PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PASTA CELULÓSICA CICLO 2014 PROTOCOLO

Tamanho: px
Começar a partir da página:

Download "PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PASTA CELULÓSICA CICLO 2014 PROTOCOLO"

Transcrição

1 PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PASTA CELULÓSICA CICLO 014 PROTOCOLO CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda

2 SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO... 3 ENSAIOS OFERECIDOS... 4 INSCRIÇÃO NO PROGRAMA ITENS DE ENSAIO Preparação Aálse Evo dos resultados ANÁLISE ESTATÍSTICA DOS RESULTADOS Vscosdade dâmca, vscosdade tríseca, úmero Kappa, valor de reteção de água, resstêca à dreagem SR, formação de folhas Quado há meos de 5 partcpates Quado há partcpates etre 5 e Quado há 10 ou mas partcpates Determação da méda de coseso Costrução do dagrama Esao o refador PFI CONFIDENCIALIDADE APRESENTAÇÃO DOS RESULTADOS DO PROGRAMA CRONOGRAMA De atvdades De cobraça BIBLIOGRAFIA CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda

3 PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PASTA CELULÓSICA - CICLO 014 PROTOCOLO 1 INTRODUÇÃO Os laboratóros costtuem os prcpas ambetes de prátca da metrologa e espera-se deles a emssão de resultados com qualdade assegurada. Para tal, ecesstam de um sstema da qualdade que garata a emssão de resultados metrologcamete cofáves e de uma comprovação extera de sua profcêca. A partcpação em Programas Iterlaboratoras (PIs) é modo dcado a orma ISO/IEC: 1705 para a comprovação extera da profcêca de um laboratóro. Esses PIs cosstem a medção de um ou mas parâmetros, realzada de modo depedete por um grupo de laboratóros, em amostras de um materal. Sua aplcação requer um coordeador, também deomado provedor, e laboratóros partcpates. Etre as fuções do coordeador, estão: elaborar struções, ecamhar as amostras (tes de esao) para aálse e tratar os resultados obtdos pelos laboratóros partcpates. A fução prcpal do partcpate é segur as struções do coordeador. As etapas prcpas de um PI são as apresetadas a Fgura 1. Fgura 1 - Etapas prcpas de um PI. O IPT detém uma larga experêca a coordeação de PIs, datado de 1977 o prmero programa oferecdo referete a esaos em papel. CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 1/11

4 A resposável pelo gerecameto do PI para Esaos em Pasta Celulósca é a pesqusadora Mara Luza Otero D Almeda, do Laboratóro de Papel e Celulose, que jutamete com sua equpe oferece um programa que permte aos laboratóros partcpates verfcar seu desempeho em relação a um cojuto de laboratóros e detfcar a atureza de evetuas desvos de seus resultados, assm como problemas com calbração de equpametos e treameto de seus téccos. O PI para Esaos em Pasta Celulósca é aual e cosste em três rodadas para os esaos de vscosdade dâmca, vscosdade tríseca, úmero Kappa, valor de reteção de água (WRV), resstêca à dreagem, Schopper Regler e estmatva de sujera (ptas e estlhas), e de duas rodadas para os esaos de avalação da refação PFI e avalação da formação de folhas. Mas detalhes sobre o Programa, cosultar os tes a segur. PÚBLICO ALVO Este PI tem como foco pasta celulósca braqueada e ão braqueada de fbra curta, podedo partcpar dele qualquer laboratóro que execute esaos este materal, seja ele de dústra, de empresas prvadas, de assocações, de sttutos de pesqusa ou de uversdades. 3 ENSAIOS OFERECIDOS Esao Norma ISO ou TAPPI Norma Braslera Correlata Nº de Rodadas Avalação da refação PFI ISO 564-:011 ABNT NBR ISO 564-:01 Avalação do processo de formação de folhas ISO 569-1:005 ABNT NBR 569-1:006 Vscosdade dâmca TAPPI T30 om-13 ABNT NBR 7730:1998 versão corrgda: Vscosdade Itríseca ISO 5351:010 ABNT NBR ISO 5351:01 3 Número Kappa ISO 30:004 ABNT NBR ISO 30:005 3 Valor de reteção de água (WRV) ISO 3714:007 ABNT NBR ISO 3714:008 3 Resstêca à dreagem, Schopper Regler ISO 567-1:1999 ABNT NBR 14031:004 3 Estmatva de sujera (ptas e estlhas)¹ Nota 1: Coforme Maual do Programa ABNT = Assocação Braslera de Normas Téccas. ISO = Iteratoal Orgazato for Stadardzato. CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda /11

5 NBR = Norma Braslera. TAPPI = Techcal Assocato of Pulp ad Paper Idustry. 4 INSCRIÇÃO NO PROGRAMA O laboratóro teressado em partcpar deste PI deve preecher a fcha de scrção que acompaha o covte para partcpação. 5 ITENS DE ENSAIO 5.1 Preparação Para cada esao do PI, o laboratóro scrto recebe duas amostras, deomadas, respectvamete, de Amostra A e Amostra B. Estas amostras são preparadas a partr de pastas celulóscas comercas de eucalpto, obtdas pelo processo sulfato, sedo ão braqueadas (úmero Kappa) e braqueadas (todos os outros esaos oferecdos). Para cada tpo de pasta, braqueada e ão braqueada, duas amostras procedetes de fabrcates dferetes são empregadas para a cofecção dos tes de esao, resultado em um par de tes de esao para cada parâmetro oferecdo. O cojuto de amostras A e de amostras B é preparado de modo a garatr suas homogeedades, que é verfcada selecoado de modo aleatóro udades de cada cojuto e elas efetuado esaos de vscosdade e de resstêca à dreagem, o caso de pastas braqueadas, e de úmero Kappa, o caso de pastas ão braqueadas. Nos resultados obtdos, aplca-se o método estatístco de Aálse de Varâca (ANOVA). As amostras são dstrbuídas aos partcpates apeas quado a ANOVA dcar que o lote é homogêeo. O teste de establdade ão é ecessáro, porque as amostras são estáves o período que cotempla seu evo e recebmeto dos resultados (em toro de sesseta das). CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 3/11

6 5. Aálse Em cada rodada, o partcpate recebe: Um par de amostras para o esao de vscosdade dâmca, de vscosdade tríseca, valor de reteção de água (WRV), de resstêca à dreagem SR, e de úmero Kappa. O partcpate esaa estas amostras e ecamha o resultado ao IPT. Um par de amostras para o esao de avalação da refação PFI e costró para cada amostra uma curva de refação com quatro potos e, para cada poto, determa a resstêca à dreagem e forma sete folhas, que são evadas ao IPT, ode são codcoadas e os segutes parâmetros determados: gramatura, ídce de tração e ídce de rasgo. Um par de amostras para o esao de avalação do processo de formação de folhas, sedo que para cada amostra são formadas 14 folhas. Dessas, fca com sete e ecamha sete para o IPT. Tato o partcpate como o IPT realzam as folhas formadas os segutes esaos: gramatura, espessura, permeâca ao ar, opacdade, resstêca à tração, ao rasgo e ao arrebetameto. As amostras são aalsadas de acordo com oretações descrtas em um Maual de Istruções, evado pelo IPT aos partcpates a prmera rodada do PI. 5.3 Evo dos resultados Os partcpates evam os resultados obtdos ao IPT da forma como oretada o Maual de Istruções. É de resposabldade do partcpate a veracdade dos resultados dos esaos. CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 4/11

7 6 ANÁLISE ESTATÍSTICA DOS RESULTADOS 6.1 Vscosdade dâmca, vscosdade tríseca, úmero Kappa, valor de reteção de água (WRV), resstêca à dreagem, Schopper-Regler, avalação do processo de formação de folhas Quado há meos de 5 partcpates Os resultados são apresetados em forma de tabela e cometados Quado há etre 5 e 9 partcpates fórmula: ode: A ferrameta estatístca empregada é o z-score robusto. Este é calculado pela Z= ídce z; X= resultado do laboratóro; Xˆ = medaa; Z = s = tervalo terquartílco ormalzado. Na estatístca clássca, cosdera-se como Xˆ a méda e s o desvo padrão. No etato, devdo ao úmero baxo de partcpates, a méda ão deve ser cosderada como a melhor estmatva do valor verdadero. Por sso, utlza-se a medaa como valor de Xˆ, e o tervalo terquartílco ormalzado (IQN) como estmatva do desvo padrão. A partr dos resultados das amostras A e B, são calculadas a soma padrozada (S), utlzada o cálculo do z-score etre laboratóros (ZB = z-score extero), e a dfereça padrozada (D), utlzada o cálculo do z-score detro do laboratóro (ZW = z-score tero) para o par de resultados: ( x Xˆ ) ( A + B) S = e D = ( B A) / ( A B) / Se a med (A)<med (B) Caso cotráro CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 5/11

8 A soma padrozada de cada laboratóro é calculada e, a partr destes valores, calculam-se a medaa e o IQN de todas as S s, ou seja, md(s), IQN(S). A dfereça padrozada de cada laboratóro também é calculada, obtedo-se md(d) e IQN(D). A partr dos valores de S, md(s) e IQN(S), calcula-se o z-score etre laboratóros (ZB), que permte ao laboratóro verfcar a sua stuação em relação ao cojuto de laboratóros partcpates, por meo da fórmula: S md( S) ZB = IQN( S) E, a partr dos valores de D, md(d) e IQN(D), calcula-se o z-score detro do laboratóro (ZW), que permte a ele verfcar a sua stuação tera, por meo da fórmula: D md( D) ZW = IQN( D) O desempeho de cada laboratóro em relação ao cojuto de partcpates, em um dado esao, é dado pelo valor de ZB e o seu desempeho tero é dado pelo ZW. Deve-se ressaltar que o modo de terpretação dos valores de ZB e ZW dfere. Por esta técca, cada partcpate verfca se teve desempeho satsfatóro, questoável ou satsfatóro Quado há 10 ou mas partcpates Para cada esao, a partr do cojuto de dados dspoíves, são elmados os valores dscrepates e, a partr dos dados remaescetes, obtêm-se as médas de coseso, respectvamete, para as amostras A e B, a partr das quas se costró um dagrama que permte detfcar tpos de desvos cometdos pelos laboratóros. CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 6/11

9 Determação da méda de coseso Para a determação da méda de coseso, são elmados os resultados dscrepates, tato para a amostra A como para a amostra B, por meo da costrução dos gráfcos de quarts. Para costrução do gráfco de quarts, as respectvas medaas dos cojutos de resultados das amostras A e B são calculadas, e a partr destas são obtdos os tervalos terquartílcos. Os valores cujas dstâcas ao prmero ou tercero quartl são maores que uma vez o tervalo terquartílco serão cosderados dscrepates e ão serão utlzados para o cálculo da méda de coseso. Tedo: X = sequêca ordeada dos resultados da amostra cujos quarts serão calculados, ou seja A ou B. W =.p + 0,5, ode é o úmero de laboratóros e p assume os valores de 0,5 para o prmero quartl e 0,75 para o tercero quartl. t(w) como correspodete à parte tera de W. frac(w) como correspodete à parte fracoára de W. A equação dos quarts utlzada é a segute: Q p = [1- frac(w)]. X t(w) + frac(w). X t(w) Costrução do dagrama A costrução do dagrama é feta a partr do gráfco de Youde. Para cada esao, o gráfco de Youde é obtdo usado como parâmetro as médas de coseso das amostras A e B. Bascamete, esse gráfco cosste em um círculo, cujo rao é calculado a partr da varabldade total da medção, dada pelo valor do desvo padrão (s T ). CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 7/11

10 Utlzado a otação X e Y para os valores assocados a cada par de amostras A e B, respectvamete, e para o total de laboratóros, os passos do cálculo de s T são apresetados a segur. ( X Y ) ( X + Y ) + = 1 = 1 Soma de quadrados 1=. Soma de quadrados = X = 1 + Y = 1 = 1 ( X Y ) +. Soma de quadrados 3 = = 1 ( X ) + ( Y ) = 1 = 1 ( X Y ) +. T = Soma de quadrados 3 Soma de quadrados 1 1 Soma de quadrados O rao do círculo de Youde é obtdo por meo da segute expressão: RaoYoude = k em que k é uma costate de valor,448 para um grau de cofaça de 95%. O cetro do círculo de Youde é dtado pelos valores da méda de coseso. A partr do círculo de Youde, são defdas regões correspodetes a desvos aleatóros e sstemátcos, permtdo, deste modo, a costrução do dagrama. A escala do exo X correspode à faxa de resultados referetes à amostra A e a do exo Y, de forma aáloga, correspode à faxa de resultados da amostra B. O par de valores assocado a um determado laboratóro defe a sua posção o dagrama. Desta forma, cada poto localzado o dagrama é represetatvo de um laboratóro partcpate. T CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 8/11

11 No relatóro, os desvos dos laboratóros serão detfcados pela regão em que se ecotram o dagrama, regões estas que estão assocadas à ocorrêca de desvos aleatóros e/ou sstemátcos. O dagrama, por ser persoalzado, permte a cada partcpate vsualzar de medato sua stuação. 6. Avalação da refação PFI Os resultados obtdos para os ídces de tração e rasgo são colocados em gráfco em relação à resstêca à dreagem Schopper-Regler e os valores dessas propredades para 38 SR terpolado, usado a equação correspodete a cada gráfco. 7 CONFIDENCIALIDADE É garatdo sglo absoluto ao partcpate, que é detfcado por um códgo de cohecmeto apeas dele e do IPT. Nos documetos emtdos pelo IPT, ão costarão os omes dos laboratóros, mas apeas seus respectvos códgos. 8 APRESENTAÇÃO DOS RESULTADOS DO PROGRAMA Ao fal de cada rodada, o partcpate receberá um relatóro persoalzado, ode poderá vsualzar seu poscoameto em relação ao cojuto de laboratóros partcpates. O relatóro trará os cometáros ecessáros para um melhor etedmeto dos resultados obtdos. Ao fal de todas as rodadas do PI, o partcpate receberá um documeto que resume seu desempeho o PI. CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 9/11

12 9 CRONOGRAMA 9.1 De atvdade PRIMEIRA RODADA Evo das amostras ETAPA MARÇO ABRIL MAIO Realzação dos esaos pelo partcpate e evo dos resultados ao IPT Elaboração do Relatóro da rodada pelo IPT e evo aos partcpates SEGUNDA RODADA Evo das amostras ETAPA JUNHO JULHO AGOSTO Realzação dos esaos pelo partcpate e evo dos resultados ao IPT Elaboração do Relatóro da rodada pelo IPT e evo aos partcpates TERCEIRA RODADA Evo das amostras ETAPA SETEMBRO OUTUBRO NOVEMBRO Realzação dos esaos pelo partcpate e evo dos resultados ao IPT Elaboração do Relatóro da rodada pelo IPT e evo aos partcpates Evo do resumo de desempeho e da declaração de partcpação 9. De cobraça Cobraça Meses Mar Abr Ma Ju Jul Ago Set Out Nov Prmera parcela ou parcela úca Seguda parcela Tercera parcela Nota: A cobraça será efetuada por meo de boleto bacáro. CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 10/11

13 10 BIBLIOGRAFIA 1) ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR ISO/IEC 1705:005: Requstos geras para competêca de laboratóros de esao e calbração. Ro de Jaero: ABNT, 005. ) ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR ISO/IEC 17043: Avalação de coformdade: Requstos geras para esaos de profcêca. Ro de Jaero: ABNT, ) EURACHEM. Selecto, use ad terpretato of profcecy testg (PT) schemes by laboratores Eurachem profcecy testg group. Uted Kgdom, Eurachem, 000. Ed 01. 4) INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO 1358:005: Statstcal methods for use profcecy testg by terlaboratory comparsos. Geeva, Suíça: ISO, 005. CT-Floresta - LPC - FOI/006 11/10/013 Aprovado: Mara Luza Otero D'Almeda 11/11

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2015 PROTOCOLO

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2015 PROTOCOLO PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 05 PROTOCOLO CT-Floresta - LPC - FOI/004 6//04 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO INTRODUÇÃO... PÚBLICO ALVO... 3 ENSAIOS

Leia mais

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2018 PROTOCOLO

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 2018 PROTOCOLO PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM CHAPAS DE PAPELÃO ONDULADO CICLO 08 PROTOCOLO CT-Floresta - LPC - FOI/004 09/0/07 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO INTRODUÇÃO... PÚBLICO ALVO... 3

Leia mais

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 2015 PROTOCOLO

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 2015 PROTOCOLO PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 05 PROTOCOLO CT-Floresta - LPC - FOI/005 6//04 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO INTRODUÇÃO... PÚBLICO ALVO... 3 ENSAIOS OFERECIDOS...

Leia mais

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 2016 PROTOCOLO

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 2016 PROTOCOLO PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 06 PROTOCOLO CT-Floresta - LPC - FOI/005 6/0/05 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO INTRODUÇÃO... PÚBLICO ALVO... 3 ENSAIOS OFERECIDOS...

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

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 7/11/01 Aprovado: Mara Luza Otero D'Almeda / SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO...

Leia mais

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 2013 PROTOCOLO

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 2013 PROTOCOLO PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 013 PROTOCOLO CT-Floresta - LPC - FOI/005 7/1/01 Aprovado: Mara Luza Otero D'Almeda SUMÁRIO 1 INTRODUÇÃO... 1 PÚBLICO ALVO... 3 ENSAIOS OFERECIDOS...

Leia mais

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 2011 PROTOCOLO

PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 2011 PROTOCOLO PROGRAMA INTERLABORATORIAL PARA ENSAIOS EM PAPEL CICLO 2011 PROTOCOLO CT-Floresta - LPC - FOI/0005 15/02/2011 Aprovado: Maria Luiza Otero D'Almeida 1/13 SUMÁRIO 1 INTRODUÇÃO... 1 2 PÚBLICO ALVO... 2 3

Leia mais

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

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

Leia mais

Cap. 5. Testes de Hipóteses

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

Leia mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

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

Leia mais

Confiabilidade Estrutural

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

Leia mais

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

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

Leia mais

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

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

Leia mais

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

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

Leia mais

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

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

Leia mais

Avaliação da qualidade do ajuste

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

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

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

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

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

Leia mais

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

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

Leia mais

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

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

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

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

Leia mais

Distribuições de Probabilidades

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

Leia mais

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

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

Leia mais

CONHECIMENTOS ESPECÍFICOS

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

Leia mais

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

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

Leia mais

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

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

Leia mais

? Isso é, d i= ( x i. . Percebeu que

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

Leia mais

Construção e Análise de Gráficos

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

Leia mais

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia

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

Leia mais

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

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

Leia mais

Relatório 2ª Atividade Formativa UC ECS

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

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

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

Leia mais

8 Programação linear 78

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

Leia mais

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

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

Leia mais

MÉTODO DOS MÍNIMOS QUADRADOS

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

Leia mais

50 Logo, Número de erros de impressão

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

Leia mais

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

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

Leia mais

5 Critérios para Análise dos Resultados

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

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

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

Leia mais

2.0 - MODELAGEM DA CARGA

2.0 - MODELAGEM DA CARGA GAT-23 2 a 26 de ubro de 2 Campas - São Paulo - Brasl G R U P O I V GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT RESERVA DE POTÊNCIA OPERATIVA - UMA METODOLOGIA DE TRANSIÇÃO A. A.

Leia mais

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

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

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

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

Leia mais

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão

Projeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

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

Leia mais

3 Procedimento Experimental

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

Leia mais

Noções Básicas de Medidas e Algarismos Significativos

Noções Básicas de Medidas e Algarismos Significativos Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos

Leia mais

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

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

Leia mais

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

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

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

Leia mais

9 Medidas Descritivas

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

Leia mais

7 Análise de covariância (ANCOVA)

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

Leia mais

Revisão de Estatística X = X n

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

Leia mais

Complexidade Computacional da Determinação da Correspondência entre Imagens

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

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -

Leia mais

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

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma: Professora Jaete Perera Amador 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

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

Leia mais

Parte 3 - Regressão linear simples

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

Leia mais

Prof. Janete Pereira Amador 1

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

Leia mais

RACIOCÍNIO LÓGICO / ESTATÍSTICA LISTA 2 RESUMO TEÓRICO

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

Leia mais

3 Análises Probabilísticas de Estabilidade

3 Análises Probabilísticas de Estabilidade 3 Aálses Probablístcas de Establdade 3.1 Itrodução Para facltar o etedmeto das metodologas de aálse de cofabldade serão apresetados este capítulo algus cocetos báscos de probabldade e estatístca. 3. Cocetos

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

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

Leia mais

Ivan G. Peyré Tartaruga. 1 Metodologia espacial

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

Leia mais

Regressão. Pedro Paulo Balestrassi

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

Leia mais

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

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

Leia mais

Estatística Básica - Continuação

Estatística Básica - Continuação Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas

Leia mais

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

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

Leia mais

Total Bom Ruim Masculino

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

Leia mais

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

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

Leia mais

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

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

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor

Leia mais

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

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

Leia mais

Econometria: 4 - Regressão Múltipla em Notação Matricial

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

Leia mais

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

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

Leia mais

(c) Para essa nova condição de operação, esboce o gráfico da variação da corrente no tempo.

(c) Para essa nova condição de operação, esboce o gráfico da variação da corrente no tempo. CONVERSÃO ELETROMECÂNICA DE ENERGIA Lsta de exercícos sobre crcutos magétcos Questão A fgura 1(a mostra um acoador projetado para produzr força magétca. O mesmo possu um úcleo em forma de um C e uma armadura

Leia mais

Difusão entre Dois Compartimentos

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

Leia mais

Modelos de regressão linear: abordagem clássica

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

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

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

Leia mais

A forma geral de um modelo de regressão linear para uma amostra de tamanho n e p variáveis é apresentada a seguir.

A forma geral de um modelo de regressão linear para uma amostra de tamanho n e p variáveis é apresentada a seguir. 2 Regressão O termo regressão fo proposto pela prmera vez por Sr Fracs Galto (885) um estudo ode demostrou que a altura dos flhos ão tede a refletr a altura dos pas, mas tede sm a regredr para a méda da

Leia mais

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

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

Leia mais

3 Fundamentação Teórica

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

Leia mais

ESTIMATIVA DA INCERTEZA DE MEDIÇÃO DE MÉTODOS ANALÍTICOS

ESTIMATIVA DA INCERTEZA DE MEDIÇÃO DE MÉTODOS ANALÍTICOS 1/15 1. CAMPO DE APLICAÇÃO 1.1. Este procedmeto se aplca aos laboratóros de cotrole de qualdade.. OBJETIVO.1. Defr a capacdade de medção para cada método aalítco.. DOCUMENTOS COMPLEMENTARES.1. Valdação

Leia mais

MEDIDAS DE DISPERSÃO:

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

Leia mais

Estatística. 2 - Estatística Descritiva

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

Leia mais

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático

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

Leia mais

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado

Leia mais

CAPÍTULO 5: AMOSTRAGEM

CAPÍTULO 5: AMOSTRAGEM CAPÍTULO 5: AMOSTRAGEM 5. Itrodução A estatístca dutva busca trar coclusões probablístcas ou fazer ferêcas, sobre populações, com base em resultados verfcados em amostras retradas dessas populações. Além

Leia mais

Análise de Regressão

Análise de Regressão Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,

Leia mais

Medidas de Localização

Medidas de Localização 07/08/013 Udade : Estatístca Descrtva Meddas de Localzação João Garbald Almeda Vaa Cojuto de dados utlzação de alguma medda de represetação resumo dos dados. E: Um cojuto com 400 observações como aalsar

Leia mais

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

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

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

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

Leia mais

3 Teoria de Microestrutura de Mercado

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

Leia mais

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

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

Leia mais

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0 EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()

Leia mais

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

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

Leia mais