Aplicação de um modelo simulado na formação de fábricas

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.

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

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

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

Leia mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco

Leia mais

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

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

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

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

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

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro. Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na

Leia mais

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

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

DELINEAMENTOS EXPERIMENTAIS

DELINEAMENTOS EXPERIMENTAIS SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

Métodos Avançados em Epidemiologia

Métodos Avançados em Epidemiologia Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R

Leia 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

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

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero

Leia mais

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

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

Aula Características dos sistemas de medição

Aula Características dos sistemas de medição Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes

Leia mais

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

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia 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

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

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. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação

Leia mais

Associação entre duas variáveis quantitativas

Associação entre duas variáveis quantitativas Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

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

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

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

2 Metodologia de Medição de Riscos para Projetos

2 Metodologia de Medição de Riscos para Projetos 2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem

Leia mais

Variável discreta: X = número de divórcios por indivíduo

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

Leia mais

Estatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha

Estatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha 09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;

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

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS DE REGRESSÃO PARAMÉTRICOS MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da

Leia mais

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

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia mais

6 Modelo Proposto Introdução

6 Modelo Proposto Introdução 6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo

Leia mais

Prof. Lorí Viali, Dr.

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

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

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

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

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

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015

Leia mais

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

UNIDADE VIII ENSAIOS FATORIAIS

UNIDADE VIII ENSAIOS FATORIAIS UNIDADE VIII ENSAIOS FATORIAIS CUIABÁ, MT 015/ PROF.: RÔMULO MÔRA 1. INTRODUÇÃO Ensaos fatoras são aqueles em que se estudam smultaneamente dos ou mas fatores, cada um deles com dos ou mas níves. O fatoral

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

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

EFEITOS DE DISPERSÃO EM PROJETOS FATORIAIS: UMA SIMULAÇÃO CONFIRMATÓRIA

EFEITOS DE DISPERSÃO EM PROJETOS FATORIAIS: UMA SIMULAÇÃO CONFIRMATÓRIA ! "#$ " %'&)(*&)+,.- /10.*&4365879&4/1:.+58;.*=?5.@A*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007

Leia mais

4.1 Modelagem dos Resultados Considerando Sazonalização

4.1 Modelagem dos Resultados Considerando Sazonalização 30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,

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

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

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

ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade

Leia mais

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

6 Análises de probabilidade de ruptura de um talude

6 Análises de probabilidade de ruptura de um talude 6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura

Leia mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. IV Análise estatística de incertezas aleatórias TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda

Leia mais

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

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

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

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

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

Contagens em dispositivos de pesagens (scale counting)

Contagens em dispositivos de pesagens (scale counting) Contagens em dspostvos de pesagens (scale countng) Raquel Cymrot (Unversdade Presbterana Macenze) raquelc@macenze.com.br Lnda Lee Ho (USP) lndalee@usp.br Resumo Mutas vezes uma ndústra produz pequenas

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

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

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

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

EXERCÍCIO: VIA EXPRESSA CONTROLADA

EXERCÍCIO: VIA EXPRESSA CONTROLADA EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos

Leia 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

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

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

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas

Leia mais

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

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

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais

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

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

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

Departamento de Produção, UNESP, Campus de Guaratinguetá Av. Ariberto Pereira da Cunha, 333, Guaratinguetá, S.P. CEP A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 3, Natal-RN MONITORAMENTO DA MÉDIA E DA VARIABILIDADE DE UM PROCESSO POR MEIO DA ESTATÍSTICA DE QUI-QUADRADO NÃO- CENTRALIZADA Antôno Fernando

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas

Leia mais

(1) A uma parede totalmente catalítica quanto para uma parede com equilíbrio catalítico. No caso de uma parede com equilíbrio catalítico, tem-se:

(1) A uma parede totalmente catalítica quanto para uma parede com equilíbrio catalítico. No caso de uma parede com equilíbrio catalítico, tem-se: 1 RELATÓRIO - MODIFICAÇÃO DA CONDIÇÃO DE CONTORNO DE ENTRADA: MODELOS PARCIALMENTE CATALÍTICO E NÃO CATALÍTICO PARA ESCOAMENTOS COM TAXA FINITA DE REAÇÃO 1. Condções de contorno Em escoamentos reatvos,

Leia mais

APLICAÇÕES DE PLANEJAMENTO DE EXPERIMENTO PARA DADOS NÃO NORMAIS

APLICAÇÕES DE PLANEJAMENTO DE EXPERIMENTO PARA DADOS NÃO NORMAIS UNIVERSIDADE FEDERAL DO RIO DE JANEIRO Centro de Cêncas Matemátcas e da Natureza Insttuto de Matemátca Departamento de Métodos Estatístcos Dogo da Hora Elas APLICAÇÕES DE PLANEJAMENTO DE EXPERIMENTO PARA

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

Desenvolvimento de software de simulação Monte Carlo para auxiliar no estudo da propagação de doenças infecciosas

Desenvolvimento de software de simulação Monte Carlo para auxiliar no estudo da propagação de doenças infecciosas Desenvolvmento de software de smulação Monte Carlo para auxlar no estudo da propagação de doenças nfeccosas João Batsta dos Santos-Flho 1, Tatana Santos de Araujo Batsta 2, José Carlos Rodrgues Olvera

Leia mais

Delineamento Aleatorizado em Blocos Completos (DABC)

Delineamento Aleatorizado em Blocos Completos (DABC) Delneamento Aleatorzado em Blocos Completos (DABC) Motvação Por que planear um expermento? Como dmnur o efeto resdual? Como controlar o efeto de fontes de varação conhecdas mas que não são de nteresse

Leia mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

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

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009 Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em

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

Modelagem conjunta da média e variância utilizando GLM

Modelagem conjunta da média e variância utilizando GLM XXIV Encontro Nac. de Eng. de Produção - Floranópols, SC, Brasl, 03 a 05 de nov de 004 Modelagem conjunta da méda e varânca utlzando GLM Patríca Klaser Basol ( UFRGS ) patybasol@producao.ufrgs.br Flávo

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

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

MEDIDAS DE TENDÊNCIA CENTRAL

MEDIDAS DE TENDÊNCIA CENTRAL 3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados

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

8.2. Tipos de Ações Gerenciais em Empresas que Valorizam o Controle de Qualidade

8.2. Tipos de Ações Gerenciais em Empresas que Valorizam o Controle de Qualidade 8. USO DA ANÁLISE DE VARIÂNCIA E DA REGRESSÃO 8.1. Introdução A estatístca é a cênca que lda com a coleta, o processamento e a dsposção de dados (nformação) atuando como ferramenta fundamental nos processos

Leia mais

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

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

Leia mais

MAE 317 Planejamento e Pesquisa I Profa. Júlia Maria Pavan Soler

MAE 317 Planejamento e Pesquisa I Profa. Júlia Maria Pavan Soler MAE 317 Planeamento e Pesqusa I Profa. Júla Mara Pavan Soler pavan@me.usp.br IME/USP 1º Semestre/019 Delneamento Aleatorzado em Blocos Completos (DABC) Motvação Por que planear um expermento? Como dmnur

Leia mais

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite 5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar

Leia mais

4.1. Variáveis de Resposta

4.1. Variáveis de Resposta 4 Análse da Méda Neste Capítulo defnremos um rotero para uma nvestgação que permta a escolha do modelo mas adequado para representar o comportamento da méda de uma característca de qualdade (resposta)

Leia mais

3. Estatística descritiva bidimensional

3. Estatística descritiva bidimensional 3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão

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

Covariância na Propagação de Erros

Covariância na Propagação de Erros Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos

Leia mais