Tabela 5.1 Unidades de expressão sugeridas para quantidades de resíduos sólidos

Tamanho: px
Começar a partir da página:

Download "Tabela 5.1 Unidades de expressão sugeridas para quantidades de resíduos sólidos"

Transcrição

1 Tabela 5.1 Undades de expressão sugerdas para quantdades de resíduos sóldos Tpo de resíduo Resdencal Comercal Industral Agrícola Dscussão Devdo à establdade relatva dos resíduos resdencas num dado local, a undade de expressão mas comum utlzada para as suas taxas de geração é kg/capta. da. Contudo, se a composção vara sgnfcatvamente (tabela 2.5), esta undade pode ser enganadora, especalmente quando se comparam quantdades. No passado, as taxas de geração de resíduos comercas foram também expressas em kg/capta. da. Embora esta prátca tenha contnuado, ela adcona muto pouca nformação útl sobre a natureza da geração de resíduos sóldos em fontes comercas. Uma aproxmação com maor sgnfcado consstra em relaconar as quantdades geradas com o número de clentes, o valor em dnhero das vendas, ou outra undade smlar. A utlzação de tas factores permtra uma melhor comparação. Idealmente, os resíduos gerados em actvdades ndustras deveram ser expressos na base de alguma medda de produção tal como kg por automóvel para uma nstalação de montagem de automóves ou kg por nvólucro para uma nstalaão de empacotamento. Quando estas dados forem conhecdos, será possível efectuar comparações sgnfcatvas entre actvdades ndustras smlares. Nos casos onde se mantveram regstos adequados, os resíduos sóldos de actvdades agrícolas são agora mas frequentemente expressos em termos de meddas de produção reprodutíves, tas como kg de estrume/ kg de vacas. da e kg de resíduos/ton produto em bruto. Saída (gases combustíves e cnzas) Entrada (materas) Materas armazenados (materal em bruto, produtos, resíduos sóldos) Saída (resíduos sóldos, sóldos em águas resduas) Saída (materas) Saída (produtos) Frontera do sstema Fgura 5.1 Defnção esquemátca para a análse de balanço de materas usada para determnar as taxas de geração de resíduos sóldos.

2 Exemplo: A partr dos seguntes dados estme a taxa untára de geração de resíduos por semana para uma área resdencal consstndo em 1200 lares. O local de observação é uma estação de transferênca local que recebe todos os resíduos recolhdos para deposção. O período de observação fo de uma semana. 1. Número de cargas de camões compactadores = 9 2. Tamanho médo do camão compactador = 20 yd 3 3. Número de cargas planas = 7 4. Volume plano médo = 2 yd 3 5. Número de cargas de carros e camões prvados dos resdentes ndvduas = Volume estmado por veículo doméstco = 8 1 ft 3 Estabeleçamos uma tabela de cálculo para estmar o peso total. Utlzemos os dados do peso específco dados na tabela 3.1 para converter os volumes de resíduos meddos em peso. Item Número de cargas Volume médo 2, yd 3 Peso específco 3, 4 lb/yd 3 Peso total, lb 5 Camão compactador Camão plano Veículo prvado ndvdual 20 0, Total, lb/semana Determna-se a taxa untára de recolha de resíduos na assumpção de que cada lar é composto por 3,5 pessoas: Taxa untára = lb/semana ( ,5)( 7 das/semana) = 3,2 lb/capta. da = 1,45 kg/capta. da 1 1 ft 3 = 0,0283 m yd 3 = 0,7646 m 3 3 Baseado em medções lmtadas de peso e volume no local 4 1 lb/yd 3 = 0,5933 kg/m lb = 0,4536 kg 6 1 ft 3 = 0,037 yd 3

3 O balanço de materas pode ser formulado como se segue: 1. Afrmação escrta geral: Taxa de acumulaçao Taxa de fluxo do Taxa de fluxo do Taxa de geraçao do do materal dentro da = materal dentro da materal fora da + materal resdual dentro (5.1) frontera do sstema frontera do sstema frontera do sstema da frontera do sstema 2. Afrmação escrta smplfcada: Acumulação = entrada saída + geração (5.2) 3. Representação smbólca (referda à fgura 5.1): dm dt M entrada Msada rw (5.3) = + onde dm dt = taxa de alteração do peso do materal armazenado (acumulado) dentro da undade de estudo, lb/da M entrada =somatóro de todo o materal que flu para o nteror da undade de estudo, lb/da M sada =somatóro de todo o materal que flu para o exteror da undade de estudo, lb/da r w = taxa de geração de resíduos, lb/da t = tempo, das

4 Exemplo: Uma fábrca de enlatados recebe num determnado da 12 toneladas de produtos em bruto, 5 ton. de latas, 0,5 ton. de caxas de cartão, e 0,3 ton. de materas dversos. Das 12 ton. de produtos em bruto, 10 ton. passam a produto processado, 1,2 ton. acabam como resíduos de produtos, com que se almenta gado, e o restante é descarregado com as águas resduas da planta. Quatro ton. de latas são armazenadas nternamente para utlzação futura, e o restante é usado para embalar os produtos. Cerca de 3% das latas utlzadas são danfcadas. Armazenadas separadamente, as latas danfcadas são reccladas. As caxas de cartão são utlzadas para empacotamento do produto enlatado, excepto por 3% que são danfcadas e subsequentemente separadas para recclagem. Dos materas dversos, 25% é armazenado nternamente para utlzação futura; 50% torna-se resíduos de papel, dos quas 35% é separado para recclagem com o restante a ser descarregado como resíduo msto; e 25% torna-se uma mstura de materas de resíduos sóldos. Assumese que os materas separados para recclagem e deposção são recolhdos daramente. Prepare um balanço de materas para a fábrca de enlatados neste da e um dagrama de fluxo de materas que contablze todos os materas. Determne anda a quantdade de resíduos por ton. de produto. 1. No da em questão, a fábrca de enlatados recebe 12 ton. de produtos em bruto 5 ton. de latas 0,5 ton. de caxas de cartão 0,3 ton. de materas dversos 2. Como resultado da actvdade nterna, (a) 10 ton. de produto são produzdas, 1,2 ton. de resíduos de produtos são geradas, e o restante da produção é descarregada juntamente com as águas resduas (b) 4 ton. de latas são armazenadas e o restante é utlzado, do qual 3% é danfcado (c) 0,5 ton. de caxas de cartão são utlzadas das quas 3% são danfcadas (d) 25% dos materas dversos são armazenados; 50% torna-se resíduos de papel, dos quas 35% são separados e recclados, com o restante descarregado com resíduo msto; o restante 25% dos materas dversos são depostados como resíduo msto

5 3. Determne as quantdades necessáras (a) Resíduos gerados a partr dos produtos brutos. Resíduo sóldo almentado ao gado = 1,2 ton. (1089 kg). Resíduo de produto descarregado com a água resdual = = ( ,2) ton. = 0,8 ton. (726 kg) (b) Latas. Danfcadas e reccladas = (0,03)(5-4) ton. = 0,03 ton. (27 kg). Utlzadas para produção de produtos = (1-0,03) ton. = 0,97 ton. (880 kg) (c) Cartões. Danfcados e recclados = (0,03)(0,5) = 0,015 ton. (14 kg). Cartões usados em produtos = (0,5-0,015) ton. = 0,485 ton. (440 kg) (d) Materal dverso. Quantdade armazenada = (0,25)(0,3 ton.) = 0,075 ton. (68 kg). Papel separado e recclado = (0,50)(0,35)(0,3 ton.) = 0,053 ton. (48 kg). Resíduo msto = ((0,3-0,075)-0,053) ton. = 0,172 ton. (156 kg) (e) Peso total do produto = (10+0,97+0,485) ton. = 11,455 ton. (10,392 kg) (f) Materal total armazenado = (4+0,075) ton. = 4,075 ton. (3696 kg) 4. Prepare um balanço de materas e um fluxograma para a fábrca de enlatados, para o da em questão (a) A equação de balanço de materas aproprada é Quantdade de materal armazenado = entrada saída geração de res. (b) As quantdades de balanço de materas são as seguntes:. Materal armazenado = (4,0+0,075) ton. = 4,075 ton.. Entrada de materal = (12,0+5,0+0,5+0,3) ton. = 17,8 ton.. Saída de materal = (10,0+0,97+0,485+1,2+0,03+0,015+0,053) ton. = 12,753 ton. v. Geração de resíduos = (0,8+0,172) ton. = 0,972 ton.

6 v. O balanço de materas fnal é 4,075 = 17,8-12,753-0,972 (verfcação do balanço de materas) (c) Fluxograma do balanço de materas 12 t produto em bruto 5 t latas 0,5 t cartões 0,3 t dversos 4,075 t armazenadas nternamente 11,455 t produto 1,2 t resíduo almentado ao gado 0,03 t latas reccladas 0,015 t cartões recclados 0,053 t papel recclado 0,8 t produtos de resíduos descarregados com as águas resduas 0,172 t resíduos mstos 5. Determne a quantdade de resíduo por ton 1. de produto: (a) Materal recclável = (1,2+0,03+0,015+0,053) ton/11,455 ton. = 0,11 ton./ton. (b) Resíduo msto = (0,8+0,172) ton/11,455 ton. = 0,085 ton./ton. 1 1 ton = 907,2 kg

7 Méda A méda é defnda méda artmétca de um número de observações ndvduas ou agrupadas. A méda para observações agrupadas é dada por x fx = (5.4) n onde x = valor médo f = frequênca (para dados não agrupados f = 1) x = o ponto médo do -ésmo dado da gama (para dados não agrupados x = à -ésma observação) n = número de observações (note que f = n ) Medana Se uma sére de observações estão arranjadas por ordem crescente, a observação central, ou a méda artmétca das duas observações centras numa sére, é conhecda como a medana. Numa dstrbução smétrca, a medana será gual à méda. Moda O valor que ocorre com a maor frequênca numa sére de observações é conhecdo com a moda. Se se esboçar um gráfco contínuo da dstrbução de frequêncas, a moda é o valor do ponto mas elevado da curva. Num conjunto de observações smétrcas, a méda, medana, e moda concdrão. A moda pode ser aproxmada com precsão razoável utlzando a segunte expressão: Moda = 3(Medana) - 2( x ) (5.5)

8 Desvo padrão Devdo às les do acaso, exste ncerteza em qualquer conjunto de medções. A precsão de um conjunto de medções pode ser avalada de váras formas. Mas frequentemente, o erro de uma medção ndvdual num conjunto é defndo como a dferença entre a méda artmétca e o valor da medção. O desvo padrão para dados agrupados é defndo como se segue: s = f ( ) 2 x x (5.6) n 1 onde s = desvo padrão f = frequênca (para dados não agrupados f = 1) x = o ponto médo do -ésmo dado da gama (para dados não agrupados x = à -ésma observação) x = valor médo n = número de observações A partr da forma da equação, pode conclur-se que quanto maor for a dspersão num conjunto de medções, maor será o valor de s. Recprocamente, à medda que a precsão num conjunto de medções melhora, o valor do desvo padrão dmnurá. Das consderações teórcas, pode mostrar-se que se as medções estão dstrbuídas de forma normal, então 68,57% das observações carão dentro de mas ou menos um desvo padrão da méda ( x s) ±. Coefcente de varação Embora o desvo padrão possa ser usado como uma ndcação da dspersão absoluta de um conjunto de valores meddos, fornece pouca ou nenhuma nformação sobre se o valor é elevado ou baxo. Para ultrapassar esta dfculdade, o coefcente de varação é utlzado como uma medda relatva da dspersão.

9 CV = 100s x (5.7) onde CV = coefcente de varação, percentagem s = desvo padrão x = valor médo Tpcamente, o coefcente de varação para as taxas de geração de resíduos sóldos vara entre 10 a 60%. Para julgar se esta percentagem representa dspersão elevada ou baxa, podem comparar-se os valores obtdos com medções noutros campos. Para medções na área bológca, o coefcente de varação varará entre 10 a 30%. O coefcente de varação para análses químcas vara entre 2 a 10%. Assm, a dspersão dos dados relatvos à geração dos resíduos sóldos é claramente sgnfcatva. Coefcente de assmetra Ao longo dos anos, foram propostos város modos de avalação da assmetra numa dstrbução assmétrca, nas nenhuma é acete unversalmente. Defnremos assmetra através da segunte relação: 3 ( ) /( 1) f x x n α3 = (5.8) 3 s onde α 3 = coefcente de assmetra f = frequênca (para dados não agrupados f = 1) x = o ponto médo do -ésmo dado da gama (para dados não agrupados x = à -ésma observação) x = valor médo n = número de observações s = desvo padrão

10 O coefcente de assmetra também tem sdo calculado através da relação: ( ) 2 x Moda α 3 = (5.9) s onde α 3 = coefcente de assmetra x = valor médo s = desvo padrão Coefcente de Kurtoss A extensão na qual uma dstrbução tem um maor cume ou é mas nvelada do que a dstrbução normal é defnda pelo kurtoss da dstrbução. O coefcente de kurtoss pode ser calculado utlzando a segunte equação: 4 ( ) /( 1) f x x n α4 = (5.10) 4 s onde α 4 = coefcente de kurtoss f = frequênca (para dados não agrupados f = 1) x = o ponto médo do -ésmo dado da gama (para dados não agrupados x = à -ésma observação) x = valor médo n = número de observações s = desvo padrão O valor de kurtoss para uma dstrbução normal é 3. Uma curva com cume terá um valor superor a 3, enquanto que uma curva nvelada terá um valor nferor a 3. O valor α 4 que separa as curvas com pequenas elevações das rectangulares ou das em forma de U, encontra-se na gama de 1,75 a 1,8. Os valores de α 4 para as dstrbuções em forma de U são nferores a 1,75.

11 Exemplo: Determne as característcas estatístcas dos dados semanas de produção de resíduos obtdos a partr de uma conta ndustral para um quarto do calendáro de operações. Número da semana Resíduo, yd 3 /semana Determnemos grafcamente se os dados de produção de resíduos são dstrbuídos normalmente ou são assmétrcos (lognormal) utlzando papel de probabldade. Número de sére, m Resíduo, yd 3 /semana 2 Posção de demarcação 3, % , , , , , , , , , , , , ,9 1 1 yd 3 = 0,7646 m yd 3 = 0,7646 m 3

12 (a) Estabelece-se uma tabela com 3 colunas.. Na coluna 1, ntroduz-se o número de sére da classe, começando com o número 1. Na coluna 2, dspõem-se os dados de produção dos resíduos por ordem crescente. Na coluna 3, ntroduz-se a posção de demarcação (b) Representa-se grafcamente a quantdade semanal do resíduo, expressa em yd 3 /semana, versus a posção de demarcação (determnada acma) em papel gráfco de probabldades artmétco e logarítmco. Os resultados da representação gráfca apresentam-se abaxo. Devdo ao facto dos dados carem numa lnha recta em ambos os gráfcos, os dados de produção dos resíduos podem ser descrtos adequadamente por qualquer dos tpos de dstrbução. O facto dos dados serem descrtos adequadamente por ambas as dstrbuções é frequentemente o caso neste tpo de dados Taxa de geração de resíduos, yd 3 /semana ,01 0, ,9 99,999 Percentagem dos valores guas ou menores do que os valores ndcados 0,01 0, ,9 99,999 Percentagem dos valores guas ou menores do que os valores ndcados 2. Determnemos as característcas estatístcas dos dados de recolha dos resíduos. (a) Estabeleçamos uma tabela de análse de dados para obter as quantdades necessáras para determnar as característcas estatístcas. 3 Posção de demarcação = ( ) m n , n = 13

13 Resíduo, yd 3 /semana ( ) 4 x x ( x x ) 2 ( x x ) ,8 33,6 1131,6 30-4,8 23,0 530,8 31-3,8 14,4 208,5 32-2,8 7,8 61,5 33-1,8 3,2 10,2 34-0,8 0,6 0,4 35 0,2 0,0 0,0 35 0,2 0,0 0,0 37 2,2 4,8 23,4 38 3,2 10,2 104,9 38 3,2 10,2 104,9 40 5,2 27,0 731,2 41 6,2 38,4 1477, ,2 4385,0 x = 453/ 13 = 34,8 (b) Determnemos as característcas estatístcas. Méda x x = n 453 x = = 34,8 yd 3 /semana 13. Medana (o valor médo) Medana = 35 yd 3 /semana (ver dados acma). Moda Moda = 3 Medana - 2x =3(35)-2(34,8)=35,4 v. Desvo padrão s = ( x x ) 2 173,2 s = = 3, v. Coefcente de varação CV = 100s x n 4 1 yd 3 = 0,7646 m 3

14 CV = 100(3,65) = 10,5 34,8 v. Coefcente de assmetra 2( x Moda) α3 = s ( ) 234,8 35,4 α3 = = 0,33 3, 65 v. Coefcente de kurtoss ( x ) 4 x n α4 = 4 s 4385,0 13 α = = 1, 9 ( 3, 65) 4 4 O termo ( n + 1) é usado para obter as posções de demarcação no prmero passo, por oposção ao n, para contablzar o facto de que pode exstr uma observação que é maor ou menor do que o maor ou o menor no conjunto de dados. Revendo as característcas estatístcas pode ver-se que a dstrbução de dados é assmétrca ( α 3 = 0,33 versus 0 para uma dstrbução normal) e é consderavelmente mas plana do que uma dstrbução normal sera ( α 4 = 1, 9 versus 3,0 para uma dstrbução normal).

15 Tabela 5.2 Informação e dados utlzados para estmar a geração de resíduos especas resdencas e comercas Resíduo especal Itens volumosos, consumíves electróncos, e bens brancos Bateras doméstcas Bateras de automóvel (chumbo-ácdo) Óleo usado Pneus de automóvel (veículos de passageros e camões leves) Informação para estmação de quantdades A melhor aproxmação consste em determnar o número de lares, estmar o número de tens por lar, e utlzar uma vda méda útl para cada tem. Os tens recclados através de organzações de cardade devem ser também contablzados. Mutos mlhares de bateras doméstcas são compradas anualmente. Avalando o grau de desenvolvmento de uma comundade é possível estmar o número de bateras/(capta. ano). Város mlhares de bateras são compradas anualmente, especalmente nos países ndustralzados. Avalando o número de carros, relatvamente ao número de pessoas exstentes, é possível estmar o número de bateras/(capta. ano). Exstem mutas pessoas que mudam o óleo em casa. Pode estmar-se um valor de resíduos de óleo/(capta. ano) tendo em conta o número de pessoas que recorrem a este sstema. Uma forma de estmar o número de resíduos de pneus gerados por ano consste em estmar o número de carros e utlzar um valor médo para o número de km fetos por ano e um tempo de vda médo para os pneus. Tabela 5.3 Materas e quantdades estmadas recuperadas para recclagem nos E.U.A. (1992) Materal Percentagem da quantdade total de materal resdual gerado, recuperada para recclagem Observações Alumíno Essencalmente receptáculos para bebdas Papel Cartão Plástcos 4-5 Total; lb 1 de garrafas de refrgerantes de plástco foram reccladas em 1987 (cerca de 20%) Vdro 6-10 Metas ferrosos Metas não ferrosos Resíduos de pátos (composto) 5-10 Composto; combustível de bomassa RDF <1 Produzdo a partr da fracção orgânca dos RSU Resíduos de construção e demolção Madera 5-10 Resíduos de óleos Pneus Bateras chumbo-ácdo Bateras doméstcas <1 Total global baseado no peso (E.U.A.) lb = 0,4536 kg

16 Tabela 5.4 Crtéros utlzados para classfcar resíduos pergosos encontrados nos RSU, relatvamente à toxcdade Classfcação da toxcdade Dose letal oral provável 6 Super tóxco <5 mg/kg 5 Extremamente tóxco 5-50 mg/kg 4 Muto tóxco mg/kg 3 Moderadamente tóxco 0,5-5 g/kg 2 Lgeramente tóxco 5-15 g/kg 1 Provavelmente não tóxco >15 g/kg

17 Tabela 5.5 Categoras típcas de resíduos que foram utlzadas para estudos de caracterzação de RSU Categora do resíduo Resdencal e comercal Resíduos almentares Papel Cartão Plástcos Têxtes Borracha Couro Resíduos de pátos Madera Dversos Vdro Alumíno Metas ferrosos Resíduos especas Itens volumosos Consumíves electróncos Bens brancos Resíduos de pátos recolhdos separadamente Bateras Óleo Pneus Pergosos Insttuconal Construção e demolção Servços muncpas Lmpeza de ruas e becos Árvores e pasagsmo Parques e áreas recreaconas Lmpeza de bacas Resíduos de tratamento de plantas Industral Agrícola Tpos de resíduo Resíduos do manuseamento, preparação, cozedura e ngestão de almentos. Jornas velhos, papel de elevada qualdade 8escrtóro, computador, etc.), revstas, papel msto, e outro papel não utlzável (mpregnado com cera, papel de carbono, papel térmco de FAX) Cartão ondulado velho (recclável, contamnado) PETE (garrafas de refrgerantes), HDPE (recpentes de lete e água e garrafas de detergente), plástcos mstos (msturado), outros plástcos (PVC, LDPE, PP, e PS), flme de plástco Roupas, farrapos, etc. Todos os tpos de produtos de borracha exclundo pneus de veículos motorzados Sapatos, casacos, blusões, tapeçara Aparas de relva, folhas, cortes de mata e árvores, outros materas de plantas Resíduos de materas de construção, paletes de madera Fraldas descartáves Receptáculos de vdro (claros, laranja, verdes), vdro plano (p. e. vdro de janela), outros materas de vdro sem ser de receptáculos Recpentes para bebdas, alumíno secundáro (caxlhos das janelas, portas de segurança, réguas, calhas) Latas de estanho, nstrumentos e carros, outro ferro e aço Mobíla, lâmpadas, estantes, móves de arquvo, etc. Rádos, aparelhagens, aparelhos de televsão, etc. Instrumentos grandes (fogões, refrgeradores, máqunas de lavar e secar) Aparas de relva, folhas, cortes de mata e árvores, cepos de árvores Doméstcas 8alcalnas, carbono-znco, mercúro, prata, znco, e níquel-cádmo). Veículo motorzado (bateras chumbo-ácdo) Óleo usado de automóves e camões Pneus usados de automóves e camões Ver lstas de produtos genércos anterores (capítulo IV) Alguns tpos de resíduos ctados acma sob as categoras de resdencal e comercal Sujdade; pedras; concreto; tjolos; gesso; móves; fasquas para telhados; e partes de canalzação, aquecmento e electrcdade. Resíduos de edfícos demoldos, estradas, passeos, pontes, e outras estruturas em mau estado Sujdade, lxo, anmas mortos, automóves abandonados Aparas de relva, cortes de mata e árvores, cepos de árvores, metal usado e canos de plástco Resíduos almentares, jornas, cartão, papel msto, garrafas de refrgerantes, receptáculos de lete e água, plástcos mstos, roupas, trapos, etc. Destroços geras, area, óleo usado msturado com ruínas, etc. Lamas de plantas de tratamento de água e águas resduas, cnzas de nstalações de combustão Vara Vara

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

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

Leia mais

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

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

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

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

Leia mais

CURSO de ESTATÍSTICA Gabarito

CURSO 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 mais

Medidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos.

Medidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos. Meddas de Dspersão e Assmetra Desvo Médo Varânca Desvo Padrão Meddas de Assmetra Coefcente de Assmetra Exemplos lde 1 de 16 Meddas de Dspersão - Méda ervem para verfcação e representatvdade das meddas

Leia mais

UNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)

UNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores) UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara

Leia mais

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

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

Leia mais

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

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

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4

FICHA 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 mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2

FICHA 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 mais

7 - Distribuição de Freqüências

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

Leia mais

8 - Medidas Descritivas

8 - Medidas Descritivas 8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.

Leia mais

CORRELAÇÃO E REGRESSÃO

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

Leia mais

2 Incerteza de medição

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

Leia mais

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

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

Leia mais

Aula Características dos sistemas de medição

Aula 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 mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. 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 mais

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

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

Leia mais

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. 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 mais

Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7

Escola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7 Escola Superor de Tecnologa de Vseu Fundamentos de Estatístca 006/00 Fcha nº. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas

Leia mais

CAPÍTULO 2 - Estatística Descritiva

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

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos 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 mais

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

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

Leia mais

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

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

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE 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 mais

DELINEAMENTOS EXPERIMENTAIS

DELINEAMENTOS 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 mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

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

Leia mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação 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 mais

Capítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes

Capítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75

Leia mais

2ª Atividade Formativa UC ECS

2ª Atividade Formativa UC ECS I. Explque quando é que a méda conduz a melhores resultados que a medana. Dê um exemplo para a melhor utlzação de cada uma das meddas de localzação (Exame 01/09/2009). II. Suponha que um professor fez

Leia mais

DETERMINAÇÃO DE VALORES LIMITE DE EMISSÃO PARA SUBSTÂNCIAS PERIGOSAS DA LISTA II DA DIRECTIVA 76/464/CEE

DETERMINAÇÃO DE VALORES LIMITE DE EMISSÃO PARA SUBSTÂNCIAS PERIGOSAS DA LISTA II DA DIRECTIVA 76/464/CEE DETERMINAÇÃO DE VALORES LIMITE DE EMISSÃO PARA SUBSTÂNCIAS PERIGOSAS DA LISTA II DA DIRECTIVA 76/464/CEE Anabela R. S. REBELO Lc. Químca Industral, CCDR Algarve, Rua Dr. José de Matos n.º 13, 800-503 Faro,

Leia mais

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS EEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS Exemplo: Peso de 25 bolos ndustras Forma bruta: Dsposção ordenada 266 267 266 26 22 255 266 26 272 22 260 272 25 262 23 25 266 270 274 22 2 270 20

Leia mais

Programa de Certificação de Medidas de um laboratório

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

Leia mais

do Semi-Árido - UFERSA

do Semi-Árido - UFERSA Unversdade Federal Rural do Sem-Árdo - UFERSA Temperatura e Calor Subêna Karne de Mederos Mossoró, Outubro de 2009 Defnção: A Termodnâmca explca as prncpas propredades damatéra e a correlação entre estas

Leia mais

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma: Professora Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma

Leia mais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais Ano lectvo: 2006/2007 Unversdade da Bera Interor Departamento de Matemátca ESTATÍSTICA Fcha de exercícos nº2: Dstrbuções Bdmensonas Curso: Cêncas do Desporto 1. Consdere a segunte tabela de contngênca:

Leia mais

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria.

Problemas Propostos. Frações mássicas, volúmicas ou molares. Estequiometria. Elementos de Engenhara Químca I II. Frações e Estequometra (problemas resolvdos) Problemas Propostos. Frações másscas, volúmcas ou molares. Estequometra.. Em 5 moles de Benzeno (C 6 H 6 ) quanto é que

Leia mais

Estatística I Licenciatura MAEG 2006/07

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

Leia mais

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

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

Leia mais

2 Metodologia de Medição de Riscos para Projetos

2 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 mais

Introdução à Análise de Dados nas medidas de grandezas físicas

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

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE 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 mais

Prof. Lorí Viali, Dr.

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

Leia mais

Prof. Lorí Viali, Dr.

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

Leia mais

Análise Descritiva com Dados Agrupados

Análise Descritiva com Dados Agrupados Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas

Leia mais

Física I LEC+LET Guias de Laboratório 2ª Parte

Física I LEC+LET Guias de Laboratório 2ª Parte Físca I LEC+LET Guas de Laboratóro 2ª Parte 2002/2003 Experênca 3 Expansão lnear de sóldos. Determnação de coefcentes de expansão térmca de dferentes substâncas Resumo Grupo: Turno: ª Fera h Curso: Nome

Leia mais

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos. Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda

Leia mais

Medidas de Tendência Central. Prof.: Ademilson Teixeira

Medidas 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 mais

Experiência V (aulas 08 e 09) Curvas características

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

Leia mais

4.1. Medidas de Posição da amostra: média, mediana e moda

4.1. Medidas de Posição da amostra: média, mediana e moda 4. Meddas descrtva para dados quanttatvos 4.1. Meddas de Posção da amostra: méda, medana e moda Consdere uma amostra com n observações: x 1, x,..., x n. a) Méda: (ou méda artmétca) é representada por x

Leia mais

AULA EXTRA Análise de Regressão Logística

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

Leia mais

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2) Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,

Leia mais

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

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

Leia mais

Variável discreta: X = número de divórcios por indivíduo

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

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

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

Leia mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 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 mais

EXPANSÃO TÉRMICA DOS LÍQUIDOS

EXPANSÃO TÉRMICA DOS LÍQUIDOS Físca II Protocolos das Aulas Prátcas 01 DF - Unversdade do Algarve EXPANSÃO ÉRMICA DOS ÍQUIDOS 1 Resumo Estuda-se a expansão térmca da água destlada e do glcerol utlzando um pcnómetro. Ao aquecer-se,

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 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 mais

Exercícios. Utilizando um novo critério, essa banca avaliadora resolveu descartar a maior e a menor notas atribuídas ao professor.

Exercícios. Utilizando um novo critério, essa banca avaliadora resolveu descartar a maior e a menor notas atribuídas ao professor. Estatístca Exercícos 1. (Enem 013) Fo realzado um levantamento nos 00 hotés de uma cdade, no qual foram anotados os valores, em reas, das dáras para um quarto padrão de casal e a quantdade de hotés para

Leia mais

FUNDAMENTOS DE INVESTIGAÇÃO OPERACIONAL. 2.º teste 21 de Maio de Duração: 1h:30. Resolução indicativa

FUNDAMENTOS DE INVESTIGAÇÃO OPERACIONAL. 2.º teste 21 de Maio de Duração: 1h:30. Resolução indicativa INSIUO SUPERIOR ÉNIO LEGI (Lcencatura em Engenhara e Gestão Industral) FUNDAMENOS DE INVESIGAÇÃO OPERAIONAL 2.º teste 21 de Mao de 2016 Duração: 1h:30 Resolução ndcatva 1. Um estabelecmento de ensno superor

Leia mais

Associação entre duas variáveis quantitativas

Associação 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 mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma

Leia mais

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

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

Leia mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

4 Critérios para Avaliação dos Cenários

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 mais

7 Tratamento dos Dados

7 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 mais

Introdução à Ciência dos Materiais para Engenharia PMT 3110

Introdução à Ciência dos Materiais para Engenharia PMT 3110 Lsta de Exercícos 10 / 2018 Materas Polmércos 1. Curvas tas como Cp f(t, n f(t, ρ f(t, onde Cp é a capacdade calorífca, n o índce de refração, ρ a densdade e T a temperatura, sofrem descontnudades nas

Leia mais

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

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

Leia mais

4 Discretização e Linearização

4 Discretização e Linearização 4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas

Leia mais

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

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

Leia mais

Economia Industrial. Prof. Marcelo Matos. Aula 7

Economia Industrial. Prof. Marcelo Matos. Aula 7 Economa Industral Prof. Marcelo Matos Aula 7 Concentração de Mercado Resende e Boff [cap 5 de K&H, 2013]; Ferguson e Ferguson cap.3; Meddas de Concentração: característcas Possbldade de classfcar meddas

Leia mais

ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO

ÍNDICE 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 mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO 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 mais

ALVARÁ DE LICENÇA PARA A REALIZAÇÃO DE OPERAÇÕES DE GESTÃO DE RESíDUOS N 19 I RESOTRANS - Recolha e Transporte de Resíduos Sólidos, Lda.

ALVARÁ DE LICENÇA PARA A REALIZAÇÃO DE OPERAÇÕES DE GESTÃO DE RESíDUOS N 19 I RESOTRANS - Recolha e Transporte de Resíduos Sólidos, Lda. MNSTÉRO DO AMBENTE, ORDENAMENTO DO TERRTÓRO E DO DESENVOLVMENTO REGONAL CCDRL VT - Comssão de Coordenação e Desenvolvmento Regonal de Lsboa e Vale do Tejo ALVARÁ DE LCENÇA PARA A REALZAÇÃO DE OPERAÇÕES

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE 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 mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO 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 mais

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

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

Leia mais

Neste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais.

Neste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais. 1 1Imagem Dgtal: Estatístcas INTRODUÇÃO Neste capítulo abordam-se os prncpas concetos relaconados com os cálculos de estatístcas, hstogramas e correlação entre magens dgtas. 4.1. VALOR MÉDIO, VARIÂNCIA,

Leia mais

Variáveis Aleatórias

Variáveis Aleatórias Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades

Leia mais

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:

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

Leia mais

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

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

Leia mais

NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO

NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO I Congresso Baano de Engenhara Santára e Ambental - I COBESA NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO Marcos Vnícus Almeda Narcso (1)

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS 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 mais

Nº de pedidos: (n = 26) 5 ; 7 ; 8 ; 7 ; 6 ; 7 ; 8 ; 10 ; 6 ; 8 ; 7 ; 8 ; 7 ; 7 ; 8 ; 5 ; 6 ; 8 ; 7 ; 6 ; 7 ; 5 ; 6 ; 8 ; 7 ; 6

Nº de pedidos: (n = 26) 5 ; 7 ; 8 ; 7 ; 6 ; 7 ; 8 ; 10 ; 6 ; 8 ; 7 ; 8 ; 7 ; 7 ; 8 ; 5 ; 6 ; 8 ; 7 ; 6 ; 7 ; 5 ; 6 ; 8 ; 7 ; 6 EXEMPLOS ADICIONAIS DA ENGENHARIA ELÉTRICA 1)Suponha que a probabldade de que um engenhero elétrco utlze estatístca em seu exercíco profssonal seja 0,20 Se durante a vda profssonal, um engenhero tver cnco

Leia mais

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

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

Leia mais

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

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

Leia mais

Santos Júnior, EP 1 ; Soares, HCC 1 ; Freitas, GP 2 ; Pannain, JLM 3 ; Coelho Junior, LM 4 * 1

Santos Júnior, EP 1 ; Soares, HCC 1 ; Freitas, GP 2 ; Pannain, JLM 3 ; Coelho Junior, LM 4 * 1 DISPARIDADE DO VALOR BRUTO DOS PRODUTOS MADEIREIROS NATIVOS PARA AS MESORREGIÕES DA PARAÍBA DISPARITY OF THE GROSS VALUE OF THE NATIVE WOOD PRODUCTS FOR THE MESORREGIONS OF PARAÍBA Santos Júnor, EP 1 ;

Leia mais

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira

UNIVERSIDADE 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

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para

Leia mais

Ajuste de um modelo linear aos dados:

Ajuste de um modelo linear aos dados: Propagação de erros Suponhamos que se pretende determnar uma quantdade Z, a partr da medda drecta das grandezas A, B, C,, com as quas se relacona através de Z = f(a,b,c, ). Se os erros assocados a A, B,

Leia mais

2. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO

2. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO Materal elaborado por Mara Tereznha Marott, Rodrgo Coral e Carla Regna Kuss Ferrera Atualzado por Mlton Procópo de Borba. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO Para melhor caracterzar um conjunto

Leia mais

5. Procedimento Experimental

5. Procedimento Experimental 5. Procedmento Expermental O trabalho expermental fo realzado utlzando-se os equpamentos exstentes no SENAI-Ro, PUC-Ro, Laboratóro de pressão da UN-BC (Petrobras) e de um equpamento especalmente desenvolvdo

Leia mais

Escola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística

Escola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A Estatística Escola Secundára com º cclo D. Dns 10º Ano de Matemátca A Estatístca Trabalho de casa nº 15 GRUPO I 1. Num referencal o.n. Oxyz, a undade é o cm e a esfera defnda por ( ) ( ) está nscrta num cubo. O volume

Leia mais

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

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

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

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

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. 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 mais