber of NON eco-fredly applaces the N th sample of sze Dstrbutos Z N Bomal, p, cotrol Y N Bomal, p p + δ, out of cotrol, where δ δ p, p represets the magtude of a shft p Cotrol lmts of the stadard p chart If we cosder a stadard p chart wth 3 sgma lmts, we get: LCL max, p 3 p p max, max,.495 UCL p + 3 p p Ru legth We are dealg wth a Shewhart chart, thus, the umber of samples collected utl the chart trggers a sgal gve δ, RLδ, has the followg dstrbuto: RLδ Geometrc ξδ. Probablty of trggerg a false alarm ξδ P Y N LCL, UCL δ Y N, LCL P Y N > UCL δ F Bomal,pp+δUCL F Bomal5, F Bomal5, Requested probablty Sce RLδ Geometrc ξδ we get: P RLδ > m ξδ m ξ O dâmetro é uma característca mportate de determada fbra têxtl. Foram recolhdas amostras com dmesão gual a 5 tedo-se resumdo a tabela abaxo as varâcas corrgdas amostras s N e algus valores observados da estatístca sumára de carta EWMA ulateral superor v N com os segutes parâmetros: λ σ.5, v lσ l.83. N s N v N a Preecha a tabela acma, obteha os lmtes de cotrolo da carta EWMA ulateral superor a. stuação em que γ EW MA.5 e avergue se alguma das observações fo resposável por um sal por parte desta carta. Qualty characterstc X dameter of the textle fber X Normalµ, σ

7 Nomal values of σ σ.83 Estmator of σ S N varace of the N th radom sample of sze, N IN Cotrol lmts of the upper oe-sded EWMA chart for σ To obta the cotrol lmts of ths chart, recall that λ σ.5, γ EW MA.5, 5 ad ψ.3 ψ Thus, accordg to ψ Table., we get: LCL EW MA l σ l UCL EW MA l σ + γ σ ψ λ σ λ σ l O the observed values of the cotrol statstc Accordg to Table., the cotrol statstc s gve by v l σ, N V N maxl σ, λσ V N + λ σ l SN, N IN. Thus, the frst ad the last observed values of the cotrol statstc are: v max.86, l.87.84; v max.86, l Sce v,..., v LCL EW MA, UCL EW MA the process varace s deemed cotrol. b Caracterze a carta S ulateral superor com ARL σ e determe o o. quartl do. úmero de amostras recolhdas até à emssão de sal váldo por parte desta carta aquado de alteração em σ com magtude θ.. Comete. Nota: Na mpossbldade de obter um valor exacto obteha um tervalo de valores para este quartl e para as probabldades que se segurem. Cotrol statstc of the upper oe-sded S chart S N varace of the N th radom sample of sze, N IN Dstrbuto SN χ, cotrol σ SN θσ χ, out of cotrol, where θ represets the magtude of the upward shft the stadard devato σ. Cotrol lmts of the upper oe-sded S chart LCL σ UCL σ σ γ σ Probablty of trggerg a sgal ξ σ θ P S N LCL σ, UCL σ θ UCLσ F χ σ γσ F χ θ, θ. Ru legth We are dealg oce aga wth a Shewhart chart, thus, RL σ θ Geometrc ξ σ θ. Obtag γ σ γ σ : ξ σ ARL σ F χ γ σ F χ γ σ F χ 5 γ σ F χ 5 γ σ 8.47 γ σ ARL σ ARL σ.999 Probablty of trggerg a vald sgal whe θ. γσ ξ σ θ F χ θ 8.47 F χ 5. F χ 4.86.;.5 because F <.86 < 3.8 F.99. χ χ 4 4 Obs. ξ σ. Mathematca.58 Request percetage pot F RL p T able 9. σθ f m IN : F RLσθm p Obs. F Mathematca RL σ..5 4 ξ σ θ m p ξ σ θ m p m l ξ σ θ l p l p< l p m l ξ σ θ p.5 l.5 m l.;.5 ; 9 3 4

8 Commet The probablty of a vald sgal wth the frst F RL σ..5 samples s of at least 5%, thus, suggestg a reasoably quck detecto of such a shft. 8. Cosdere um esquema cojuto para µ e σ que faça uso de amostras de dmesão 5 e de cartas Shewhart padrão para µ e ulateral superor para σ cujos lmtes de cotrolo são tas que: a probabldade de emssão de sal váldo quado δ, θ,.4 pela carta para µ é gual a.; o úmero esperado de amostras recolhdas até à emssão de falso alarme por parte da carta para σ é de amostras. a Calcule o úmero esperado de amostras recolhdas até que o esquema cojuto emta um falso. alarme. Qualty characterstc X Normalµ, σ Cotrol statstcs X N mea of the N th radom sample of sze S N varace of the N th radom sample of sze, N IN Dstrbutos X N Normal µ µ, σ σ, cotrol. X N Normal µ µ + δ σ, σ θσ, out of cotrol, where δ δ represets the magtude of the shft a decrease or crease! µ ad θ θ > represets a shft a crease! the stadard devato σ SN σ SN θσ χ, cotrol χ, out of cotrol Cotrol lmts of the stadard X chart ad the upper oe-sded S chart σ LCL µ µ γ µ σ UCL µ µ γ µ LCL σ UCL σ σ γ σ Probablty of trggerg sgals Takg to accout the dstrbuto of the cotrol statstcs, the dvdual chart for µ ad σ trgger sgals wth probabltes equal to: ξ µ δ, θ P XN LCL µ, UCL µ δ, θ UCLµ µ LCLµ µ Φ Φ ξ σ θ P F χ σ Φ γµ δ γµ δ Φ θ θ SN LCL σ, UCL σ θ UCLσ F χ σ γσ θ, θ. 5 σ, δ IR, θ ; Obtag γ µ ad γ σ γ µ : ξ µ,.4. γµ γµ Φ Φ. θ θ γµ Φ..4 γ µ.4 Φ.9 γ µ.4.86 γ µ γ σ : ARL σ γ σ a 8.47 Probablty of a sgal by the jot scheme for µ ad σ The jot scheme trggers a sgal f ether of the dvdual charts trggers a alarm; moreover, the cotrol statstcs of the dvdual charts are depedet gve δ, θ. As a cosequece, the jot scheme for µ ad σ trggers a false alarm wth probablty equal to: ξ µ,σ δ, θ P XN LCL µ, UCL µ or SN LCL σ, UCL σ δ, θ ξ µ δ, θ + ξ σ θ ξ µ δ, θ ξ σ θ δ,θ, Φγ µ Φ γ µ + F χ γ σ Φγ µ Φ γ µ F χ γ σ I-cotrol RL ad ARL The -cotrol ru legth of ths jot scheme for µ ad σ, RL µ,σ,, has the followg dstrbuto ad expected value: RL µ,σ, Geometrcξ µ,σ, ; ARL µ,σ, ξ µ,σ, samples. b Determe a probabldade de ocorrêca de sal erróeo de Tpo III IV quado θ. δ..5. Comete. Probablty of a msleadg sgal of type III Table. Φγ µ /θ Φ γ µ /θ P MS III θ F χ γ σ /θ Φγ µ /θ Φ γ µ /θ θ. Φ3.7584/. Φ /. F χ 8.47/. Φ3.7584/. Φ /. 5 Φ.56 F χ.86 Φ ;

9 .8856;.579 because F <.86 < 3.8 F.99. χ χ 4 4 Probablty of a msleadg sgal of type IV P MS IV δ Table. δ.5 F χ γ σ Φγ µ δ Φ γ µ δ F χ γ σ F χ Φ Φ F χ F χ Φ.58 Φ 3.58 F χ Commet The PMS are from beg small, partcular whe the stadard devato has creased %. 7

Fiabilidade e Controlo de Qualidade

Fiabilidade e Controlo de Qualidade Fiabilidade e Cotrolo de Qualidade LMAC Exame de a. Época / o. Teste o. Semestre 4/5 Duração: horas / hora e 45 miutos 8/Julho/5 6a. feira 7h, P. Cosidere os seguites registos dos istates de falha graves

Leia mais

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ Duração: 90 mutos Grupo I Probabldades e Estatístca LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBol, MEBom, MEEC, MEFT, MEMec, MEQ Justfque coveetemete todas as respostas 1 o semestre 018/019 10/01/019 09:00 o

Leia mais

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec

Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec Duração: 90 mutos Grupo I Probabldades e Estatístca LEGM, LEIC-A, LEIC-T, MA, MEMec Justfque coveetemete todas as respostas 2 o semestre 2017/2018 14/06/2018 11:00 2 o Teste B 10 valores 1. Os dvíduos

Leia mais

Fiabilidade e Controlo de Qualidade

Fiabilidade e Controlo de Qualidade Fiabilidade e Controlo de Qualidade LMAC o. Teste o. Semestre 004/05 Duração: hora e 45 minutos 4/Maio/05 (Sab.) 0h. O esquema abaixo descreve as etapas de uma deslocação em transportes públicos de uma

Leia mais

Probabilidades e Estatística

Probabilidades e Estatística Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC

Probabilidades e Estatística LEAN, LEGI, LEGM, LMAC, MEAer, MEAmbi, MEC Duração: 90 mutos Grupo I Probabldades e Estatístca LEAN, LEGI, LEGM, LMAC, MEAer, MEAmb, MEC Justfque coveetemete todas as respostas 1 o semestre 2018/2019 10/01/2019 11:00 2 o teste B 10 valores 1. Cosdere-se

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO HIPERGEOMÉTRICA 7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x

Leia mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com

Leia mais

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%

Leia mais

CADERNO 1 (É permitido o uso de calculadora gráfica.)

CADERNO 1 (É permitido o uso de calculadora gráfica.) Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

Estatística. 2 - Estatística Descritiva

Estatística. 2 - Estatística Descritiva Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA

Leia mais

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo. Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Prof. Janete Pereira Amador 1

Prof. Janete Pereira Amador 1 Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças

Leia mais

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação

Leia mais

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

50 Logo, Número de erros de impressão

50 Logo, Número de erros de impressão Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Uma uversdade oferece um curso para capactação profssoal de joves caretes. Ao fal do curso, cada jovem partcpate será avalado por meo de uma prova teórca e de uma prova prátca,

Leia mais

Total Bom Ruim Masculino

Total Bom Ruim Masculino UNIDADE I - ESTUDO DIRIGIDO Questão - Classfque as varáves em qualtatva (omal ou ordal ou quattatva (cotíua ou dscreta: a. População: aluos de uma Uversdade. Varável: cor dos cabelos (louro, castaho, ruvo,

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

Aula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação

Aula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace

Leia mais

Problem 3: Sparse polynomials (Problem H in Mooshak POO 2015/2016)

Problem 3: Sparse polynomials (Problem H in Mooshak POO 2015/2016) Programação Oretada por Objectos Problem 3: Sparse polyomals (Problem H Mooshak POO 215/216) Submt: Your source code to mooshak http://mooshak.dee.fct.ualg.pt/~mooshak ad Your report (wth a zp fle) to

Leia mais

NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA

NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA IND 5 Iferêca Estatístca Semestre 007.0 Teste 4 //007 Nome: NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA : O FORMULÁRIO ESTÁ NO FINAL DA PROVA PROBLEMA (5 potos) Em cada questão

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO RACIOCÍIO LÓGICO - Zé Carlos RACIOCÍIO LÓGICO / ESTATÍSTICA LISTA RESUMO TEÓRICO I. Cocetos Icas. O desvo médo (DM), é a méda artmétca dos desvos de cada dado da amostra em toro do valor médo, sto é x

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

Regressão Linear e Multilinear

Regressão Linear e Multilinear Regressão Lear e Multlear Deleameto Expermetal Mestrado em Sstemas de Produção em Agrcultura Medterrâca Modelo de Regressão Lear Smples X Varável Idepedete Y Varável Depedete y =β +β x +ε β ordeada a orgem

Leia mais

Hidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira

Hidrologia, Ambiente e Recursos Hídricos 2009 / Rodrigo Proença de Oliveira Hdrologa, Ambete e Recursos Hídrcos 009 / 00 Rodrgo roeça de Olvera Aálse estatístca IST: Hdrologa, Ambete e Recursos Hídrcos Rodrgo roeça de Olvera, 009 Cocetos base Varável aleatóra oulação Fução de

Leia mais

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Cetífca Matemátca Udade Curso Egehara do Ambete Ao º Semestre º Folha Nº 8: Aálse de Regressão e de Correlação Probabldades e Estatístca Ao 00/0. Pretede-se testar um strumeto que mede a cocetração

Leia mais

Previsão de demanda quantitativa Regressão linear Regressão múltiplas Exemplos Exercícios

Previsão de demanda quantitativa Regressão linear Regressão múltiplas Exemplos Exercícios Objetvos desta apresetação Plaejameto de produção: de Demada Aula parte Mauro Osak TES/ESALQ-USP Pesqusador do Cetro de Estudos Avaçados em Ecooma Aplcada Cepea/ESALQ/USP de demada quattatva Regressão

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero

Leia mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

Leia mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

Instituto Politécnico de Bragança Escola Superior de Tecnologia e de Gestão

Instituto Politécnico de Bragança Escola Superior de Tecnologia e de Gestão Isttuto oltécco de Bragaça Escola Superor de ecologa e de Gestão 2º Ao de Egehara Electrotécca Istrumetação Electróca e Meddas Exame (ª Chamada) 2 de Juho de 200 SUGESÃO DE RESOLUÇÃO ) retede-se vsualzar,

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta

Leia mais

7 Análise de covariância (ANCOVA)

7 Análise de covariância (ANCOVA) Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

Critérios de correção e orientações de resposta exame

Critérios de correção e orientações de resposta exame Mstéro da Cêca, Tecologa e Eso Superor U.C. 1037 Elemetos de Probabldade e Estatístca 1 de Juho de 011 Crtéros de correção e oretações de resposta eame Neste relatóro apresetam-se os crtéros e um eemplo

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

Leia mais

AULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância.

AULA Produto interno em espaços vectoriais reais ou complexos Produto Interno. Norma. Distância. Note bem: a letura destes apotametos ão dspesa de modo algum a letura ateta da bblografa prcpal da cadera Chama-se a ateção para a mportâca do trabalho pessoal a realzar pelo aluo resoledo os problemas

Leia mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 2ª Atividade Formativa UC ECS Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução

Leia mais

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação

Leia mais

Parte 3 - Regressão linear simples

Parte 3 - Regressão linear simples Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Capítulo V - Interpolação Polinomial

Capítulo V - Interpolação Polinomial Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode

Leia mais

Probabilidade II Aula 10

Probabilidade II Aula 10 Probabldade II Aula 0 Mao de 009 Môca Barros, D.Sc. Coteúdo Esperaça Matemá (Valores esperados) Mometos e Mometos Cetras Valores esperados de uma fução de Covarâca e Correlação Matrz de covarâca, matrz

Leia mais

Modelos de regressão linear: abordagem clássica

Modelos de regressão linear: abordagem clássica Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes mrubes@me.uerj.br Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua

Leia mais

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc.

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc. Estatístca Notas de Aulas ESTATÍSTICA Notas de Aulas Professor Iáco Adrus Gumarães, DSc. Professor Iáco Adrus Gumarães, DSc. Estatístca Notas de Aulas SUMÁRIO CONCEITOS BÁSICOS 5. Estatístca. Estatístca

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL 3 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL Como vto em amotragem o prmero bmetre, etem fatore que fazem com que a obervação de toda uma população em uma pequa eja mpratcável, muta veze em vrtude

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS

DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS DESEMPENHO DE ESTIMADORES DA MÉDIA POPULACIONAL DE DISTRIBUIÇÕES ASSIMÉTRICAS BASEADOS EM AMOSTRAGEM POR CONJUNTOS ORDENADOS Fracsco Juor PIGATO Mara Cecíla Medes BARRETO RESUMO: Um deleameto amostral

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 6 Prof. Luz Alexadre Peterell CAPÍTULO - Estatístca Descrtva Podemos dvdr a Estatístca em duas áreas: estatístca dutva (ferêca estatístca) e estatístca descrtva. Estatístca Idutva: (Iferêca Estatístca)

Leia mais

CEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias

CEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias CEDEPLAR - UFMG Nvelameto em Estatístca 3 Prof a Suel Moro Varáves aleatóras Varável aleatóra resultado ou produto de um epermeto aleatóro com um resultado úco. Varável resultado = Espaço amostral cojuto

Leia mais

1. Revisão Matemática

1. Revisão Matemática 1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

Estatística: uma definição

Estatística: uma definição Coleção de úmeros estatístcas Estatístca: uma defção O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%. As ações da Telebrás subram R$,5, hoje. Resultados do Caraval

Leia mais

a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.

a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9. Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0

Leia mais

Organização; Resumo; Apresentação.

Organização; Resumo; Apresentação. Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado

Leia mais

MAE116 Noções de Estatística

MAE116 Noções de Estatística Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,

Leia mais

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual

Leia mais

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( )

RESUMO E EXERCÍCIOS NÚMEROS COMPLEXOS ( ) NÚMEROS COMPLEXOS Forma algébrca e geométrca Um úmero complexo é um úmero da forma a + b, com a e b reas e = 1 (ou, = -1), chamaremos: a parte real; b parte magára; e udade magára. Fxado um sstema de coordeadas

Leia mais

IND 1115 Inferência Estatística Aula 9

IND 1115 Inferência Estatística Aula 9 Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DE ESTATÍSTICA PARA CURSOS DE ENGENHARIA

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DE ESTATÍSTICA PARA CURSOS DE ENGENHARIA UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DE ESTATÍSTICA PARA CURSOS DE ENGENHARIA SONIA ISOLDI MARTY GAMA MÜLLER 008 APRESENTAÇÃO A Estatístca é uma ferrameta

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

Leia mais

Descritiva. Francisco Cysneiros DE - UFPE

Descritiva. Francisco Cysneiros DE - UFPE Noções de Estatístca Descrtva Dr. Fracsco Cyseros Profº. Adjuto do Departameto de Estatístca-CCEN/UFPE E-mal: cyseros@de.ufpe.br web-page: www.de.ufpe.br/~cyseros/dscpla/farmaca/farmaca.htm Foe: (8) 6

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores

Leia mais

3 Fundamentação Teórica

3 Fundamentação Teórica 3 Fudametação Teórca A segur são apresetados os fudametos teórcos os quas é embasado o desevolvmeto do trabalho. 3.. Espectros de Resposta De acordo com Sampao [3], é descrta a resposta máxma de um osclador

Leia mais

Departamento de Produção, UNESP, Campus de Guaratinguetá Av. Ariberto Pereira da Cunha, 333, Guaratinguetá, S.P. CEP

Departamento 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 mais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais

Diferenciais Ordinárias. Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais Exstêca e Ucdade de Soluções de Equações Dferecas Ordáras Regaldo J Satos Departameto de Matemátca-ICEx Uversdade Federal de Mas Geras http://wwwmatufmgbr/ reg 10 de ulho de 2010 2 1 INTRODUÇÃO Sumáro

Leia mais

Probabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMat, MEQ

Probabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMat, MEQ Duração: 90 miutos Grupo I Probabilidades e Estatística LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmbi, MEBiol, MEBiom, MEEC, MEFT, MEMat, MEQ Justifique coveietemete todas as respostas 2 o semestre 2017/2018

Leia mais

TRABALHO DE COMPENSAÇÃO DE FALTAS - DP

TRABALHO DE COMPENSAÇÃO DE FALTAS - DP Cotrole do Proº Compesou as Faltas Não Compesou as Faltas TRABALHO DE COMPENSAÇÃO DE FALTAS - DP (De acordo coma s ormas da Isttução) CURSO: CIÊNCIAS CONTÁBEIS DISCIPLINA: INTRODUÇÃO À ESTATÍSTICA 2º ANO

Leia mais

Nas próximas secções iremos abordar a análise estatística de uma amostra em que os dados numéricos estão agrupados em classes, ou seja, em intervalos.

Nas próximas secções iremos abordar a análise estatística de uma amostra em que os dados numéricos estão agrupados em classes, ou seja, em intervalos. Estatístca Descrtva ESTATÍSTICA DESCRITIVA Amostras com dados agrupados em classes as prómas secções remos abordar a aálse estatístca de uma amostra em que os dados umércos estão agrupados em classes,

Leia mais