Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Tamanho: px
Começar a partir da página:

Download "Controle Estatístico de Qualidade. Capítulo 6 (montgomery)"

Transcrição

1 Cotrole Estatístco de Qualdade Capítulo 6 (motgomery)

2 Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem specoado como coforme ou ão-coforme Tas característcas são chamadas de atrbutos. Exemplos: Haste empeada, Chps que ão fucoam, Embalages com defetos. Os gráfcos de atrbutos ão são tão formatvos quato o de varáves. Uma medda umérca retém mas formação do que uma classfcação: coforme ou ão-coforme

3 Gráfcos de Cotrole para Atrbutos Itrodução Por outro lado, esses gráfcos tem aplcações mportates: Na dústra de servços ou a melhora da qualdade fora da dústra mutas característcas ão são mesuradas em escala umérca. Por exemplo: Satsfação com um servço. Iremos estudas 3 gráfcos para atrbutos Gráfco p: aalsa a fração de tes ão-coformes Gráfco c: aalsa o úmero de defetos ou ão-coformes Gráfco u: aalsa o úmero de defetos por udade produzda

4 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Itrodução Fração ão coforme: defda como a razão etre o úmero de tes ão-coformes em uma população e o total de tes aquela população; Um tem pode ter váras característcas da qualdade que são examadas. Se ao meos uma ão satsfaz o padrão, ele é classfcado como ãocoforme; Os prcípos estatístcos para costrução do Gráfco p se baseam a dstrbução Bomal.

5 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Suposções p probabldade de que uma udade (tem) ão esteja detro dos padrões de especfcação As sucessvas udades produzdas são depedetes Logo, cada udade produzda segue uma dstrbução de Beroull (p) Se uma amostra aleatóra de udades é selecoada e se D é o úmero de udades ão coformes, etão D ~ Bomal (, p)

6 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Logo ode E(D) p e Var(D) p(1-p)., 0,1,, ) (1 ) ( x p p x x D P x x K

7 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Suposções Fração amostral ão-coforme: razão etre o úmero de udades ão-coformes a amostra (D) e o tamaho da amostra () D p ˆ Da aproxmação da Bomal para Normal, temos que p(1 p) pˆ ~ Normal p,

8 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Desevolvmeto e Operação Supoha que a verdadera fração ão-coforme (p) é cohecda ou especfcada. Logo, a lha cetral e os lmtes de cotrole do Gráfco p são defdos por p(1 p) LSC p + 3 LM p p(1 p) LIC p 3 O desvo padrão do processo é dado por p( 1 p) σ p

9 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Desevolvmeto e Operação No etato, ormalmete a fração ão-coforme (p) ão é cohecda e precsa ser estmada a partr dos dados observados. A operação deste gráfco cosste em: Tomada de amostras subsequetes de tamaho ; Calculo da fração amostral ão coforme ; pˆ Marcação de o gráfco; Verfcar se o processo se ecotra sob cotrole (dêtco ao gráfco para varáves). pˆ

10 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Estmado a fração ão coforme (p) Seleção de m amostras prelmares (20 a 25), cada uma de tamaho.. Se há D udades ão coformes a amostra, calculamos a fração ão coforme a -ésma amostra como, 1, K, m. e a méda dessas frações como p pˆ m D m. D m 1 1 m pˆ

11 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Estmado a fração ão coforme (p) p A estatístca estma a fração ão coforme descohecda p p(1 p) LSC p + 3 LM p p(1 p) LIC p 3 Lembre que esses lmtes são, calmete, os lmtes tetatvos de cotrole e devem ser valdados (dêtco ao gráfco para varáves).

12 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 1: Escolher tal que a probabldade de ecotrar ao meos 1 udade defetuosa seja pelo meos γ P(D 1) γ Exemplo: supoha p 0,01 e que P(D 1) 0,95. Usado a aproxmação da Posso para Bomal (λp), ou seja, D agora será P( D k) e λ k λ k!

13 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Temos que λ P( D 1) 1 P( D 0) 1 e 0,95 λ λ 1 e 0,95 0,05 e λ l( 0,05) λ 2,99 l(0,05) λ Lembrado que pela aproxmação da Posso para Bomal, λp, etão 3 p λ 0, ,00

14 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 2 (Duca 1986): Escolher de modo que uma mudaça de tamaho δ a fração ão coforme dque que o processo está fora de cotrole. Logo, basta escolher de modo que a mudaça δ a fração ão coforme cocda com o lmte de cotrole Assm, δ L L δ p( 1 2 p(1 p) p)

15 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 2 (Duca 1986) Exemplo: p 0,01 L 3 δ 0,04 (mudaça de p 0 0,01 p 1 0,05) 2 L p(1 p) δ 3 0,04 2 0,01(1 0,01) 56

16 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 3: Escolher grade o bastate para que LIC seja postvo (maor que zero) Isso garate que remos vestgar um úmero mímo de tes ão coformes LIC p L p(1 p) > 0 Logo > (1 p) p L 2

17 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 3 Exemplo: p 0,05 L 3 ( 1 p) 2 (1 0,05) 2 > L (3) p 0,05 171

18 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Cosderações O Gráfco p ão é um modelo uversal para motorar dados sobre fração de ão coformes; Lembre-se que o Gráfco p basea-se o modelo Bomal Probabldade de ocorrêca de uma udade ão coforme é costate As udades de produção sucessvas são depedetes O Gráfco p ão é váldo quado, por exemplo, Probabldade de uma udade ão coforme depede da udade ateror ter sdo ão coforme (ou ão)

19 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Cosderações Deve-se ter cautela ao aalsar potos que se localzam abaxo do lmte feror de cotrole. Tas potos podem ão represetar melhora real a qualdade do processo. Segudo Motgomery, sso pode ocorrer devdo Erros o processo de speção Ispetores adequadamete treados ou experetes Equpametos de speção adequadamete calbrados Omssão de udades ão coformes por spetores

20 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Exemplo Suco de Laraja é embalado em caxas de papelão. O vazameto do suco devdo a uma falha de vedação a caxa caracterza-se como uma característca da qualdade. Deseja-se estabelecer um gráfco de cotrole para melhorar a fração de embalages ão-coforme produzdas por uma máqua. Cosdere que foram selecoadas 30 amostras, com 50 embalages cada.

21

22 Gráfcos de Cotrole para Fração de Não Coformes (Gráfco p) Exemplo p m D 347 (30)(50) 1 m 0,2313 p(1 LSC p + 3 LM p 0,2313 p) 0, ,2313(1 0,2313) 50 0,4102 LIC p 3 p(1 p) 0, ,2313(1 0,2313) 50 0,0524

23 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) 0.5 P Chart 1 Novo Materal 1 Novo Operador 0.4 UCL Proporto _ P LCL Sample Revsão dos Lmtes Tetatvos Retrado os Potos Fora de Cotrole

24 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) P Chart Novo Materal 1 1 Novo Operador UCL Proporto _ P LCL Sample Na amostra 21 ão fo detfcada causa atrbuível. Assm, o poto será coservado e esses lmtes serão usados para motorar o processo.

25 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Tamaho de Amostra Varável Exstem três abordages para costrução de um gráfco de cotrole com tamaho de amostra varável. Abordagem 1 Essa abordagem leva um cosderação o tamaho da amostra em cada subgrupo ( ). p(1 p) m LSC p + 3 p 1 m 1 D LM LIC p p 3 p(1 p)

26 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Tamaho de Amostra Varável Abordagem 2 Tamaho Médo de Amostra Essa abordagem leva um cosderação o tamaho médo das amostras Pode ser teressate caso os futuros tamahos de amostras ão sejam muto dferetes m 1 m LSC p + 3 LIC p 3 p(1 p) p(1 p)

27 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Tamaho de Amostra Varável Abordagem 3 Gráfco de Cotrole Padrozado Neste gráfco, teremos LSC 3 LM 0 LIC -3 A varável plotada o gráfco será p Z pˆ p(1 p) p (ou p, caso seja dado um valor padrão) é a fração ãocoforme do processo sob cotrole.

28 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Tamaho de Amostra Varável Exemplo Abordagem 1

29 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Exemplo Abordagem 1 p m m 1 D 0,096 LSC p + 3 LM LIC p(1 p) p 0,096 p(1 p) p 3 0, , ,096(0,904) 0,096(0,904)

30 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) P Chart SL Proporto 0.1 P SL Sample Number Amostra 11 ecotra-se acma do LSC Revsar os Lmtes Tetatvos

31 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Exemplo Abordagem 3 Z Z pˆ p(1 p) pˆ p 0,096 0,096(0,904)

32 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) 4 Gráfco de Cotrole Padrozado 3 2 Escore Z Subgrupo Amostra 11 ecotra-se acma do LSC

33 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Cosderações Aplcações ão-dustras O gráfco p pode ser aplcado em váras característcas da qualdade em ambetes ão dustras Ex: Número de etregas fetas fora do prazo.

34 Gráfcos de Cotrole para Fração de Não Coformes (Gráfco p) Fução Característca de Operação Será uma vsualzação gráfca da probabldade de erro tpo II versus a fração ão coforme do processo. A probabldade de erro tpo II é dada por β β β P( LIC < pˆ < LSC p) P( pˆ < LSC p) P( pˆ LIC p) P( D < LSC p) P( D LIC p) Como D ~ Bomal (,p), β pode ser calculado a partr da dstrbução bomal acumulada.

35 Gráfcos de Cotrole para Fração de Não Coformes (Gráfco p) Fução Característca de Operação Exemplo Cosdere um gráfco de cotrole para fração ão coforme com LIC , LSC , p 0.20 e 50 β P( D < (50)(0.3697) p) P( D (50)(0.0303) p) β P( D < p) P( D 1.52 p) β P( D 18 p) P( D 1 p)

36 Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Fução Característca de Operação p P(D<18) P(D<1) Beta

37 Curva CO (p_barra0.2; LIC e LSC0.3697) Beta p

38 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Itrodução Depededo de sua atureza e gravdade, é possível que um tem coteha város defetos de fabrcação (ão coformdades) Há váras stuações prátcas ode é preferível trabalhar com o úmero de defetos ao vés da fração ão coforme Exemplo: º de soldas com defetos em 100m de oleoduto, º de defetos em um equpameto eletrôco, etc.

39 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Itrodução É possível costrur gráfcos de cotrole tato para o úmero total de defetos em uma udade, quato para o úmero médo de defetos por udade. Uma udade de speção pode ser um subgrupo (de tamaho costate) de tes 5 rádos 1 TV Uma área de 4m 2

40 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Suposções Esses gráfcos supõem que o úmero de defetos por udade de speção é bem modelado pela dstrbução de Posso Além dsso, O úmero de locas potecas para defetos deve ser grade Probabldade de ocorrêca de um defeto em qualquer local é a mesma (costate) A udade de speção deve ser a mesma para cada amostra

41 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Suposções Cosdere que X úmero de defetos em uma udade de speção, segue a dstrbução Posso com parâmetro c c x e c P( X x), x 0,1,2,K x! Sabe-se que, E(X) c e Var(X) c

42 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Desevolvmeto e Operação Supoha cohecdo ou especfcado o verdadero úmero de defetos. Logo, a lha cetral e os lmtes (*) de cotrole do Gráfco c são defdos por LSC c + 3 LM c LIC c 3 c c (*) O rsco α ão é gualmete alocado para LIC/LSC já que a dstrbução de Posso é assmétrca. Algus autores sugerem o uso de lmtes probablístcos.

43 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Desevolvmeto e Operação O desvo padrão do processo é dado por σ c c Etretato, ormalmete o verdadero úmero de defetos (c) ão é cohecdo e precsa ser estmado. Seja c o úmero médo de defetos observado em uma amostra prelmar de udades de speção, temos que LSC c + 3 LM LIC c c 3 c c

44 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Desevolvmeto e Operação Tas lmtes são cosderados como lmtes tetatvos de cotrole. Deve-se examar as amostras prelmares para verfcar se o processo estava sob cotrole, ou seja, valdar os lmtes tetatvos.

45 Gráfco c Exemplo Cosdere o úmero de defetos observados em 26 amostras sucessvas de 100 placas de crcuto mpresso. (1 amostra 1 udade de speção) c ,85

46 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Exemplo Assm, os lmtes de cotroles tetatvos são dados por LSC c + 3 c 19, ,85 33,22 LM LIC O desvo padrão do processo pode ser estmado por ˆ c 19,85 σ c c 19,85 c 3 c 19, ,85 4,46 6,48

47 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) 40 C Chart 1 Cotrole de Temperatura 30 UCL33.22 Sample Cout 20 _ C LCL Erro de speção Sample Amostra 6 e 20 ecotram-se fora dos lmtes de cotrole Revsar os Lmtes Tetatvos

48 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) C Chart (wthout samples 6 ad 20) UCL32.97 Sample Cout t _ C Sample LCL6.36 Novos Lmtes Tetatvos Nehum padrão ão aleatóro fo detfcado

49 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) C Chart (20 ew samples) UCL32.97 Sample Cout t _ C Sample LCL6.36 Processo cotua sob cotrole. No etato, o úmero de defetos ada é alto. Necessára ação da gerêca para melhorar o processo.

50 Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Aálse Adcoal Dados sobre defetos são mas formatvos que a fração ão coforme. É possível detfcar os dferetes tpos de defetos. Através de um Gráfco de Pareto ou Dagrama de Causa-Efeto pode-se detfcar a causa mas frequete. Tal formação é de grade utldade o desevolvmeto de plaos de ação que devem acompahar os gráfcos de cotrole

51 Gráfco u Itrodução Frequetemete o úmero de udades que compõem os subgrupos é varável. Nesses casos estamos teressados em cotrolar a taxa de defetos por udade e, o gráfco a ser utlzado será o Gráfco u.

52 Gráfco u Redefr o gráfco de cotrole, tomado como base o úmero médo de defetos por udade de speção Redefdo x total de defetos em uma amostra de udades de speção Etão, o úmero médo de defetos por udade de speção será u x

53 Gráfco u Note que u segue a dstrbução Posso. X ~ Posso (c), ode E(X) c e Var(X) c. X ~ Posso (c), ode E(X) c e Var(X) c. Seja u E c c x Var u Var c x E u E x u ) ( 1 ) ( ) ( ) ( ) ( 2 2

54 Gráfco u O desvo padrão do processo é dado por σ u E ( u ) No etato, ormalmete o verdadero úmero médo de defetos por udade E(u) ão é cohecdo e precsa ser estmado. Seja u o úmero médo amostral de defetos por udade, temos que u LSC u + 3 LM u LIC u 3 u

55 Gráfco u Exemplo u Número de defetos em 20 amostras de 5 computadores cada Temos que m 38, m u 1,93 Número da Tamaho da Não Cof. Amostra Amostra () por udade u , , , , , , , , , , , , , , , , , , , ,0

56 Gráfco u Exemplo Assm, os lmtes de cotroles tetatvos são dados por u LSC u + 3 LM u 1,93 u 1,93 ˆ 5 σ u 1, ,93 5 u 1,93 LIC u + 3 1,93 3 0,07 5 O desvo padrão do processo pode ser estmado por 0,62 3,79

57 Gráfco u 4 U Chart UCL3,794 Sample Cout Pe er Ut _ U1,93 0 LCL0, Sample Nehum poto fora dos lmtes de cotrole Nehum padrão ão aleatóro fo detfcado

58 Tamaho de Amostra Varável O procedmeto é usar um gráfco u que terá lha cetral costate, etretato, os lmtes de cotrole rão varar versamete proporcoal a raz quadrada do tamaho da amostra u u m x 1 m 1 x LSC u LM LIC u u u u

59 Gráfco u Amostra varável Exemplo u Número de defetos a cada 50 metros m ,5 1 m x Número da Metros Não Cof. Nº udades Amostra por udade p/ 50m () u ,0 1, ,0 1, ,0 1, ,0 1, ,5 0, ,0 1, ,0 1, ,5 1, ,0 1, ,5 1, ,5 1,42

60 Gráfco u Amostra varável Exemplo Assm, os lmtes de cotroles tetatvos são dados por LSC u LM u + 3 1,42 u 1, ,42 LIC u + 3 u 1,42 3 1,42

61 Gráfco u Amostra Varável 3,0 U Chart (uequal sample szes) 2,5 UCL2,436 Sample Cout Pe er Ut 2,0 1,5 1,0 _ U1,423 0,5 LCL0,411 0, Sample Nehum poto fora dos lmtes de cotrole Nehum padrão ão aleatóro fo detfcado

62 Gráfco c e Gráfco u Fução Característca de Operação Tato para o Gráfco c quato para o Gráfco u, as curvas característcas de operação (CO) são obtdas da dstrbução de Posso. CO: Gráfco c Probabldade β vs verdadero úmero médo de defetos c β P( LIC β P( x ode X ~ Posso (c) < x < LSC c) < LSC c) P( x LIC c)

63 Gráfco c e Gráfco u Fução Característca de Operação Exemplo Cosdere o gráfco c com LIC 6,48 e LSC 33,22 β P( x < 33,22 c) P( x 6,48 c) β P( x 33 c) P( x 6 c) Lembrado que esses lmtes de cotrole foram obtdos de um exemplo ode c 19,85

64 Gráfco c e Gráfco u Fução Característca de Operação c P(X<33) P(X<6) Beta

65 Curva CO - Gráfco c (LIC6.48 e LSC33.22) 1,0 0,9 0,8 0,7 0,6 Beta 0,5 0,4 0,3 0,2 0,1 0,0 c ,85 c

66 Gráfco c e Gráfco u Fução Característca de Operação CO: Gráfco u Para o gráfco u podemos gerar uma curva CO a partr de β β P( LIC < x < LSC u) P( LIC < x LSC u) [ LSC ] x LIC e u ( u) x! x ode X ~ Posso (u), dado que ux/, e LIC deota o meor tero maor ou gual que LIC.

67 Exercíco Um processo que produz aros de roda de ttâo para automóves com motores turbados deve ser cotrolado pelo uso do gráfco para a fração ão coforme. Icalmete, uma amostra de tamaho 150 é retrada a cada da, durate 20 das. a) Estabeleça um gráfco de cotrole para motorar a produção futura. b) Qual o meor tamaho de amostra que pode ser usado para esse processo e ada forecer um lmte feror de cotrole postvo para o gráfco? c) Trace a curva CO para esse gráfco de cotrole. d) Qual a probabldade a probabldade de se detectar uma mudaça a fração ão coforme para 0,03, a tercera amostra após a mudaça?

68

69 Exercíco Os dados a segur represetam o úmero de ão coformdades por 1000 metros em cabos de telefoe. a) Quas são a lha cetral e os lmtes de cotrole para motorar a produção com base o úmero total de ão coformdades? Pela aálse desses dados, você coclura que o processo está sob cotrole estatístco? b) Quas são a lha cetral e os lmtes de cotrole para um gráfco de cotrole para a méda de ão coformdades por udade, usado para motorar a produção futura? c) Trace a curva da fução característca de operação (CO) para o úmero total de ão coformdades (Gráfco c).

70 Exercíco

71 Exercíco Um gráfco de cotrole dca que a fração correte de ão coformes do processo é 0,02. Se 50 tes são specoados a cada da, qual é a probabldade de se detectar uma mudaça a fração ão coforme para 0,04, o prmero da após a mudaça? E o tercero da após a mudaça?

72 Exercíco Ecotre os lmtes de probabldade de 0,999 e 0,001 para um gráfco c quado a méda do processo é gual a 16 ão coformdades. Compare com os lmtes utlzado a dstrbução ormal.

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

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

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

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

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

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

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

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

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

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

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

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

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

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se

Leia mais

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

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

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

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

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

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação

Leia mais

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

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

Leia mais

Prof. Janete Pereira Amador 1

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

Leia mais

Capítulo 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

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

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

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

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

Estimação pontual, estimação intervalar e tamanho de amostras

Estimação pontual, estimação intervalar e tamanho de amostras Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos iterativos. Capítulo O Método de Jacobi Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método

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

? 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

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

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

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

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

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

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

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling NOTAS DE AULA DA DISCIPLINA CE76 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ µ H : µ µ Nível de sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:

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

CEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias

CEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias CEDEPLAR - UFMG Nvelameto em Estatístca 3 Prof a Suel Moro Varáves aleatóras Varável aleatóra resultado ou produto de um epermeto aleatóro com um resultado úco. Varável resultado = Espaço amostral cojuto

Leia mais

Organização; Resumo; Apresentação.

Organização; Resumo; Apresentação. Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado

Leia mais

Tópicos Extras 2ª parte. Análise de Correlação e Regressão

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

Leia mais

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

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

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

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%

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

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

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional. Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem

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

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

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20 . MEDIDAS DE TENDÊNCIA CENTRAL (OU DE POSIÇÃO) Coceto: São aquelas que mostram o alor em toro do qual se agrupam as obserações.. MÉDIA ARITMÉTICA ( ) Sea (x, x,..., x ), uma amostra de dados: Se os dados

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

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

NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA

NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA IND 5 Iferêca Estatístca Semestre 007.0 Teste 4 //007 Nome: NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA : O FORMULÁRIO ESTÁ NO FINAL DA PROVA PROBLEMA (5 potos) Em cada questão

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

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

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida . MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +

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

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL 3 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL Como vto em amotragem o prmero bmetre, etem fatore que fazem com que a obervação de toda uma população em uma pequa eja mpratcável, muta veze em vrtude

Leia mais

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens Dados xpermetas Para medr a produção de certa varedade de mlho, faremos um expermeto o qual a varedade de mlho semete é platada em váras parcelas homogêeas com o mesmo fertlzate, pestcda etc. Depos mede-se

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

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

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

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

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Medidas Numéricas Descritivas:

Medidas Numéricas Descritivas: Meddas Numércas Descrtvas: Meddas de dspersão Meddas de Varação Varação Ampltude Ampltude Iterquartl Varâca Desvo absoluto Coefcete de Varação Desvo Padrão Ampltude Medda de varação mas smples Dfereça

Leia mais

Estabilidade no Domínio da Freqüência

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

Leia mais

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

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

Leia mais

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

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DE ESTATÍSTICA PARA CURSOS DE ENGENHARIA

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DE ESTATÍSTICA PARA CURSOS DE ENGENHARIA UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DE ESTATÍSTICA PARA CURSOS DE ENGENHARIA SONIA ISOLDI MARTY GAMA MÜLLER 008 APRESENTAÇÃO A Estatístca é uma ferrameta

Leia mais

TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL

TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL As hpóteses a serem testadas serão: H 0 : p p 0 H : p p 0 p > p 0 p < p 0 Estatístca do Teste: pˆ p0 z c p ( p ) 0 0 EXEMPLOS. Uma máqua está regulada

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

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

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

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

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero

Leia mais

Caracterização de Partículas. Prof. Gerônimo

Caracterização de Partículas. Prof. Gerônimo Caracterzação de Partículas Prof. Gerômo Aálse Graulométrca de partículas Tabela: Sére Padrão Tyler Mesh Abertura Lvre (cm) âmetro do fo () 2 ½ 0,7925 0,088 0,6680 0,070 ½ 0,56 0,065 4 0,4699 0,065

Leia mais

d s F = m dt Trabalho Trabalho

d s F = m dt Trabalho Trabalho UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução

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

Capitulo 1 Resolução de Exercícios

Capitulo 1 Resolução de Exercícios S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes

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

Grande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção

Grande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção Prof. Lorí Val, Dr. val@pucr.br http://www.pucr.br/~val/ Grade Cojuto de Dado Orgazação; Reumo; Apreetação. Amotra ou População Defeto em uma lha de produção Lacado Deeho Torto Deeho Torto Lacado Torto

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

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

1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística.

1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística. CAPÍTULO 7 VARIÁVEL ALEATÓRIA A probabldade teve íco com os jogos de azar (século XVII) com Cavalero de Nere, Fermat e Pascal, porém, coube a Beroull (73) laçar as bases da probabldade e a segur Laplace

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

Estatística: uma definição

Estatística: uma definição Estatístca: uma defção Coleção de úmeros estatístcas O úmero de aumetou em 30%. carros veddos o país A taa de desemprego atge, este mês, 7,5%. As ações da Telebrás subram R$,5, hoje. Resultados do Caraval

Leia mais

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Estatístca: uma defção Coleção de úmeros estatístcas O úmero de carros veddos o país aumetou em 30%. A taa de desemprego atge, este mês, 7,5%.

Leia mais

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada

Leia mais

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo. Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real

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

6. Inferência para Duas Populações USP-ICMC-SME 2013

6. Inferência para Duas Populações USP-ICMC-SME 2013 6. Iferêca ara Duas Poulações UP-ICMC-ME 3 8.. Poulações deedetes co dstrbução oral Poulação Poulação,,,, ~ N, ~ N, ~ N, Obs. e a dstrbução de e/ou ão for oral, os resultados são váldos aroxadaete. Testes

Leia mais

Oitava Lista de Exercícios

Oitava Lista de Exercícios Uversdade Federal Rural de Perambuco Dscpla: Matemátca Dscreta I Professor: Pablo Azevedo Sampao Semestre: 07 Otava Lsta de Exercícos Lsta sobre defções dutvas (recursvas) e prova por dução Esta lsta fo

Leia mais

Apêndice 1-Tratamento de dados

Apêndice 1-Tratamento de dados Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação

Leia mais

MATERIAL DE ESTATÍSTICA II PROF. MÁRIO ROBERTO

MATERIAL DE ESTATÍSTICA II PROF. MÁRIO ROBERTO 1 VARIÁVEIS ALEATÓRIAS O que se etede por varável aleatóra? Até agora ossos estudos estavam pratcamete voltados mas para defrmos osso Espaço Amostral U, sem assocarmos suas respectvas probabldades aos

Leia mais

Aula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação

Aula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace

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