O PROBLEMA DA MODELAGEM DA VARIÂNCIA NA OTIMIZAÇÃO EXPERIMENTAL DE PRODUTOS OU PROCESSOS
|
|
- João Guilherme Canela Valgueiro
- 6 Há anos
- Visualizações:
Transcrição
1 O PROBLEMA DA MODELAGEM DA VARIÂNCIA NA OTIMIZAÇÃO EXPERIMENTAL DE PRODUTOS OU PROCESSOS Pedro Alberto Barbetta Departamento de Informátca e de Estatístca Unversdade Federal de Santa Catarna Antono Cezar Borna Departamento de Informátca e de Estatístca Unversdade Federal de Santa Catarna José Lus Duarte Rbero Programa de Pós-Graduação em Engenhara de Produção - UFRGS Praça Argentna, No. 9, Porto Alegre - RS, ABSTRACT Ths paper presents and dscusses the problem of buldng lnear regresson models for the varance of a qualty characterstc, whch represents the performance of a product or process. The am s to dentfy and quantfy the effect of the process parameters on the varance of the qualty characterstc under study. Two methods presented n the lterature are descrbed and compared n theoretcal terms as well as through a practcal applcaton. Key words: Regresson analyss, Varance models, Parameter Desgn Palavras chaves: Análse de regressão, Modelos de Varabldade, Projeto Robusto 1 - INTRODUÇÃO A varabldade de alguma característca funconal de um produto ou processo é uma preocupação central da Engenhara da Qualdade. A varação normalmente é avalada tanto em termos do desvo da méda em relação ao valor alvo especfcado, quanto em termos da varânca. É falta de qualdade, por exemplo, uma máquna de encher pacotes de café que, em méda, apresente um enchmento de 500g (valor especfcado), mas com o peso varando muto de pacote para pacote. A preocupação com a varabldade pode ser exemplfcada pelo grande nteresse despertado, a partr da década de 80, pelas déas trazdas por Taguch, que defenda o uso do projeto de parâmetros para a otmzação de um produto ou processo. No projeto de parâmetros, os níves (valores) dos fatores controláves (parâmetros do projeto) são seleconados de modo a mnmzar o efeto de fatores de ruído sobre as característcas funconas do produto (TAGUCHI et al., 1990, p. 5). Como pode ser vsto, no projeto de parâmetros exste a preocupação de encontrar ajustes que mnmzem o efeto dos fatores de ruído, ou seja, que mnmzem a varabldade da característca de qualdade em estudo.
2 Por exemplo, na formulação de massa cerâmca BERNARDIN (1994) propôs avalar a qualdade pela retração lnear do corpo quemado (%), resstênca mecânca (Mpa) e absorção de água (%). Consderou como possíves fatores que alteram a qualdade a temperatura de quema, os percentuas de flto, argla, talco e arento e os tpos de argla, flto e talco. Para exemplfcarmos as outras etapas, consdere apenas a característca de qualdade resstênca mecânca, desgnada por y e o fator percentual de flto, x, fxado em três níves: 43%, 46% e 49%. A fgura 1 mostra hpotetcamente valores observados de y para cada nível do fator x, nclundo um modelo matemátco para a méda de y, onde podese vsualzar o nível ótmo do percentual de flto resstênca flto (%) nível ótmo do % de flto Fg. 1 - Ilustração da etapa de modelagem. Para se obter um modelo para a méda do processo, em função de um conjunto de fatores, exste um procedmento que pode ser consderado quase como padrão. É a análse de regressão com o método de estmação por mínmos quadrados, feta dretamente sobre a característca consderada ou sobre alguma transformação da mesma. Contudo, para modelar a varânca do processo não exste um método padrão. Na seção 2 serão dscutdas duas maneras de se estmar um modelo de regressão para a varânca. Na seção 3 é feta uma lustração com um exemplo aplcado e a seção 4 apresenta comentáros fnas sobre os dos métodos. 2 - A MODELAGEM DA MÉDIA E DA VARIÂNCIA Chamaremos de y a característca funconal do produto que está sendo usada para avalar a qualdade, de µ sua méda e de σ 2 sua varânca. Será assumdo que y é uma varável aleatóra contínua com dstrbução aproxmadamente normal. Nos casos prátcos em que y tenha dstrbução muto assmétrca, recomenda-se uma transformação para dexá-la mas próxma da normal (ver, p. ex., JOHNSON e WICHERN, 1988, p.155). Sejam, também: X 1, X 2,..., X L : fatores que nfluencam a qualdade do produto ou processo. Também serão assumdas como varáves contínuas, fxadas num conjunto de níves plausíves com o processo de fabrcação e em torno de onde se acredta ser o nível ótmo.
3 x 1, x 2,..., x p-1 : efetos dos fatores X 1, X 2,..., X L que nfluencam a méda do processo. Por smplcdade, assumremos que estes efetos são lneares (X l ), quadrátcos (X l 2 ) ou nteratvos de prmera ordem (X l *X k ), l k = 1,2,...,L. z 1, z 2,..., z q-1 : efetos que nfluencam a varânca do processo. Numa prmera análse, consdera-se geralmente que estes efetos sejam os mesmos x 1, x 2,..., x p-1. Assume-se, em geral, que as relações dos efetos dos fatores sobre a méda e sobre a varânca de y podem ser caracterzadas por modelos lneares, ou seja: µ = β 0 + β 1 x 1 + β 2 x β p-1 x p-1 para a méda e σ 2 = θ 0 + θ 1 z 1 + θ 2 z θ q-1 z q-1 para a varânca, onde β 0, β 1,...,β p-1, θ 0, θ 1,...,θ q-1 são parâmetros a serem estmados a partr dos dados expermentas. Consderaremos que y é observada m vezes sob cada uma das M condções expermentas, totalzando N = M.m observações. As M condções expermentas são estabelecdas por determnadas combnações de níves de X 1, X 2,..., X L, segundo um planejamento expermental. Para se obterem os parâmetros do modelo da méda, pode-se aplcar a técnca dos mínmos quadrados, consderando o segunte modelo para os dados: y = β 0 + β 1 x 1 + β 2 x β p-1 x (p-1) + ( = 1, 2,..., N) onde é o termo aleatóro assocado à observação y. Em notação matrcal este modelo pode ser escrto como: y = X β + (Nx1) (Nxp) (px1) (Nx1) O método dos mínmos quadrados gera o segunte estmador para o vetor de parâmetros β: $ 1 β = ( X' X) ( X' y). Em consequênca, as médas para as dferentes condções expermentas podem ser estmadas por: µ $ = X β$ A modelagem da varânca através dos resíduos quadrátcos (método RQ) Como dscutmos anterormente, não exste um método padrão para estmar um modelo para a varânca. A monografa de CARROLL e RUPPERT (1988) parece ser o trabalho mas completo sobre o tema. O método mas estruturado consste em aplcar a técnca de máxma verossmlhança sobre os dos modelos em conjunto. As estmatvas de máxma verossmlhança também podem ser obtdas assntotcamente pelo segunte procedmento teratvo de mínmos quadrados ponderados: a) calculam-se estmatvas ncas para os parâmetros do modelo da méda usando mínmos quadrados ordnas, como dscutdo na seção anteror; 2 2 b) calculam-se os resíduos quadrátcos: r = ( y µ $ ) ( = 1, 2,..., N);
4 c) consderam-se os resíduos quadrátcos como se fossem observações e calculam-se estmatvas ncas para os parâmetros do modelo das varâncas usando o método dos mínmos quadrados; d) aplca-se mínmos quadrados ponderados no modelo das médas, usando w = 1 σ$ como 2 peso das observações, onde σ$ 2 é obtdo na estmação do modelo da varânca (passo anteror); e) calculam-se novamente os resíduos quadrátcos e aplca-se mínmos quadrados 1 ponderados no modelo das varâncas, usando-se como peso das observações w = σ $. 4 Os passos (d) e (e) são repetdos até que não haja alterações sgnfcatvas nas estmatvas. O método dos mínmos quadrados ponderados, como ctado em (d) e (e), pode ser faclmente mplementado. Basta multplcar todas as observações das varáves do modelo de regressão (nclusve o termo constante) pela raz quadrada dos correspondentes pesos w ( = 1, 2,...,N). Os pesos w sugerdos no passo (d) justfcam-se porque a varânca dos resíduos quadrátcos, segundo a teora da dstrbução normal, é proporconal ao quadrado das varâncas das observações (ver, p. ex., CARROLL e RUPERT, 1988, p. 78). No passo (c) do algortmo usam-se os resíduos quadrátcos como se fossem observações das varâncas. Contudo, uma pequena correção no cálculo desses resíduos quadrátcos os tornam estmadores não vcados das varâncas e, portanto, melhores. Esta correção consste em dvd-los por 1-h, onde h = x (X X) -1 x, sendo x a -ésma lnha da matrz de planejamento X ( = 1, 2,..., N). Outra melhora sugerda por HOOPER (1993) é somar uma pequena constante nas estmatvas das varâncas quando calculam-se os pesos w, pos algumas varâncas podem ter como estmatvas valores muto pequenos, gerando grandíssmos pesos, que podem acarretar estmatvas pores nas terações seguntes. Consderando o comentáro de CARROLL e RUPPERT (1988) de que a solução fnal pode ser fortemente nfluencada pelos valores ncas, sugermos fazer uma transformação logarítmca nos resíduos quadrátcos do passo (b), consderando que sua dstrbução tem forte assmetra (aproxmadamente qu-quadrado com um grau de lberdade). A transformação pode ser análoga à que dscutremos na seção a segur A modelagem da varânca através das varâncas amostras (método S2) Um procedmento mas smples para se obter o modelo da varânca e, talvez, o mas usado em Engenhara da Qualdade, é usando a varânca amostral como varável dependente no modelo de regressão. Esta estatístca pode ser calculada em cada uma das M condções expermentas, desde que em todas as condções expermentas se tenham pelo menos duas observações (m 2). Calcula-se: O uso de S 2 S m ( yj y) j= = m , = 1, 2,..., M. para a estmação do modelo da varânca é bastante natural, pos quando vsto para um valor partcular de ( = 1, 2,..., M) S 2 é, sob o modelo normal, o
5 melhor estmador deσ 2 ( = 1, 2,..., M). Contudo, ao relaconar S 2 com os fatores, tornase convenente usar uma transformação logarítmca, ou seja: log (S 2 + c) = θ 0 + θ 1 x 1 + θ 2 x θ q-1 x (q-1) + U, = 1, 2,..., M. A formulação acma justfca-se porque se as observações de y puderem ser admtdas com dstrbução normal, então o termo de erro da regressão de log(s 2 ), que estamos desgnando por U, tem, aproxmadamente, dstrbução normal com varânca constante, justfcando a aplcação do método dos mínmos quadrados ordnas (ver, p. ex., MYERS e MONTGOMERY, 1995, p. 508). Os mesmos autores também ponderam que o uso do logartmo no modelo da varânca resulta em modelos mas smples, pos geralmente reduz o efeto de curvaturas e nterações entre os fatores. Outra vantagem do uso do logartmo, apontada por CARROLL e RUPPERT (1988, p. 65) é que garante predções sempre postvas para a varânca. Chamando de θ (q x 1) o vetor dos parâmetros do modelo da varânca, Z (N x q) a matrz de planejamento e de s o vetor formado pelos elementos log (S 2 +c), tem-se o ˆ 1 segunte estmador de mínmos quadrados: θ = ( Z' Z) ( Z' s), donde as varâncas são estmadas por: σˆ 2 = exp( Zθˆ ) - c. Assm como no método RQ, pode-se usar estas varâncas para estmar o modelo da méda por mínmos quadrados generalzados, devendo melhorar a precsão das estmatvas. O uso da constante c > 0, adconada a cada varânca amostral, é feta para evtar problemas na transformação logarítmca nos casos em que ocorra alguma varânca amostral nula ou quase nula. Um cudado que se deve ter com o uso desta constante é que com ela o modelo pode predzer varâncas negatvas. Se sto ocorrer, deve-se reduzr o valor da constante c Comparação dos dos métodos O método que chamamos de RQ tem um referencal teórco bastante forte, pos basea-se no método dos mínmos quadrados generalzados e, no lmte, equvale ao método da máxma verossmlhança. CARROLL e RUPPERT, 1988, p. 88 apresentam a efcênca relatva do método S2 em relação ao método RQ que, sob a dstrbução normal, é (m- 1)/m. Ou seja, quando se tem poucas observações em cada condção expermental, o método S2 é bastante nferor em termos de efcênca. Por exemplo, com m = 2, a efcênca ca pela metade. É como se aprovetasse apenas metade dos dados observados para efetuar as estmatvas. Por outro lado, quando o número de observações em cada condção expermental é grande, os métodos se aproxmam em termos de efcênca. Outra característca mportante a consderar na comparação dos dos métodos é a robustez. Ambos os métodos apresentam séros problemas na presença de dados dscrepantes, pos baseam-se em afastamentos quadrátcos, aumentando bastante a dstânca de observações com valores relatvamente grandes. Isto faz com que dversos autores optem por trabalhar com a modelagem do desvo padrão no lugar da varânca. Neste caso, o método RQ usara resíduos absolutos no lugar dos resíduos quadrátcos e o método S2 usara desvos padrão amostras no lugar de varâncas amostras.
6 Exste, anda, a robustez em termos da modelagem. O método RQ usa resíduos produzdos por outro modelo (o da méda), o que o dexa vulnerável a uma possível falha de ajuste desse prmero modelo. MYERS e MONTGOMERY (1995, p. 526) argumentam que as varâncas amostras, calculadas com as replcações, têm nformações mas confáves para o processo da varânca do que os resíduos do modelo da méda, pos, no segundo caso, a confabldade das nformações depende, em grande parte, da qualdade do modelo da méda. Em termos prátcos, onde não se sabe exatamente se a modelagem da méda fo correta, os resíduos quadrátcos podem ser estmatvas altamente vcadas das varâncas e, usando-os como se fossem observações das varâncas, pode-se gerar grandes dstorções na estmatva do modelo da varânca, comprometendo a análse dos dados. Consderando o exposto, para usar o método RQ deve-se avalar bem a adequação do modelo da méda, fazendo-se uso do teste de falta de ajuste e análse de resíduos (ver, p. ex., DRAPPER e SMITH, 1981). Aplcações do método RQ na Engenhara da Qualdade pode ser encontrado, por exemplo, em MESENBRINK et al. (1994) e o método S2 em CATEN (1995) e MYERS e MONTGOMERY (1995). 3 - UM EXEMPLO Nesta seção, faremos uma breve exposção da análse estatístca que efetuamos sobre os dados do expermento realzado por BERNARDIN (1994). Chamaremos de y 1, y 2 e y 3 as três varáves usadas para avalar a qualdade da massa cerâmca (retração lnear, resstênca mecânca e absorção de água) e por X 1, X 2,...,X 8 os fatores que podem estar alterando a sua qualdade. O planejamento usado fo o L 18, com o fator X 1 fxado em dos níves e os outros fatores em três níves. Sobre este tpo de planejamento, ver, p. ex. TAGUCHI, Foram realzadas cnco observações na maora das condções expermentas. O planejamento L 18 não permte o uso de um modelo polnomal de segunda ordem completo. Usamos, então, a abordagem sugerda por HAMADA e WU (1992), onde verfca-se prmeramente a sgnfcânca de cada um dos efetos prncpas (lneares e quadrátcos) e, depos, a sgnfcânca dos termos das nterações com os fatores que se mostraram sgnfcatvos na prmera etapa, sempre consderando um termo de cada vez. Por fm, volta-se a observar a relevânca dos efetos prncpas com as nterações sgnfcatvas ncluídas no modelo. Tendo em vsta que o objetvo é obter modelos adequados para realzar predções, levou-se em conta na seleção de cada termo, além do nível de sgnfcânca, o ncremento no coefcente de determnação R 2 e o gráfco dos resíduos. Com o procedmento descrto acma, obtvemos os modelos para as médas das três varáves, com qualdade de ajuste em termos do coefcente de determnação R 2 de 86,2%, 66,6% e 96,8%, respectvamente. A análse dos resíduos também mostrou-se razoável e testes de falta de ajuste não detectaram falhas nos três modelos. Segundo a mesma metodologa, estabelecemos modelos para as varâncas das três varáves, tanto pelo método RQ como pelo método S2. Não fo feta a comparação dos ajustes através do R 2, pos no método S2 grande parte da varabldade é elmnada no cálculo das varâncas amostras. Desta forma, optamos por fazer as comparações através
7 do uso das predções das varâncas em ajustes por mínmos quadrados ponderados nos modelos das médas. Este procedmento melhorou a modelagem das médas das três equações, observada pelos coefcentes R 2 e pelos gráfcos dos resíduos, com pequena vantagem quando as varâncas foram predtas pelo método S2. Neste caso, as alterações nos coefcentes R 2 foram: de 86,2% para 95,5% na prmera equação, de 66,6% para 76,9% na segunda e de 96,8% para 98,7% na tercera. Com as varâncas predtas pelo método RQ, os novos valores de R 2 foram: 90,6%, 73,7% e 97,6%, respectvamente. E realzando-se o procedmento teratvo no método RQ verfcou-se apenas pequenas alterações e, além dsso, estas alterações nem sempre produzram melhores resultados. 4 - COMENTÁRIOS FINAIS O nosso artgo não sugere um método específco para a modelagem da varânca, mas procura chamar a atenção de que este processo é bem mas complexo do que o problema de modelar a méda. Dos métodos foram dscutdos e, apesar de teorcamente corretos, podem levar a resultados dferentes. O método que chamamos de S2 parece ser mas seguro, já que ele não depende do modelo da méda e, consderando que a sua efcênca se aproxma do outro método quando exste um número razoável de observações em cada condção expermental, ele pode ser recomendável nestas stuações. Por outro lado, é bastante comum se ter expermentos com uma ou duas observações em cada condção expermental. Nestes casos, deve-se avalar a possbldade de aplcar o método RQ, já que o método S2 torna-se mpossível ou muto nefcente. AGRADECIMENTOS À FAPERGS Fundação de Amparo à Pesqusa do Estado do Ro Grande do Sul - pelo apoo fornecdo para a realzação das pesqusas. REFERÊNCIAS BIBLIOGRÁFICAS BERNARDIN, A. M. (1994) - Delneamento de Expermentos Utlzando as Técncas de Taguch para Formulação de Massa Cerâmca. Dssertação de Mestrado, UFSC, Floranópols. CARROLL, R. J. & RUPPERT, D. (1988) - Transformaton and Weghtng n Regresson. Chapman and Hall, USA. CATEN, C. S. (1995) - Método de Otmzação de Produtos e Processos meddos por Múltplas Característcas de Qualdade. Dssertação de Mestrado do PPGEP / UFRGS, Porto Alegre. DRAPER, N. R. & SMITH, H. (1981) - Appled Regresson Analyss. 2 ed. John Wley, USA.
8 HAMADA, M. e WU, C. F. J. (1992) - Analyss of Desgned Experments wth Complex Alasng. Journal of Qualty Technology, vol. 24, num. 3, p HOOPER, P. M. (1993) - Iteratve Weghted Least Squares Estmaton n Heterocedastc Lnear Models. Journal of the Amercan Statstcal Assocaton, v. 88, num. 421, p JOHNSON, R. A. & WICHERN, D. W. (1982) Appled Multvarate Statstcal Analyss. 2nd edton. Prentce Hall, USA. MESENBRINK, J. C. L., MCKENZIE, R. & TAHERI, J. (1994) - Characterzaton and Optmzaton of a Wave-Solderng Process. Journal of the Amercan Statstcal Assocaton, v. 89, num. 428, p MYERS, R. H. & MONTGOMERY, D. C. (1995) - Response Surface Methodology: Process and Product Optmzaton Usng Desgned Experments. John Wley & Sons, USA. TAGUCHI, G. (1988) - System of Expermental Desgn: Engneerng Methods to Optmze Qualty and Mnmze Costs. 2 ed. UNIPUB, USA. TAGUCHI, G.; ELSAYED. E. & HSIANG, T. (1990) - Engenhara da Qualdade em Sstemas de Produção. McGraw-Hll, São Paulo.
Estatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisO USO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA PARA ADEQUAR OS PARÂMETROS DE ENTRADA DE UM ALGORITMO GENÉTICO
O USO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA PARA ADEQUAR OS PARÂMETROS DE ENTRADA DE UM ALGORITMO GENÉTICO Pedro Alberto Barbetta Departamento de Informátca e de Estatístca CTC UFSC Caxa Postal 476
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Leia maisTestes 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 mais5 Análise Conjunta da Média e da Dispersão
5 Análse Conjunta da Méda e da Dspersão Neste capítulo vamos apresentar métodos de dentfcação dos fatores que afetam a méda e a varânca da resposta, em expermentos fatoras não replcados. Na otmzação de
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisMedidas e resultados em um experimento.
Meddas e resultados em um expermento. I- Introdução O estudo de um fenômeno natural do ponto de vsta expermental envolve algumas etapas que, mutas vezes, necesstam de uma elaboração préva de uma seqüênca
Leia maisModelagem conjunta da média e variância utilizando GLM
XXIV Encontro Nac. de Eng. de Produção - Floranópols, SC, Brasl, 03 a 05 de nov de 004 Modelagem conjunta da méda e varânca utlzando GLM Patríca Klaser Basol ( UFRGS ) patybasol@producao.ufrgs.br Flávo
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisProf. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =
Análse de Regressão Cap.. Introdução Análse de regressão é uma técnca de modelagem utlzada para analsar a relação entre uma varável dependente () e uma ou mas varáves ndependentes,, 3,..., n. O ojetvo
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisEFEITOS DE DISPERSÃO EM PROJETOS FATORIAIS: UMA SIMULAÇÃO CONFIRMATÓRIA
! "#$ " %'&)(*&)+,.- /10.*&4365879&4/1:.+58;.*=?5.@A*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisGráficos 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 maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia mais8.16. Experimentos Fatoriais e o Fatorial Fracionado
8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e
Leia maisAplicação de um modelo simulado na formação de fábricas
Aplcação de um modelo smulado na formação de fábrcas Márca Gonçalves Pzaa (UFOP) pzaa@ldapalm.com.br Rubson Rocha (UFSC) rubsonrocha@eps.ufsc.br Resumo O objetvo deste estudo é determnar a necessdade de
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisModelagem da proporção de produtos defeituosos usando Modelo de Quase-verossimilhança
XXV Encontro Nac. de Eng. de Produção Porto Alegre, RS, Brasl, 29 out a 01 de nov de 2005 Modelagem da proporção de produtos defetuosos usando Modelo de Quase-verossmlhança Ângelo Márco O. Sant Anna (UFRGS)
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisFAAP APRESENTAÇÃO (1)
ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisMODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO GLM
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia mais(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
Leia maisMétodos para Determinação do Valor Característico da Resistência à Compressão Paralela às Fibras da Madeira
Voltar MADEIRA arqutetura e engenhara nº 4 artgo 4 Métodos para Determnação do Valor Característco da Resstênca à Compressão Paralela às Fbras da Madera Edna Moura Pnto, Unversdade de São Paulo, Interundades
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia mais4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisAPLICAÇÕES DE PLANEJAMENTO DE EXPERIMENTO PARA DADOS NÃO NORMAIS
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO Centro de Cêncas Matemátcas e da Natureza Insttuto de Matemátca Departamento de Métodos Estatístcos Dogo da Hora Elas APLICAÇÕES DE PLANEJAMENTO DE EXPERIMENTO PARA
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisRegressão Linear Simples. Frases. Roteiro
Regressão Lnear Smples Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 4 Rotero. Modelagem de Relação. Modelo Lnear
Leia mais