EFICIÊNCIA DA SELEÇÃO UNIVARIADA DIRETA E INDIRETA E DE ÍNDICES DE SELEÇÃO EM Eucalyptus grandis 1

Tamanho: px
Começar a partir da página:

Download "EFICIÊNCIA DA SELEÇÃO UNIVARIADA DIRETA E INDIRETA E DE ÍNDICES DE SELEÇÃO EM Eucalyptus grandis 1"

Transcrição

1 Efcêca da Seleção Uvarada Dreta e Idreta EFICIÊNCIA DA SELEÇÃO UNIVARIADA DIRETA E INDIRETA E DE ÍNDICES DE SELEÇÃO EM Eucalyptus grads Ildeu Soares Marts, Cosme Damão Cruz 3, Adar José Regazz 4 e Ismael Eleotéro Pres 5 RESUMO - Utlzado expermetos que evolvam famílas de meos-rmãos de Eucalyptus grads, em ses locas, ode foram aotados dados de crcuferêca à altura do peto (CAP), altura de platas (ALT), cdêca de ferrugem (FER), cdêca de cacro (CAN) e úmero de árvores ormas por parcela (NAR), foram comparadas as metodologas de seleções dreta e dreta e ídces de seleção (clássco e de Pesek e Baker) com relação às característcas avaladas. As seleções dreta e dreta ão apresetaram dstrbução de gahos geétcos esperados adequada aos propóstos do presete trabalho. O ídce clássco e o de Pesek e Baker apresetaram dstrbução de gahos geétcos esperados mas equlbrada. Palavras-chave: Melhorameto geétco florestal e ídces de seleção. COMPARISON OF DIRECT AND INDIRECT SELECTION PROCESSES AND SELECTION INDICES IN Eucalyptus grads ABSTRACT - Ths study used data from sx expermets wth half-sb famles of Eucalyptus grads, carred out at sx localtes, to evaluate the followg trats: crcumferece at breast heght (CAP), plat heght (ALT), rust cdece (FER), caker cdece (CAN) ad umber of ormal trees per plot (NAR). The drect ad drect selecto methodologes were compared wth the selecto dces (classc ad Pesek ad Baker method) usg all the trats. Nether selecto method yelded the expected dstrbuto of geetc gas. Both the classc ad Pesek ad Baker s dces produced a more sutable dstrbuto of expected geetc gas. Key words: Forest tree mprovemet ad selecto dces.. INTRODUÇÃO A possbldade de predção de gahos a serem obtdos por certa estratéga de melhorameto é uma das mas mportates cotrbuções da geétca quattatva ao cultvo de platas. Assm, os processos de seleções dreta e dreta surgem como as prmeras alteratvas para obteção de gahos geétcos compesadores. Eberhart (970), Vecovsky (987) e Vecovsky & Barrga (99) apresetaram algortmos smplfcados para obteção de fórmulas que vsam estmatvas dos gahos geétcos. Cruz & Regazz (994) também apresetaram cosderações e aplcações sobre dferetes formas de predção dos gahos de seleção. Os trabalhos de Kageyama (980, 983) com Eucalyptus grads, de Scárdua (99), Pres (996) e Paula (997) com E. camalduless e de Xaver (993) com E. ctrodora evdecaram possbldades de gahos geétcos compesadores para algumas característcas com a seleção etre e detro de famílas de meos-rmãos, para as referdas espéces. Recebdo para publcação em Aceto para publcação em Dep. de Egehara Florestal da Uversdade de Brasíla UB, Brasíla-DF. 3 Dep. de Bologa Geral da Uversdade Federal de Vçosa UFV, Vçosa-MG; 4 Dep. de Iformátca da UFV; 5 Dep. de Egehara Florestal da UFV. Socedade de Ivestgações Florestas

2 38 MARTINS, I.S. et al. Quado a seleção é pratcada em determada característca, ormalmete proporcoa alterações em outras, em vrtude de correlações geétcas. Tal feômeo é deomado resposta correlacoada à seleção, e o seu setdo pode ou ão ser de teresse do melhorsta. A avalação da magtude da resposta correlacoada, também deomada resposta dreta, é de partcular teresse em caracteres de baxa herdabldade ou de dfícl medção ou detfcação (Goldeberg, 968). Os métodos até aqu dscutdos tratam de seleção uvarada, que, a maora das vezes, ão leva a materas altamete produtvos e adaptados. Assm, deve-se cosderar também a seleção para múltplos caracteres. Para obteção de materas geétcos que reúem uma sére de atrbutos favoráves e, portato, mas produtvos e adaptados, uma alteratva sera usar os ídces de seleção (Slva, 98; Cruz & Regazz, 994). A utlzação dos ídces de seleção cosste em estabelecer um ovo caráter (supercaráter), que é uma combação lear dos caracteres evolvdos, cujos coefcetes de poderação são estmados de modo a maxmzar a correlação etre o ídce e o agregado geotípco (valores geétcos verdaderos dos caddatos à seleção) (Slva, 980; Whte & Hodge, 989; Va Vleck, 993; Cruz & Regazz, 994). L (978) relatou que a aplcação dos ídces de seleção tem lmtações, prcpalmete devdo a mprecsões as matrzes de varâcas e co-varâcas, a mudaça dos parâmetros geétcos com a seleção e a estmação dos lmtes de seleção. Whte & Hodge (989) argumetaram que, devdo a alterações os parâmetros geétcos, provocadas pela seleção com base o ídce, é ecessára a sua recostrução a cada cclo de seleção. No estabelecmeto de pesos ecoômcos, etretato, é que se tem verfcado a maor lmtação da aplcação da teora do ídce clássco (Pesek & Baker, 969). BAKER (986) assegurou que os pesos ecoômcos devem ser estabelecdos, respetado-se a proporcoaldade dos caracteres evolvdos. Cruz (990) relatou que os pesos ecoômcos podem ser estabelecdos a partr de estatístcas dos própros dados expermetas e que o coefcete de varação geétca, por ser dretamete proporcoal ao desvo-padrão geétco, matém, de certa forma, a proporcoaldade etre os caracteres e, ada, por ser admesoal, podera ser bom referecal o melhorameto geétco. Outros crtéros de seleção foram desevolvdos por pesqusadores preocupados com as dfculdades e lmtações apresetadas pelo ídce clássco. Detre esses crtéros, cta-se o ídce de Pesek & Baker (969), o qual os pesos ecoômcos são substtuídos pelos gahos desejados pelo melhorsta. Nesse método, apesar de os gahos desejados dspesarem o estabelecmeto de pesos ecoômcos, eles (gahos desejados) estão sujetos às lmtações mpostas pela estrutura geétca da população em melhorameto. Crossbe et al. (980) e Vera (988) sugerram adotar, como gahos desejados, o equvalete a uma vez o desvo-padrão geétco para cada caráter. Apesar do recohecmeto de certas dfculdades e lmtações a utlzação da teora dos ídces de seleção, evdecou-se, de modo geral, que tas ídces são vatajosos por proporcoarem maores gahos totas, com dstrbução, etre os caracteres, mas adequada aos propóstos do melhorameto. Com relação à utlzação da teora dos ídces de seleção o melhorameto florestal, ela ada é cpete, prcpalmete devdo ao descohecmeto de téccas multvaradas e de recursos computacoas para mapulação de grades volumes de cálculos por parte dos melhorstas florestas. Etretato, algus trabalhos têm apotado perspectvas favoráves (Paula, 997). O presete trabalho teve por objetvo a comparação da seleção dreta e dreta com os ídces de seleção, em progêes de Eucalyptus grads W. Hll ex Made.. MATERIAL E MÉTODOS.. Caracterzação Geral dos Expermetos Os expermetos foram stalados e coduzdos em ses locas de expermetação, deomados de TP66A, TP66A, TP66B, TP66B, TP66C e TP66C, evolvedo famílas de meos-rmãos de E. grads. Em todos os locas fo utlzado o modelo estatístco em blocos ao acaso, com formação detro de parcelas, com quatro repetções e ses platas por parcela, o espaçameto 3 m. O local, deomado TP66A, stua-se o mucípo de Ro Doce, Mas Geras, a lattude de 9 o 0 S, logtude de 4 o 0 W e alttude varado de 0 a 45 m, em stuação de ecosta. O expermeto fo stalado em dezembro de 993 e a avalação fo realzada em outubro de 997, cosderado-se os dados de 48 famílas de meos-rmãos.

3 Efcêca da Seleção Uvarada Dreta e Idreta O local, deomado TP66A, stua-se também o mucípo de Ro Doce, em codções de baxada. O espermeto fo stalado em dezembro de 993 e a avalação fo realzada em mao de 997, cosderado-se os dados de 40 famílas de meos-rmãos. O local 3, deomado TP66B, stua-se o mucípo de Sabópols, Mas Geras, a lattude de 8 o 39 S, logtude de 4 o 5 W e alttude varado de 80 a 980 m, em stuação de ecosta. O expermeto fo stalado em dezembro de 993 e a avalação fo realzada em mao de 997, cosderado-se os dados de 45 famílas de meos-rmãos. O local 4, deomado TP66B, stua-se o mucípo de Vrgópols, Mas Geras, a lattude de 8 o 45 S, logtude de 4 o 34 W e alttude varado de 74 a 99 m, em stuação de ecosta. O expermeto fo stalado em dezembro de 993 e a avalação fo realzada em março de 997, cosderado-se os dados de 39 famílas de meos-rmãos. O local 5, deomado TP66C, stua-se o mucípo de Sata Bárbara, Mas Geras, a lattude de 9 o 34 S, logtude de 4 o 58 W e alttude varado de 85 a.099 m, em stuação de ecosta. O expermeto fo stalado em dezembro de 993 e a avalação fo realzada em setembro de 997, cosderado-se os dados de 48 famílas de meos-rmãos. O local 6, deomado TP66C, stua-se o mucípo de Ro Praccaba, Mas Geras, a lattude de 9 o 7 S, logtude de 4 o 5 W e alttude varado de 995 a.30 m, em stuação de ecosta. O expermeto fo stalado em dezembro de 993 e a avalação fo realzada em juho de 997, cosderado-se os dados de 45 famílas de meos-rmãos. As característcas avaladas foram crcuferêca à altura do peto (CAP) e altura de platas (ALT), ambas tomadas em ível de platas detro de parcelas. Além dsto, foram regstrados o úmero de árvores com cdêca de ferrugem (FER), úmero de árvores com cdêca de cacro (CAN) e úmero de árvores ormas (NAR) por parcela. Cosderou-se ormal a árvore vva, tera e ão-bfurcada... Gahos por Seleções Dreta e Idreta Foram estmados os gahos por seleções dreta e dreta etre famílas de meos-rmãos para todas as característcas avaladas, em todos os locas de expermetação, cosderado a seleção de 5% das melhores famílas. Para as característcas ALT, CAP e NAR, a seleção fo o setdo de acréscmo e para FER e CAN, o setdo de dmução. O gaho por seleção dreta fo estmado pela expressão: G% = 00 ( DS h ) X, em que G% é o gaho devdo à seleção, expresso em porcetagem da méda; DS é o dferecal de seleção; h é o coefcete de herdabldade; e X é a méda orgal. O gaho por seleção dreta fo estmado pela [ ] X expressão: GX ( Y )% = DSX ( Y ) h ( X ), em que GX(Y) é o gaho a característca X (deomada característca secudára), com seleção a característca Y (deomada característca prcpal); DSX(Y) é o dferecal de seleção dreto a característca X, com a seleção em Y; e h (X) é a herdabldade da característca X..3. Ídces de Seleção Foram utlzados o ídce clássco de Smth e Hazel e o ídce com base os gahos desejados de Pesek e Baker. Com relação ao ídce clássco, proposto por Smth (936) e Hazel (943), o ídce (I) e o agregado geotípco (H) são assm descrtos: I = b x + b x H = a g + a g b a x g = = b x = = a g = b x,, = a g em que é o úmero de caracteres avalados; b é um vetor dos coefcetes leares a serem estmados; x é um vetor de médas dos caracteres; a é um vetor de pesos ecoômcos prevamete estabelecdos; e g é um vetor de valores geétcos descohecdos dos caracteres. Em fução das estruturas do ídce e do agregado geotípco, pode-se deduzr que bˆ = P Ga em que P é a matrz de co-varâcas feotípcas e G é a matrz de co-varâcas geétcas etre os caracteres. Na aplcação do ídce clássco, cosderaram-se como pesos ecoômcos os coefcetes de varação geétca de cada caráter, coforme sugestão de Cruz (990), e ada outras combações de pesos ecoômcos,

4 330 MARTINS, I.S. et al. vsado dstrbução de gahos coveetes, de acordo com os propóstos do presete trabalho. Para costrução do ídce de Pesek e Baker, devese cosderar a expressão do gaho desejado para os város caracteres, defda por Gbˆ Gd = σˆ I em que Gd é o vetor de gahos desejados, G é a matrz de varâcas e co-varâcas geétcas etre os caracteres, bˆ é o vetor de coefcetes do ídce, e ˆσ I é a raz quadrada da varâca do ídce. Como ˆσ I é escalar e ão afeta a proporcoaldade do ídce, ele pode ser desprezado, obtedo-se bˆ = G Gd Assm, o ídce sera estabelecdo apeas com a defção do vetor de gahos desejados e da matrz de varâcas e co-varâcas geotípcas. Apesar de o referdo método dspesar o estabelecmeto dos pesos ecoômcos, estes podem ser estmados, posterormete, pela expressão â = G Pbˆ em que â é o vetor de pesos ecoômcos estmados e P é a matrz de varâcas e co-varâcas feotípcas etre os caracteres. Para costrução do ídce de Pesek e Baker, cosderaram-se como pesos ecoômcos o equvalete a um desvo-padrão geétco para cada caráter, coforme sugestão de Crossbe et al. (980) e Vera (988), e também outras combações de pesos, vsado melhores dstrbuções de gahos de acordo com os propóstos do presete trabalho. Todos os procedmetos estatístcos utlzados foram processados, utlzado-se o aplcatvo computacoal GENES FOR WINDOWS (Cruz, 998). 3. RESULTADOS E DISCUSSÃO 3.. Seleções Dreta e Idreta etre Médas de Famílas As seleções dreta e dreta ão proporcoaram resultados cojutos satsfatóros em gahos as cco característcas avaladas, uma vez que o teresse era obter acréscmo as característcas CAP, ALT e NAR e decréscmo em FER e CAN. Essa combação de resultados ão fo atgda em ehum dos locas, cosderado-se a seleção em qualquer uma das característcas referdas (Quadros de a 6). No local, a seleção as característcas de crescmeto da plata proporcoou resposta correlacoada etre elas. A seleção em CAP proporcoou resposta favorável em ALT, e vce-versa. Este fato fo atrbuído à alta correlação geétca etre essas característcas. Etretato, essa provocou alterações desejáves as característcas de sadade das platas. A seleção de platas com maores CAP e ALT resultou em geótpos mas suscetíves à ferrugem (FER) e ao cacro (CAN). A escolha de geótpos com maores CAP e ALT (mplcado maores volumes de maderas), smultaeamete com meores cdêcas de ferrugem e cacro, é de extrema mportâca para a cultura do eucalpto, uma vez que os cotroles dessas efermdades são fetos, utlzado-se de geótpos resstetes ou tolerates para plato o campo. A seleção com base em NAR levou a estmatvas de gahos expressvos em CAP e ALT, mas, também, a respostas em setdo desejável em FER e CAN. Portato, quado a seleção é pratcada em uma característca cujo teresse era o deslocameto postvo da méda, obtêm-se gahos postvos em todas as outras, e vceversa. Desta forma, é ecessára a adoção de metodologas que possam proporcoar combações de gahos esperados favoráves, de acordo com o presete propósto. Nesse cotexto, a metodologa multvarada, deomada ídces de seleção, pode ser uma alteratva. Nos demas locas de expermetação, resultados semelhates foram ecotrados... Ídces de Seleção Os ídces foram costruídos para cada local de expermetação. No local, para costrução do ídce de Pesek e Baker, utlzado como vetor de gahos desejados o equvalete a um desvo-padrão geétco, ão se cosderou a característca CAN. Os ídces de seleção, costruídos com os pesos ecoômcos referdos (Quadro 7), ão proporcoaram dstrbução de gahos codzetes com os propóstos do presete trabalho. Esses gahos deveram ser em setdo postvo para as característcas CAP, ALT e NAR

5 Efcêca da Seleção Uvarada Dreta e Idreta Quadro Respostas esperadas às seleções dreta e dreta etre famílas de Eucalyptus grads o local Table Expected geetc gas through drect ad drect selectos amog Eucalyptus grads famles locato Quadro 4 Respostas esperadas às seleções dreta e dreta etre famílas de Eucalyptus grads o local 4 Table 4 Expected geetc gas through drect ad drect selectos amog Eucalyptus grads famles locato 4 CAP 38,34 38, 34,45 3,3 35,96 ALT 38,04 38,3 34,05 3,05 35,9 FER -36,00-35,65-33,83-30,78-33,0 CAN -34,35-34,4-3,3-3, -3,87 NAR 36,37 36,40 3,96 30,3 34,99 CAP 4,4 3,4 8,94 0,37 0,36 ALT 3,73,95 8,50 0,00 0,7 FER -9,38-8,7-9,0-7,44-7,3 CAN -,03 -,33-8, -9,9-9,40 NAR,67,9 7,85 9,3 9,47 Quadro Respostas esperadas às seleções dreta e dreta etre famílas de Eucalyptus grads o local Table Expected geetc gas through drect ad drect selectos amog Eucalyptus grads famles locato Quadro 5 Respostas esperadas às seleções dreta e dreta etre famílas de Eucalyptus grads o local 5 Table 5 Expected geetc gas through the drect ad drect selectos amog Eucalyptus grads famles locato 5 CAP 6,84 7,07 0,07,74 3,83 ALT 6,43 6,8 9,76,46 3,8 FER -,79 -,99-8,7-9,95-0,65 CAN -4,8-4,47-8,68 -,97 -,86 NAR 3,63 4,8 8,03 0,39,7 CAP,3,56 6,88 7,95 6,9 ALT,0,60 7,0 8,0 6,58 FER -7,8-6,97-7,74-4,44 -,8 CAN -,0-0,66-6,6-7,53-5,55 NAR 8,67 8,6 4,44 5, 4,58 Quadro 3 Respostas esperadas às seleções dreta e dreta etre famílas de Eucalyptus grads o local 3 Table 3 Expected geetc gas through drect ad drect selectos amog Eucalyptus grads famles locato 3 Quadro 6 Respostas esperadas às seleções dreta e dreta etre famílas Eucalyptus grads o local 6 Table 6 Expected geetc gas through drect ad drect selectos amog Eucalyptus grads famles locato 6 CAP 4,3 3,53 0,83 0,6 0,94 ALT 3,90 3,66,09 0,8,9 FER -,5 -,47 -,45 -,3 -,55 CAN -,40 -,3 -,5-0,98 -,35 NAR,07,0,03 0,7,6 CAP 3,64,93 6, 6,4 7,55 ALT,64,5 6,67 6,69 7,9 FER -8,65-8,76-7,3-7,3-8,0 CAN -8,68-8,78-7, -7,5-8, NAR 9,04 8,94 6,96 6,99 8,37 e egatvo, para FER e CAN. Porém, em algus casos, os ídces obtdos dessa forma coseguram se aproxmar da dstrbução de gahos de teresse, o que é ecorajador o setdo de tetar utlzar outros vetores de pesos ecoômcos, com o tuto de atgr os objetvos almejados. No local 3, o ídce de Pesek e Baker, apesar das baxas magtudes de gahos esperados, proporcoou setdos de gahos favoráves para todos os caracteres avalados (Quadro 7). Com base essas cosderações, foram propostos outros vetores de pesos ecoômcos (o caso do ídce clássco) ou de gahos desejados (o caso do ídce de Pesek e Baker), para cada local de expermetação, exceto o local 3 (Quadro 8), vsado cosegur a melhor dstrbução de gahos esperados, com base os objetvos

6 33 MARTINS, I.S. et al. do presete trabalho. Na costrução desses ídces, como as característcas FER e CAN apresetaram estmatvas muto altas de coefcete de correlação geétca, optouse por exclur a seguda delas. Na costrução de cada um dos ídces, os pesos ecoômcos foram baseados os parâmetros estmados com os própros dados expermetas, como os coefcetes de varação geétca para os ídces clásscos e os desvos-padrão geétcos para o ídce de Pesek e Baker. Os ídces de seleção, de modo geral, foram vatajosos em relação aos processos de seleções dreta e dreta, uma vez que possbltaram, para todos os locas, gahos os setdos desejados. Quadro 7 Respostas esperadas, com a seleção os ídces de Smth e Hazel e de Pesek e Baker, os ses locas de expermetação Table 7 Expected geetc gas wth the selecto o Smth ad Hazel`s ad Pesek ad Baker`s dces, sx locatos Ídce SH 39,6 39,46 3,4 8,59 34,8 PB 4,75,40-4, -0,66-3,73 SH 6,04 6, 4,73 8,65 9,0 PB 0,30 -,53-6,6-3,4-0,44 SH3,34, 7,6 7,45 7,35 PB3,90,84 -,48 -,3 0,5 SH4 4,00,74 5,3 7,37 6,94 PB4 3,50,70 -,57 0,66,09 SH5 0,06 9,88,3 4,90,08 PB5 -,04 -,0-5,89 -,7-9,3 SH6,40 9,48,89,88 3,5 PB6-3,0 -,08 -,3 -,7 -,07 Sh = ídce de Smth e Hazel, com pesos ecoômcos guas a um coefcete de varação geétca para cada característca, o local. Pb = ídce de Pesek e Baker, com pesos ecoômcos guas a um desvo padrão geétco para cada característca, o local. O ídce de Pesek e Baker fo mas efcete os locas e 3, ao passo que o clássco fo melhor os demas locas. Assm, ão fo detfcado um ídce adequado para todos os locas, o que dca que em futuros trabalhos com esta espéce, em quasquer locas de expermetação, deverão ser verfcadas as possbldades de uso de um ou de outro ídce, vsado as melhores dstrbuções de gahos esperados, de acordo com teresses específcos. 4. CONCLUSÕES Os processos de seleção dreta e dreta etre médas de famílas ão são efcetes o setdo de proporcoar uma dstrbução de gahos esperados adequada aos propóstos do presete trabalho (aumeto em CAP, ALT e NAR e redução em FER e CAN, em todos os locas de expermetação). Os ídces de seleção foram mas efcetes o setdo de proporcoar uma dstrbução de gahos esperados mas equlbrada, em todos os locas de expermetação. 5. REFERÊNCIAS BIBLIOGRÁFICAS BAKER, R. J. Selecto dces plat breedg. Florda: CRC Press, p. CASTOLDI, F. L. Comparação de métodos multvarados aplcados a seleção em mlho f. Tese (Doutorado em Geétca e Melhorameto) Uversdade Federal de Vçosa, Vçosa, 997. CROSSBIE, T. M.; MOCK, J. J.; SMITH, D. S. Comparso of gas predcted by several selectos methods for cold tolerace trats for two maze populatos. Crop Scece, v. 0, p , 980. Quadro 8 Gahos geétcos esperados em Eucalyptus grads, em cada local, com aplcação de seleção usado os pesos ecoômcos respectvamete para CAP, ALT, FER e NAR Table 8 Expected geetc gas Eucalyptus grads, usg other ecoomc weghts Local Método (pesos ecoômcos) Gahos Esperados (%) em Pesek & Baker (6:,5: -: 0,5) 5,8,86-5,47-0,84 0,69 Clássco (: : -34,5: 3,4 4,0-4,74 -,4,5 4 Clásco (: : -56: 4,4) 4,80 4,6 -,,3,38 5 Clássco (: : -40: ),7 0,98 -,05 7,07 6,95 6 Clássco (: : -66: ) 8,07 4,4-0,0-0, 0,0

7 Efcêca da Seleção Uvarada Dreta e Idreta CRUZ, C. D. Aplcações de algumas téccas multvaradas o melhorameto de platas f. Tese (Doutorado em Geétca e Melhorameto) Escola Superor de Agrcultura Lus de Queroz, Praccaba, 990. CRUZ, C. D. Programa GENES-Aplcatvo computacoal em estatístca aplcada à geétca. Geetcs ad Molecular Bology, v.,., p , 998. CRUZ, C. D.; REGAZZI, A. J. Modelos bométrcos aplcados ao melhorameto geétco. Vçosa: UFV, Impresa Uverstára, p. EBERHART, S. A. Factors affectg effceces of breedg methods. Afrca Sols, v. 5, p , 970. GOLDENBERG, J. B. El empleo de la correlacó e el mejorameto geétco de las platas. Ftoteca Latoamercaa, v. 5,., p. -8, 968. HAZEL, L. N. The geetc bass for costructg selecto dces. Geetcs, v. 8,. 6, p , 943. KAGEYAMA, P. Y. Varações geétcas em progêes de uma população de Eucalyptus grads W. Hll ex Made f. Tese (Doutorado em Geétca e Melhorameto) Escola Superor de Agrcultura Luís de Queroz, Praccaba, 980. KAGEYAMA, P. Y. Seleção precoce a dferetes dades em progêes joves de Eucalyptus grads W. Hll ex Made f. Tese (Lvre Docêca) Escola Superor de Agrcultura Luís de Queroz, Praccaba, 983. LIN, C. Y. Idex selecto for geetc mprovemet of quattatve characters. Theorethacal Appled Geetcs, v. 5, p , 978. PAULA, R. C. Avalação de dferetes crtéros de seleção aplcados em melhorameto florestal f. Tese (Doutorado em Cêcas Florestas) Uversdade Federal de Vçosa, Vçosa, 997. PESEK, J.; BAKER, R. J. Desred mprovemet relato to selected dces. Caada Joural Plat Scece, v. 49, p , 969. PIRES, I. E. Efcêca da seleção combada o melhorameto geétco de Eucalyptus spp f. Tese (Doutorado em Geétca e Melhorameto) Uversdade Federal de Vçosa, Vçosa, 996. SCÁRDUA, F. P. Varabldade geétca em progêes de Eucalyptus camalduless Dehh., a Fazeda Água Lmpa - DF, a dferetes dades f. Dssertação (Graduação em Egehara Florestal) Uversdade de Brasíla, Brasíla, 99. SILVA, M. A. Melhorameto amal (ídces de seleção). Vçosa, MG: UFV, Impresa Uverstára, p. SILVA, M. A. Melhorameto amal (métodos de seleção). Vçosa, MG: UFV, Impresa Uverstára, p. SMITH. H. F. A dscrmat fucto for plat selecto. A. Eugecs, v. 7, p , 936. VAN VLECK, L. D. Selecto dex ad troducto to mxed model methods for geetc mprovemet of amals: The gree book. Boca Rato: CCR Press, p. VENCOVSKY, R. Heraça quattatva. I: PATERNIANI, E.; VIEGAS, G. P. (Eds). Melhorameto e produção do mlho. Campas: Fudação Cargll, 987. p VENCOVSKY, R.; BARRIGA, P. Geétca bométrca o ftomelhorameto. Rberão Preto: Socedade Braslera de Geétca, p. VIEIRA, J. V. Herdabldade, correlações geétcas e ídces de seleção em uma população de ceoura (Daucus carota L.) f. Tese (Doutorado em Geétca e Melhorameto) Uversdade Federal de Vçosa, Vçosa, 988. XAVIER, A. Varabldade geétca de óleo essecal e de crescmeto em progêes de meos-rmãos de Eucalyptus ctrodora Hook f. Tese (Mestrado em Cêcas Florestas) Uversdade Federa de Vçosa, Vçosa, 993. WHITE, T. L.; HODGE, G. R. Predctg breedg values: wth applcatos forest tree mprovemet. Lodo: Kluwer Academc Publshers, p.

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii

Uso de covariáveis em modelos biométricos para estimação de altura total em árvores de Eucalyptus dunnii Uso de covaráves em modelos bométrcos para estmação de altura total em árvores de Eucalyptus du Oar Medes de Olvera Adrao Rbero de Medoça Fábo Mareto Glso Ferades da Slva Samuel de Pádua Chaves e Carvalho

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

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

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

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

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

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

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

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

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

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

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: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

Correlações genotípicas entre características agronômicas de sorgo granífero (Sorghum bicolor (L.) Moench).

Correlações genotípicas entre características agronômicas de sorgo granífero (Sorghum bicolor (L.) Moench). Correlações geotípcas etre característcas agroômcas de sorgo graífero (Sorghum bcolor (L.) Moech). Crslee Vera dos Satos (1) ; Ccero Beserra de Meezes (2) ; Celso Herque Tuma e Slva (1) Ruae Alce da Slva

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

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

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

Ciência Rural ISSN: Universidade Federal de Santa Maria Brasil

Ciência Rural ISSN: Universidade Federal de Santa Maria Brasil Cêca Rural ISSN: 0103-8478 cecarural@mal.ufsm.br Uversdade Federal de Sata Mara Brasl de Moura Rocha, Maursrael; Vello, Natal Atoo; de Almeda Lopes, Âgela Cels; Uêda-Trevsol, Sadra Helea; Cabral Maa, Mara

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

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

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si. Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de

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

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

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

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

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

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

IMPORTÂNCIA DAS INTERAÇÕES CULTIVARES X LOCAIS E CULTIVARES X ANOS NA AVALIAÇÃO DE MILHO NA SAFRINHA 1

IMPORTÂNCIA DAS INTERAÇÕES CULTIVARES X LOCAIS E CULTIVARES X ANOS NA AVALIAÇÃO DE MILHO NA SAFRINHA 1 IMPORTÂNCIA DAS INTERAÇÕES CULTIVARES X LOCAIS 7 IMPORTÂNCIA DAS INTERAÇÕES CULTIVARES X LOCAIS E CULTIVARES X ANOS NA AVALIAÇÃO DE MILHO NA SAFRINHA FLÁVIA MARIA AVELAR GONÇALVES, SAMUEL PEREIRA DE CARVALHO,

Leia mais

Reconhecimento de Padrões. Reconhecimento de Padrões

Reconhecimento de Padrões. Reconhecimento de Padrões Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:

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

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

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

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

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

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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

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

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

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

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos

4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos 4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um

Leia mais

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO

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

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

( 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

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

3 Procedimento Experimental

3 Procedimento Experimental 3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5

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

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES:

8. DISCRIMINAÇÃO, CLASSIFICAÇÃO E RECONHECIMENTO DE PADRÕES: NOTAS DE AULA DA DISIPLINA E76 8. DISRIMINAÇÃO, LASSIFIAÇÃO E REONHEIMENTO DE PADRÕES: 8. INTRODUÇÃO A técca multvarada cohecda como Aálse Dscrmate trata dos problemas relacoados com SEPARAR cojutos dsttos

Leia mais

ADEQUAÇÃO DE MODELOS PARA ESTIMATIVA DE NÚMERO DE FOLHAS E ÁREA FOLIAR DA BANANEIRA GRAND NAINE

ADEQUAÇÃO DE MODELOS PARA ESTIMATIVA DE NÚMERO DE FOLHAS E ÁREA FOLIAR DA BANANEIRA GRAND NAINE http://dx.do.org/0.70/.ovagr.04-a63 ADEQUAÇÃO DE MODELOS PARA ESTIMATIVA DE NÚMERO DE FOLHAS E ÁREA FOLIAR DA BANANEIRA GRAND NAINE T. K. S. Borges, M. G. Slva, N. T. Satos 3 ; E. F. Coelho 4, E. A. Souza

Leia mais

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores. Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.

Leia mais

4 O Método de Análise Hierárquica

4 O Método de Análise Hierárquica 4 O Método de Aálse Herárquca 4.. Itrodução O método de aálse herárquca é um dos métodos multatrbuto mas utlzados e dfuddos o mercado mudal (Gomes, 007). Isso se deve, provavelmete, a duas razões. A prmera

Leia mais

Forma padrão do modelo de Programação Linear

Forma padrão do modelo de Programação Linear POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação

Leia mais

DETERMINAÇÃO DA ÁREA FOLIAR DE FEIJÃO-VAGEM POR FOTOS DIGITAIS 1

DETERMINAÇÃO DA ÁREA FOLIAR DE FEIJÃO-VAGEM POR FOTOS DIGITAIS 1 DETERMINAÇÃO DA ÁREA FOLIAR DE FEIJÃO-VAGEM POR FOTOS DIGITAIS 1 TOEBE, Marcos 2 ; CARGNELUTTI FILHO, Alberto 3 ; LOOSE, Lus Herque 4 ; HELDWEIN, Aro Berardo 3 ; ZANON, Alecar Juor 2 ; PETERS, Marcelo

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

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

Complexidade Computacional da Determinação da Correspondência entre Imagens

Complexidade Computacional da Determinação da Correspondência entre Imagens Complexdade Computacoal da Determação da Correspodêca etre Images Adraa Karlstroem Laboratóro de Sstemas Embarcados Departameto de Egehara Mecatrôca Escola Poltécca da Uversdade de São Paulo adraa.karlstroem@pol.usp.br

Leia mais

DESENVOLVIMENTO DE METODOLOGIA PARA OBTENÇÃO E PREENCHIMENTO DE FALHAS DE DADOS DIÁRIOS DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA

DESENVOLVIMENTO DE METODOLOGIA PARA OBTENÇÃO E PREENCHIMENTO DE FALHAS DE DADOS DIÁRIOS DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA DESENVOLVIMENTO DE METODOLOGIA PARA OBTENÇÃO E PREENCHIMENTO DE FALHAS DE DADOS DIÁRIOS DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA 1 L. O. Costa 1 ; R. A. O. Leão ; A. S. Texera 3 RESUMO: A evapotraspração é de

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

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

2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS

2 o CONGRESSO BRASILEIRO DE P&D EM PETRÓLEO & GÁS 2 o CONGRSSO BRASILIRO D P&D M PTRÓLO & GÁS CORRLAÇÕS APLICADAS À PRDIÇÃO DA PRSSÃO D SATURAÇÃO FATOR VOLUM D FORMAÇÃO: STUDO D CASO BACIA POTIGUAR Novaes, W. S., Dutra Jr, T. V. 2, Selvam, P. V. P. 3,2,3

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

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

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

8 Programação linear 78

8 Programação linear 78 8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos

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

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

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

Ivan G. Peyré Tartaruga. 1 Metodologia espacial

Ivan G. Peyré Tartaruga. 1 Metodologia espacial RELATÓRIO DE PESQUISA 5 Procedmetos o software ArcGIS 9. para elaborar os mapas da Regão Metropoltaa de Porto Alegre RMPA com as elpses de dstrbução drecoal etre 99 e 000 Iva G. Peré Tartaruga Metodologa

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

Estabilidade no Domínio da Freqüência

Estabilidade no Domínio da Freqüência Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;

Leia mais

Tópicos Extras 2ª parte. Análise de Correlação e Regressão

Tópicos Extras 2ª parte. Análise de Correlação e Regressão Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO

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

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

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

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

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha

4 Métodos Sem Malha Princípio Básico dos Métodos Sem Malha 4 Métodos Sem Malha Segudo Lu (9), os métodos sem malha trabalham com um cojuto de ós dstrbuídos detro de um domío, assm como com cojutos de ós dstrbuídos sobre suas froteras para represetar, sem dscretzar,

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

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

Monitoramento ou Inventário Florestal Contínuo

Monitoramento ou Inventário Florestal Contínuo C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

Econometria: 4 - Regressão Múltipla em Notação Matricial

Econometria: 4 - Regressão Múltipla em Notação Matricial Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo

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

Ordenação: Introdução e métodos elementares. Algoritmos e Estruturas de Dados II

Ordenação: Introdução e métodos elementares. Algoritmos e Estruturas de Dados II Ordeação: Itrodução e métodos elemetares Algortmos e Estruturas de Dados II Ordeação Objetvo: Rearrajar os tes de um vetor ou lsta de modo que suas chaves estejam ordeadas de acordo com alguma regra Estrutura:

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

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

APLICAÇÃO DA ANÁLISE HARMÔNICA POR SÉRIES DE FOURIER PARA A PREVISÃO DE PRODUTIVIDADE DA CULTURA DO CAFÉ NO ESTADO DE MINAS GERAIS 1

APLICAÇÃO DA ANÁLISE HARMÔNICA POR SÉRIES DE FOURIER PARA A PREVISÃO DE PRODUTIVIDADE DA CULTURA DO CAFÉ NO ESTADO DE MINAS GERAIS 1 APLICAÇÃO DA ANÁLISE HARMÔNICA POR SÉRIES DE FOURIER PARA A PREVISÃO DE PRODUIVIDADE DA CULURA DO CAFÉ NO ESADO DE MINAS GERAIS LUIZ G. DE CARVALHO, GILBERO C. SEDIYAMA 3, PAULO R. CECON 4, HELENA M. R.

Leia mais

Regressão. Pedro Paulo Balestrassi

Regressão. Pedro Paulo Balestrassi Regressão Pedro Paulo Balestrass www.pedro.ufe.edu.br ppbalestrass@gmal.com 5-696 / 88776958 (cel) Questoametos comus: Como mplemetar a equação Y=f(X) a partr de dados hstórcos ou epermetas? Como fazer

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

USO DE REDE NEURAL ARTIFICIAL PARA PREDIÇÃO DA PRODUÇÃO NA CULTURA DO FEIJOEIRO. Apresentado no. 27 a 31 de julho de Campo Grande- MS, Brasil

USO DE REDE NEURAL ARTIFICIAL PARA PREDIÇÃO DA PRODUÇÃO NA CULTURA DO FEIJOEIRO. Apresentado no. 27 a 31 de julho de Campo Grande- MS, Brasil XLIII Cogresso Braslero de Egehara Agrícola - CONBEA 204 Cetro de Coveções Arquteto Rubes Gl de Camllo - Campo Grade -MS 27 a 3 de julho de 204 USO DE REDE NEURAL ARTIFICIAL PARA PREDIÇÃO DA PRODUÇÃO NA

Leia mais

Aula 6. Plano da aula. Bibliografia:

Aula 6. Plano da aula. Bibliografia: Aula 6 Bblografa: Farrel & Shapro, 1990, Horzotal Mergers: A Equlbrum Aalyss, AER; Wsto, 2008, Lectures o Attrust Ecoomcs, MIT Press; Motta (2005), Cap 5. Plao da aula I. Cocetrações horzotas (cotução)

Leia mais

Introdução à Estatística

Introdução à Estatística Itrodução à Estatístca Júlo Cesar de C. Balero Estatístca É a cêca que se preocupa com: () Orgazação; () Descrção; () Aálses; (v) Iterpretações. Estatístca Descrtva Estatístca Idutva ou Estatístca Ierecal

Leia mais

9 Medidas Descritivas

9 Medidas Descritivas 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se

Leia mais

4 Métodos de Estimação da Entropia e da Informação Mútua

4 Métodos de Estimação da Entropia e da Informação Mútua 4 Métodos de Estmação da Etropa e da Iformação Mútua A estmação da etropa e da formação mútua, evolvedo apeas varáves aleatóras dscretas, é smples, com aplcação dreta da defção de Shao. No etato, quado

Leia mais

Introdução à Estatística. Júlio Cesar de C. Balieiro 1

Introdução à Estatística. Júlio Cesar de C. Balieiro 1 Itrodução à Estatístca Júlo Cesar de C. Balero Estatístca É a cêca que se preocupa com: () Orgazação; () Descrção; () Aálses; (v) Iterpretações. Estatístca Descrtva Estatístca Idutva ou Estatístca Ierecal

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

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

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

3 Teoria de Microestrutura de Mercado

3 Teoria de Microestrutura de Mercado 3 Teora de Mcroestrutura de Mercado 3. Itrodução A aálse das mcroestruturas de mercado estuda a estrutura sttucoal, a qual as trasações evolvedo atvos faceros são, efetvamete, cocluídas. Na grade maora

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

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