Aplicação de um modelo simulado na formação de fábricas

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Aplicação de um modelo simulado na formação de fábricas"

Transcrição

1 Aplcação de um modelo smulado na formação de fábrcas Márca Gonçalves Pzaa (UFOP) Rubson Rocha (UFSC) Resumo O objetvo deste estudo é determnar a necessdade de recursos para a mplantação de uma nova área de produção de uma fábrca de peças. Fo empregada a técnca de modelagem e smulação dscreta de sstemas. A aplcação de um modelo smulado é justfcada devdo ao fato da expermentação com o sstema real ser dspendosa. O problema em estudo foca uma empresa que planeja mplantar uma nova área de produção, buscando uma produção mínma dára de 120 peças. Dentre os prncpas fatores estudados destacam-se: o arranjo de cnco tpos de estações de trabalho, o número alocado de máqunas em cada estação e o número de emplhaderas necessáras. Os efetos prncpas de cada fator foram avalados através de um projeto expermental fatoral fraconado. Realzaram-se dez replcações de 320 horas para cada um dos 32 tratamentos, em cada replcação. As análses dos resultados dos expermentos smulados apontam para a mportânca de determnados fatores sobre outros, consderando-se as varáves de desempenho adotadas. Palavras-chave: Smulação, Programação da Produção, Projeto Expermental 1. Introdução A compreensão do comportamento de sstemas nfluencado por uma ou mas varáves, controláves ou não, é um dos números problemas que os tomadores de decsão enfrentam. O projeto expermental é uma técnca estatístca que pode ser empregada para resolver este problema (FREITAS FIHO, 2001). De acordo com Montgomery (1997), um expermento é um teste, ou uma sére de testes, no qual alterações controladas são realzadas sobre os fatores envolvdos num sstema ou processo, de tal forma que se possa observar e dentfcar as razões das mudanças ocorrdas sobre as respostas Objetcando determnar os recursos necessáros para a mplantação de uma nova área de produção de uma fábrca de peças, utlzou-se ferramentas de smulação e planejamento e análse de expermentos, onde, pretende alcançar uma produção mínma dára de 120 peças, com 8 horas de trabalho. 2. Dados do Problema A nova área da fábrca a ser montada contará com cnco estações de trabalho mas a estação conjunta de recepção de matéra-prma e saída de produtos. Um conjunto de máqunas para cada estação executa uma tarefa dferente sobre as peças. A peça que sofreu determnado processo em determnada máquna só é lberada quando consegur transporte. Três tpos de peças deverão ser produzdas. A probabldade de recebmento de matéra-prma bruta para a peça do tpo 1 é 30%, do tpo 2 de 50% e do tpo 3 de 20%. As estações que cada

2 tpo de peça necessta passar para ser produzda, juntamente com os tempos de processo em cada uma das estações, encontram-se na Tabela 1. Tpo de peça Probabldade 30% 50% 20% Estação (horas) Estação (horas) Estação (horas) Recepção/Despacho Recepção/Despacho Recepção/Despacho 3 0,25 4 0,15 2 0,15 1 0,15 1 0,20 5 0,10 Sequênca 2 0,10 3 0,30 1 0,35 5 0,30 Recepção/Despacho 4 0,20 Recepção/Despacho 3 0,20 Recepção/Despacho Fonte: (dados da pesqusa, 2002) Tabela 1 Probabldade de recebmento de matéra-prma, seqüênca de estações e tempos de processo para cada tpo de peça fabrcada 3. Defnção dos Fatores O recebmento de matéra-prma para cada tpo de peça depende de fornecedor externo. Um estagáro levantou os dados da chegada de matéra-prma em uma fábrca atual, com a utlzação do aplcatvo Input Analyser do ARENA, os dados foram bem ajustados a uma dstrbução exponencal com méda 0,0609 horas (teste sgnfcatvo de Kolmogorov- Smrnov), sto levando ao recebmento de 16,42 matéra-prma por hora. O transporte entre as estações das matéras-prmas recebdas, das peças em produção e das peças termnadas será executado por emplhadera, que tem velocdade méda de 1,5 metros de segundo. A nstalação dsponível para a nova área de produção está esquematzada na Fgura 1. A B C 50 m 71 m 112 m D E F Fonte: (dados da pesqusa, 2002) Fgura 1 - Esquema de confguração da nstalação para nova área de produção O arranjo das posções (em forma de retângulo, com três posções no sentdo longtudnal e duas posções no sentdo vertcal) não pode ser alterado devdo ao tpo de nstalação dsponível. A posção central no sentdo longtudnal (E ou B) parece ser a mas ndcada para alocação da estação de recebmento/despacho (R/D). Desta forma, a alocação das outras cnco estações às outras cnco posções (A, B, C, D e F) podera ser realzada de 120 maneras dferentes. Alguns aspectos devem ser consderados para a defnção do arranjo das estações dentro da

3 nova área. A seqüênca pelas quas as peças devem ser processadas, as probabldades de ocorrênca de chegada de matéra-prma de cada tpo de peça e a dstânca calculada para a execução do transporte levaram a elaboração de duas confgurações a serem testadas para a nova área (Fgura 2). As estações aonde chegam as matéras-prmas para a fabrcação das peças são 2, 3 e 4. Estas três estações estão mas próxmas da estação de Recepção/Despacho na confguração mostrada na Fgura 2. Com este tpo de confguração, para a fabrcação de uma peça de cada tpo sera necessáro a locomoção da emplhadera por 904 metros (333 metros para o tpo 1; 200 metros para o tpo 2 e 371 metros para o tpo 3). A B C A B C R/D 3 2 R/D 3 D E F D E F a) contemplando a chegada de matéra-prma b) contemplando a saída de produtos. Fonte: (dados da pesqusa, 2002) Fgura 2 - Confgurações a serem testadas para a nova área de produção As estações 3 e 5 fcam próxmas da estação de Recepção/Despacho na confguração apresentada na Fgura 2, pos nesta confguração está se contemplando a saída dos produtos acabados. Com este esquema, a emplhadera rodara 271 metros para fabrcar a peça do tpo 1; 242 metros para o tpo 2 e 342 metros para o tpo 3, totalzando 855 metros. Defndos os arranjos das estações dentro da nstalação a serem testados, pôde-se calcular, utlzando equações para stuações estátcas, o número de emplhaderas a serem colocadas na nova área de produção. Consderando a taxa de chegada de matéra-prma,, gual a 16,42, as probabldades de ocorrênca defndas na Tabela 1, as dstâncas necessáras para cada tpo de peça em cada arranjo defndo na Fgura 2, a velocdade da emplhadera (1,5 metros por segundo = metros por hora) encontra-se o número de emplhaderas necessáras para ambos os arranjos propostos, que é 5. Para testar o nível calculado através da análse estátca, sugere-se utlzar dos níves: nível 5, recomendado pela análse estátca e nível 3 emplhaderas. Porém, através de projeto ploto, verfcou-se que com 5 emplhaderas havera folga de utlzação. No entanto, para determnar um número ncal de máqunas em cada estação, uma análse estátca da capacdade mínma do sstema deve ser realzada. Uma avalação é feta para a estação 1, utlzando-se a segunte aquação para calcular o fator de utlzaçao: U = / n. S (1) Onde, = taxa de chegada à estação ; n = número de máqunas necessáras na estação ao fator de utlzação e S = taxa de servço, por máquna, na estação. Consderando uma taxa de chegada = 16,42 (matéra-prma /hora) e que todos os tpos de peças vstam a estação 1,

4 1 será de 16,42 peças por hora. Usando a probabldade condconal, o tempo médo de servço na estação 1 será: 0.3(0.15 horas) + 0.5(0.20 horas) + 0.2(0.35 horas) = horas. Isto mplca que S 1, parâmetro que mede a taxa de servço por máquna na estação 1, será de 4.65 peças/hora. Desta forma, se resolvemos a equação para U 1 = 1, sto é, fator de uso da estação em 100%, o número de máqunas necessáro será n 1 = 3,53. Arredondou-se o resultado para 4. Os cálculos para todas as estações estão resumdas na Tabela 2. Taxa de chegada* Nº de máqunas Taxa de servço por máquna Tempo médo de Utlzação (peças/hora) necessáras (peças/hora) servço Estação U n n s horas ,42 3,53 4 4,65 0, ,21 0, ,67 0, ,42 4,35 5 3,77 0, ,49 1,32 2 8,70 0, ,21 0,90 1 9,09 0,110 Fonte: (dados da pesqusa, 2002) * Peças que passam pela estação Tabela 2 - Necessdades de máqunas em cada estação, de acordo com análses estátcas De manera geral, os níves escolhdos para serem testados foram encontrados pela análse estátca e a adção de mas duas undades. Apenas no caso do número de emplhaderas, através de smulação com os níves recomendados, verfcou-se que hava sobra de emplhaderas e estpulou-se duas undades a menos para o outro nível. Os fatores e os níves a serem avalados na análse expermental estão lstados na Tabela 3. Fatores Nº de níves Códgo Níves 1- Arranjo das estações 2 LAYOUT Chegada Saída 2- Número de emplhaderas 2 N_EMP 3 5* 3- Nº de máqunas - estação 1 2 NMaq1 4* 6 4- Nº de máqunas - estação 2 2 NMaq2 1* 3 5- Nº de máqunas - estação 3 2 NMaq3 5* 7 6- Nº de máqunas - estação 4 2 NMaq4 2* 4 7- Nº de máqunas - estação 5 2 NMaq5 1* 3 Fonte: (dados da pesqusa, 2002) * Níves recomendados pela análse estátca Tabela 3 - Fatores, códgos, número de níves e níves defndos para análse expermental dos parâmetros de desempenho da nova área de produção de peças da fábrca 4. Delneamento Expermental Os efetos de posção foram avalados através de um projeto expermental fatoral fraconado 27-2, com resolução de confundmentos IV. Realzaram-se 10 replcações de 320 horas (40 das de trabalho) para cada um dos 32 tratamentos, consderando um período de adaptação de 64 horas em cada replcação. Este período de adaptação, devdo ao sstema ser não termnal, vsa descartar o período ncal onde o sstema parte do zero, onde todas as estações e emplhaderas estão lvres, começando a analsar os dados a partr do momento em que o mesmo se encontra em pleno funconamento (FREITAS FILHO, 2001, p. 1999). O total de ensaos realzados fo 320. Duas varáves são de maor nteresse: número de peças produzdas por da e tempo médo no sstema (horas), por estarem dretamente lgadas aos objetvos do empresáro: atngr a produção meta de no mínmo 120 peças por da, com o

5 menor tempo de produção (BOX e COX, 1964). Outras varáves também foram analsadas para verfcar se não há ocosdade no sstema. Foram elas: taxa de ocupação das 5 estações de trabalho e taxa de ocupação das emplhaderas. O número de peças que fcaram nas flas do processo também fo analsado para verfcar problemas com o sstema, uma vez que mutas sobras ndcaram que o processo está desbalanceado no número de máqunas que cada estação recebeu. As Hpóteses sao as seguntes: apenas os efetos prncpas e algumas nterações de 2ª ordem serão testados, uma vez que as explcações para nterações de maor grau são dfíces na prátca. Devdo ao delneamento expermental utlzado, foram prevstos alguns confundmentos para os efetos de nterações, mesma de 2ª ordem. O modelo testado fo: y = x x x x x x x x 1 x x 1 x x 1 x x 1 x x 1 x x 1 x x 2 x x 2 x x 2 x x 2 x x 2 x x 3 x x 3 x x 3 x x 3 x x 4 x x 4 x x 4 x x 5 x x 5 x x 6 x 7 + e Méda e Fatores prncpas Interações de 2ª ordem (21) Erro aleatóro Onde, y é o valor da varável a ser estudada observada na ésma repetção, no arranjo de estações x 1 (x 1 = -1: arranjo para chegada; x 1 = +1: arranjo para saída), com o número de emplhaderas x 2 (x 2 = 3 ou 5), com o número de máqunas x 3 na estação 1 (x 3 = 4 ou 6), com o número de máqunas x 4 na estação 2 (x 4 = 1 ou 3), com o número de máqunas x 5 na estação 3 (x 5 = 5 ou 7), com o número de máqunas x 6 na estação 4 (x 6 = 2 ou 4), com o número de máqunas x 7 na estação 5 (x 7 = 1 ou 3); 0 é a méda observada da varável em estudo; 1 é o efeto do arranjo das estações; 2 é o efeto do nº de emplhaderas; 3 é o efeto do nº de máqunas na estação 1; 4 é o efeto do nº de máqunas na estação 2; 5 é o efeto do nº de máqunas na estação 3; 6 é o efeto do nº de máqunas na estação 4;VVV 7 é o efeto do nº de máqunas na estação 5; e é o erro aleatóro. Os valores de = 1 a 10. Testes de hpóteses: a) para os fatores prncpas: Hpótese nula: H 0 : j = 0 Hpótese alternatva: H 1 : j 0 (para j=1,2,3,4,5,6 e 7) b) para as nterações de 2ª ordem, embora com confundmentos: Hpótese nula: H0: jk = 0 Hpótese alternatva: H1: pelo menos um jk 0 (com j<k e para j=1,2,3,4,5,6) 5. Metodologa Aplcada Para a realzação de cada um dos 32 tratamentos, utlzou-se de smulação, com o uso do software ARENA. Devdo a versão do software ser de uso acadêmco e possbltar apenas que 150 entdades possam permanecer nas flas, fo utlzado um recurso de desvo de entdades na Estação 2 e na Estação 5. Para a elaboração do projeto expermental e das análses estatístcas fo utlzado o módulo Expermental Desgn do software Statstca. Para a verfcação da homoscedastcdade, fo

6 realzado o teste de Levene, utlzando-se o módulo ANOVA/MANOVA do software Statstca. 6. Resultados e Análses Os resultados médos encontrados para os 32 tratamentos, para as oto varáves, estão na Tabela 4. Verfcou-se que apenas 8 tratamentos (em negrto) conseguram alcançar em méda a meta de produção de 120 peças por da. Tempo gasto para produção Taxa de ocupação Taxa de ocupação das máqunas na Nº de peças produzdas das Estação 1 Estação 2 Estação 3 Estação 4 Estação 5 (undades/da (horas/peça (%) (%) (%) (%) (%) (%) Tratamento Méda Méda Méda Méda Méda Méda Méda Méda 1 89,36 6,25 0,44 0,75 1,00 0,74 0,28 0, ,18 12,57 0,39 0,66 1,00 0,50 0,22 1, ,35 8,83 0,43 0,64 0,56 0,70 0,43 1, ,80 4,16 0,57 0,93 0,57 0,60 0,77 1, ,11 6,25 0,44 0,50 1,00 0,75 0,56 0, ,48 12,92 0,39 0,44 1,00 0,50 0,45 1, ,29 8,81 0,43 0,43 0,56 0,70 0,22 1, ,41 3,59 0,57 0,62 0,57 0,59 0,38 1, ,42 12,67 0,20 0,65 1,00 0,70 0,45 1, ,33 6,03 0,22 0,74 1,00 0,53 0,56 0, ,05 3,12 0,28 0,91 0,54 0,82 0,38 0, ,11 8,68 0,22 0,63 0,54 0,49 0,21 1, ,33 12,66 0,20 0,43 1,00 0,70 0,22 1, ,76 6,02 0,22 0,50 1,00 0,53 0,28 0, ,98 2,96 0,28 0,61 0,54 0,82 0,75 0, ,05 8,68 0,22 0,42 0,54 0,49 0,43 1, ,30 11,82 0,37 0,67 1,00 0,71 0,47 1, ,93 6,20 0,42 0,76 1,00 0,54 0,57 0, ,36 4,14 0,53 0,94 0,57 0,84 0,39 1, ,93 8,71 0,41 0,65 0,56 0,50 0,22 1, ,33 12,79 0,37 0,44 1,00 0,71 0,23 1, ,65 6,17 0,42 0,51 1,00 0,54 0,29 0, ,24 3,86 0,53 0,62 0,57 0,84 0,78 1, ,78 8,71 0,41 0,43 0,56 0,50 0,44 1, ,15 6,01 0,21 0,75 1,00 0,74 0,28 0, ,02 12,54 0,19 0,66 1,00 0,50 0,23 1, ,49 8,65 0,21 0,63 0,54 0,69 0,43 1, ,56 3,31 0,26 0,93 0,55 0,59 0,77 1, ,93 6,00 0,21 0,50 1,00 0,75 0,57 0, ,10 12,53 0,19 0,44 1,00 0,50 0,46 1, ,61 8,60 0,21 0,42 0,54 0,69 0,22 1, ,52 2,89 0,26 0,62 0,55 0,59 0,39 1,00 Méda 85,72 7,72 0,33 0,62 0,78 0,64 0,42 0,91 Mínmo 59,25 2,16 0,19 0,41 0,53 0,48 0,20 0,61 Máxmo 132,78 13,09 0,58 0,96 1,00 0,86 0,80 1,00 Desvo 27,61 3,37 0,12 0,16 0,22 0,12 0,17 0,16 CV(%) 20,79 25,77 20,89 16,37 22,35 13,43 21,67 15,76 Tabela 4 - Resultados médos de 10 repetções dos 32 tratamentos, para as varáves nº de peças produzdas por da, tempo gasto na produção, taxa de ocupação das emplhaderas e máqunas nas estações (%) A correlação entre as varáves também pode ser realzada para verfcar relaconamentos. Pela alta correlação entre peças produzdas por da e nº de sobras nas flas, torna-se desnecessáro a análse desta últma. Porém, antes de ncar a análse de varânca de cada uma das varáves em estudo, realzou-se o Teste de Levene, para averguar se a hpótese de homoscedastcdade estava garantda. Apenas duas varáves apresentaram homoscedastcdade entre os tratamentos: peças por da e taxa de ocupação das máqunas na Estação 3. Desta forma, resolveu-se utlzar as médas para calcular os efetos de posção e os desvos padrões para dagnostcar os efetos de dspersão de cada um dos fatores.

7 Outra justfcatva para utlzação das médas fo, devdo aos parâmetros utlzados na smulação (apenas a taxa de entrada de peças no sstema, que fo ajustada para ser exponencal com méda 0,0609, era aleatóra), que cada repetção formou um bloco. Isto nos levara a ter que alterar o modelo estudado, com a nclusão do efeto de bloco. Para cada uma das varáves em estudo se apresentará os resultados da análse dos efetos de posção utlzando-se o gráfco de Pareto dos efetos, juntamente com os gráfcos para verfcação do modelo (prevstos versus resíduos e gráfco normal dos resíduos). Os efetos de dspersão serão avalados utlzando-se o desvo padrão ou o logartmo deste, dependendo da adequação dos modelos. 6.1 Número de peças produzdas por da Pela Fgura 3 observa-se que os fatores que nfluencam a produção dára, todos postvamente, onde, aumentando o nível aumenta a produção dára, são o nº de máqunas na estação 5, o nº de máqunas na estação 2 e a nteração entre ambos. O nº de emplhaderas tem também alguma nfluênca. (7)NMAQ5 4by 7 (4)NMAQ2 (2)N_EMP 2by 7 (1)LAYOUT 2by 5 1by 7 2by 4 1by 5 3by 7 1by 4 (3)NMAQ1 (5)NMAQ3 1by 6 4by 5 4by 6 3by 6 (6)NMAQ4 1by 3 3by 5 3by 4 1by 2 2by 6 2by 3 1,743164, , , , , , ,131445, , ,107617, , , , ,04707, ,02832, ,011523, , Varáv el: Nº de peças produzdas por da , ,13535 Estmatv a dos Ef etos (Valor Absoluto) 48, Fgura 3 - Gráfco de Pareto dos efetos de posção sobre o nº de peças produzdas por da Há uma tendênca das prevsões terem menor varabldade a medda que aumentam os valores prevstos (Fgura 4). Os resíduos do modelo apresentam uma dstrbução normal, fato observado na Fgura 5.

8 0,12 Varáv el: Nº de peças produzdas por da 0,10 0,08 0,06 0,04 Resíduos 0,02 0,00-0,02-0,04-0,06-0,08-0,10-0, Valores Prev stos Fgura 4 - Gráfco dos valores prevstos versus os resíduos do modelo para o nº de peças produzdas por da Todos os fatores, com exceção do número de máqunas na Estação 1, aumentam a varabldade da produção dára ao se aumentar os seus níves, com efetos mas pronuncados pelos fatores número de máqunas na Estação 2, arranjo das estações e número de emplhaderas (Fgura 6). Os gráfcos prevstos contra os resíduos e probabldade normal dos resíduos não apresentam problemas para o modelo de dspersão. 3,0 Varáv el: Nº de peças produzdas por da Valor Normal Esperado 2,5 2,0 1,5 1,0 0,5 0,0-0,5-1,0-1,5-2,0-2,5,99,95,85,75,65,55,45,35,25,15,05,01-3,0-0,12-0,10-0,08-0,06-0,04-0,02 0,00 0,02 0,04 0,06 0,08 0,10 0,12 Resíduos Fgura 5 - Gráfco de probabldade normal dos resíduos do modelo para nº de peças produzdas por da

9 (4)NMAQ2 4by 7 (2)N_EMP (1)LAYOUT 3by 7 (7)NMAQ5 2by 5 4by 5 2by 6 (5)NMAQ3 2by 3 (6)NMAQ4 1by 5 (3)NMAQ1 1by 2 3by 5 3by 6 3by 4 2by 7 1by 6 1by 3 1by 7 4by 6 2by 4 1by 4 Varáv el:desv o padrão das peças produzdas por da -0,05 0,00 0,05 0,10 0,15 0,20 0,25, , , , , ,049602, ,047782, , , ,035806, ,026725, ,0248, , , , ,013874, , Estmatv a dos Ef etos (Valor Absoluto), , ,05 0,00 0,05 0,10 0,15 0,20 0,25 Fgura 6- Gráfco de Pareto dos efetos de dspersão sobre o nº de peças produzdas por da 6.2 Tempo médo no sstema O tempo médo no sstema é afetado prncpalmente pelo número de máquna na Estação 5, número de máquna na Estação 2 e número de emplhaderas. Com exceção do número de máqunas na Estação 1, todos os fatores em seu nível superor, aumentam o tempo médo de fabrcação de uma peça. O modelo de posção pode ser aceto, já que os resíduos não apresentam problemas nos gráfcos prevstos e de probabldade normal. O aumento dos níves dos fatores dmnu a varabldade no tempo gasto do sstema, especalmente para os fatores número de máqunas na Estação 5, número de máqunas na Estação 2 e número de emplhaderas. O modelo de dspersão parece adequado. 6.3 Ocupação das Emplhaderas O nº de emplhaderas afeta negatvamente a taxa de ocupação das emplhaderas. Já o nº de máqunas na estação 5 e o nº de máqunas na estação 2 afetam postvamente esta taxa. O arranjo das estações, embora com pequeno efeto, também afeta negatvamente. O modelo de posção para esta varável parece estar atendendo as suposções. A taxa de ocupação das emplhaderas teve menor varação quando se usou o nível superor do número de emplhaderas, o nível nferor do número de máqunas na Estação 2 e quando se arranjou as estações pela saída. O modelo de dspersão utlzou o desvo padrão encontrado para a varável taxa de ocupação das emplhaderas pos o logartmo do desvo padrão apresentou por adequabldade. Este modelo, usando o desvo padrão, pode ser aceto, mesmo com o pequeno aumento da varação quando de prevsões maores e do pequeno desvo da normaldade dos resíduos. 7. Conclusões Pelas condções ctadas, resultados e modelos encontrados, e consderando aspectos econômcos, sugere-se a mplantação da nova área de produção. Portanto, devem-se arranjar as estações contemplando a saída, pos ocasona redução da varabldade na taxa de ocupação das máqunas nas Estações 2 e 3, e nas sobras. Sem grande efeto marcante, o arranjo pela

10 saída tende a aumentar a produção dára, dmnur o tempo de produção e aumentar a taxa de ocupação das máqunas em todas as estações; De manera em geral, a ndcação é utlzar os recursos nos níves nferores, com exceção da estação 2 e da estação 5, que devem utlzar um número maor que as recomendações estátcas e o número de emplhaderas, que deve utlzar um número menor que a recomendação estátca. Com estes recursos defndos, se espera uma produção méda dára de 128 peças, com um tempo médo de produção de 4,158 horas/peça, utlzando 53% das emplhaderas, 94% das máqunas da estação 1, 57% das máqunas da estação 2, 84% das máqunas da estação 3, 78% das máqunas da estação 4 e 99% das máqunas da estação 5, fcando em méda 164 peças nas flas das estações. Indcações de futuros estudos se fazem necessáras para tentar refnar os prncpas fatores envolvdos na fabrcação de 3 tpos de peças, utlzando 5 tpos de máqunas e emplhaderas para transporte entre as estações. O número de emplhaderas devera ser testado para verfcar se quantdades menores que o nível nferor utlzado nesta análse (3, no caso) poderam ser utlzadas sem afetar o desempenho do sstema, uma vez que apenas 53% delas estveram ocupadas, no modelo recomendado. A quantdade de máqunas nas estações 2 e 5 também sera alvo de novos estudos, ndagando se níves ntermedáros e superores aos testados poderam modfcar os resultados. A utlzação da smulação e projeto expermental para defnr um sstema anda não exstente foram mportantes para conhecê-lo anda antes de mplantá-lo. Verfcou-se claramente a mportânca do número alocado de máqunas nas estações 2 e 5 no desempenho do sstema. 8. Referêncas BOX, G.E.P. & COX, D.R. An analyss of transformatons. Journal of the Royal Statstcal Socety B. v. 25, p.: , FREITAS Fº, P.J. de. Introdução à modelagem e smulação de sstemas: com aplcações em ARENA. Floranópols: Vsual Books, p. MONTGOMERY, D. C. Desgn and analyss of experments. 4 ed. USA: John Wley & Sons, p.

Prof. Lorí Viali, Dr.

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

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

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

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na

Leia mais

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

ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL

ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.

Leia 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

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

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

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

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

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

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

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

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. Aula 8 Regressão Linear Simples Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos

Leia mais

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

8.16. Experimentos Fatoriais e o Fatorial Fracionado

8.16. Experimentos Fatoriais e o Fatorial Fracionado 8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e

Leia mais

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro

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

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

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;

Leia mais

FAAP APRESENTAÇÃO (1)

FAAP APRESENTAÇÃO (1) ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise de Variância. Comparação de duas ou mais médias Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)

Leia 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

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

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

Gabarito da Lista de Exercícios de Econometria I

Gabarito da Lista de Exercícios de Econometria I Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076

Leia mais

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

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel

MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.

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

Análise de Regressão

Análise de Regressão Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal

Leia mais

NOTA II TABELAS E GRÁFICOS

NOTA II TABELAS E GRÁFICOS Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.

Leia mais

Probabilidade e Estatística. Correlação e Regressão Linear

Probabilidade e Estatística. Correlação e Regressão Linear Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o

Leia mais

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

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

Leia mais

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

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Resumo: Qualdade é hoje uma palavra chave para as organzações. Sob o símbolo da Qualdade abrgam-se flosofas, sstemas

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

Leia mais

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

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

Leia mais

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados. INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

Leia mais

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

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

Leia mais

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

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

Leia mais

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

Realimentação negativa em ampliadores

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

Leia mais

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

Modelagem Matemática do Desenvolvimento da Soja

Modelagem Matemática do Desenvolvimento da Soja Modelagem Matemátca do Desenvolvmento da Soja Artur Gustavo Muller Embrapa Cerrados 73310-970, Planaltna, DF E-mal: agmuller@cpac.embrapa.br Jorge Luz Berto Unversdade Regonal do Noroeste do Estado do

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

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

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

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

3 Aproximador de Função para Simulador de Reservatório Petrolífero

3 Aproximador de Função para Simulador de Reservatório Petrolífero Aproxmador de Função para Smulador de Reservatóro Petrolífero 37 3 Aproxmador de Função para Smulador de Reservatóro Petrolífero 3.1. Introdução O desenvolvmento de um campo petrolífero pode ser entenddo

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

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

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

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

Avaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais

Avaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de

Leia mais

ALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER. Reinaldo Bomfim da Silveira 1 Juliana Maria Duarte Mol 1 RESUMO

ALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER. Reinaldo Bomfim da Silveira 1 Juliana Maria Duarte Mol 1 RESUMO ALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER Renaldo Bomfm da Slvera 1 Julana Mara Duarte Mol 1 RESUMO Este trabalho propõe um método para avalar a qualdade das prevsões

Leia mais

CAPITULO II - FORMULAÇAO MATEMATICA

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

Leia mais

Roteiro-Relatório da Experiência N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR

Roteiro-Relatório da Experiência N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR PROF.: Joaqum Rangel Codeço Rotero-Relatóro da Experênca N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR 1. COMPONENTES DA EQUIPE: ALUNOS 1 2 NOTA Prof.: Joaqum Rangel Codeço Data: / / : hs 2. OBJETIVOS: 2.1.

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

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia mais

Estatística stica Descritiva

Estatística stica Descritiva AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas

Leia mais

Dependência Espacial de espécies nativas em fragmentos. florestais

Dependência Espacial de espécies nativas em fragmentos. florestais Dependênca Espacal de espéces natvas em fragmentos 1 Introdução florestas 1 Mestranda em Engenhara Florestal LEMAF/DCF UFLA. e-mal: cunhadase@yahoo.com.br 2 Mestrando em Engenhara Florestal LEMAF/DCF UFLA.

Leia mais

SÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS.

SÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS. I 1. Demonstre que o crcuto da Fg. 1 é um half-adder (semsomador), em que A e B são os bts que se pretendem somar, S é o bt soma e C out é o bt de transporte (carry out). Fg. 1 2. (Taub_5.4-1) O full-adder

Leia mais

PRESSUPOSTOS DO MODELO DE REGRESSÃO

PRESSUPOSTOS DO MODELO DE REGRESSÃO PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras

Leia mais

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

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

Leia mais

Capítulo XI. Teste do Qui-quadrado. (χ 2 )

Capítulo XI. Teste do Qui-quadrado. (χ 2 ) TLF 00/ Cap. XI Teste do Capítulo XI Teste do Qu-quadrado ( ).. Aplcação do teste do a uma dstrbução de frequêncas 08.. Escolha de ntervalos para o teste do.3. Graus de lberdade e reduzdo.4. Tabela de

Leia mais

MODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO GLM

MODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO GLM UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO

Leia mais

METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO

METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento

Leia mais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais 30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.

Leia mais

Estudo e Previsão da Demanda de Energia Elétrica. Parte II

Estudo e Previsão da Demanda de Energia Elétrica. Parte II Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo

Leia mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

ANÁLISE DA VARIÂNCIA DA REGRESSÃO ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos

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

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

Leia mais

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

Capítulo 24: Potencial Elétrico

Capítulo 24: Potencial Elétrico Capítulo 24: Potencal Energa Potencal Elétrca Potencal Superfíces Equpotencas Cálculo do Potencal a Partr do Campo Potencal Produzdo por uma Carga Pontual Potencal Produzdo por um Grupo de Cargas Pontuas

Leia mais

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2013 PROTOCOLO PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 013 PROTOCOLO CT-Floresta - LPC - FOI/004 05/0/013 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO...

Leia mais

Regressão Logística Aplicada aos Casos de Sífilis Congênita no Estado do Pará

Regressão Logística Aplicada aos Casos de Sífilis Congênita no Estado do Pará Regressão Logístca Aplcada aos Casos de Sífls Congênta no Estado do Pará Crstane Nazaré Pamplona de Souza 1 Vanessa Ferrera Montero 1 Adrlayne dos Res Araújo 2 Edson Marcos Leal Soares Ramos 2 1 Introdução

Leia mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

Leia mais

37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8

37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8 Resposta da questão 1: [C] Calculando:,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 8, 8,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 5, x = 9,9 Moda = 8 8+ 8 Medana = = 8,5 + 10 + 8 + 9,4 + 8 +,4 + 7,4 Méda das outras

Leia mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno

Leia mais

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

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

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

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON 1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére 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

O USO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA PARA ADEQUAR OS PARÂMETROS DE ENTRADA DE UM ALGORITMO GENÉTICO

O USO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA PARA ADEQUAR OS PARÂMETROS DE ENTRADA DE UM ALGORITMO GENÉTICO O USO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA PARA ADEQUAR OS PARÂMETROS DE ENTRADA DE UM ALGORITMO GENÉTICO Pedro Alberto Barbetta Departamento de Informátca e de Estatístca CTC UFSC Caxa Postal 476

Leia mais

Métodos Experimentais em Ciências Mecânicas

Métodos Experimentais em Ciências Mecânicas Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.

Leia mais

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

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

Leia mais

Diferença entre a classificação do PIB per capita e a classificação do IDH

Diferença entre a classificação do PIB per capita e a classificação do IDH Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca

Leia mais

Avaliação de Económica de Projectos e Cálculo de Tarifas

Avaliação de Económica de Projectos e Cálculo de Tarifas Gestão Avançada ada de Sstemas de Abastecmento de Água Avalação de Económca de Projectos e Cálculo de Tarfas Antóno Jorge Montero 26 de Mao de 2008 Aula 5-1 COCEITO DE PROJECTO Processo específco utlzado

Leia mais

CAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples

CAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de

Leia mais

Eletromagnetismo Aplicado

Eletromagnetismo Aplicado letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros

Leia mais

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado) 5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de

Leia mais

Gestão e Teoria da Decisão

Gestão e Teoria da Decisão Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas

Leia mais

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

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

Leia mais

Análise de Regressão Linear Múltipla VII

Análise de Regressão Linear Múltipla VII Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto

Leia mais

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas

Leia mais