PLANEJAMENTO DE GRÁFICOS DE CONTROLE DE REGRESSÃO VIA SIMULAÇÃO

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "PLANEJAMENTO DE GRÁFICOS DE CONTROLE DE REGRESSÃO VIA SIMULAÇÃO"

Transcrição

1 PLANEJAMENTO DE GRÁFICOS DE CONTROLE DE REGRESSÃO VIA SIMULAÇÃO Ana Carolna Campana Nascmento 1, José Ivo Rbero Júnor 1, Mosés Nascmento 1 1. Professor da Unversdade Federal de Vçosa, Avenda Peter Henr Rolfs, s/n Campus Unverstáro 3657-, Vçosa MG Brasl. Recebdo em: 4/5/1 Aprovado em: 15/6/1 Publcado em: 3/6/1 RESUMO O gráfco de controle de regressão é útl para montorar um processo onde este a atuação conjunta de varáves correlaconadas. Neste caso, o objetvo é controlar a relação entre elas. O relaconamento lnear entre as varáves é representado pela reta de regressão e em torno dela, são estabelecdos os lmtes de controle estmados a partr de dados hstórcos. Porém, se estr uma grande varabldade nos dados, o lmte será alargado e, portanto, rão conter todos ou quase todos os dados, dando uma falsa mpressão de que o processo está sob controle. Assm, o estabelecmento dos lmtes de controle por meo de dados smulados, que representem uma meta de nteresse baseada no coefcente de correlação entre as varáves em estudo, é bastante aproprado em vablzar o controle da relação entre estas varáves. PALAVRAS CHAVE: coefcente de correlação, smulação de dados, controle estatístco de processos PLANNING GRAPHICS CONTROL OF REGRESSION VIA SIMULATION ABSTRACT The graphc control of the regresson s useful to track a process where there s jont acton of varables correlated. In ths case, the objectve s to control the relatonshp between them. The lnear relatonshp between the varables s represented b the lne of regresson and around t, are establshed boundares of control estmated from hstorcal data. But f there s great varablt n the data, the lmt wll be etended and, therefore, wll contan all or nearl all the data, gvng a false mpresson that the process s under control. Thus, the establshment of the lmts of control through smulated data, representng a target of nterest based on the correlaton coeffcent between the varables under stud, s qute approprate to facltate the control of the relatonshp between these varables. KEYWORDS: correlaton coeffcent, smulaton data, statstcal control processes ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

2 1 INTRODUÇÃO O gráfco de controle fo orgnalmente proposto por W. A. SHEWHART 1 em 194 com a ntenção de elmnar varações anormas em um determnado processo produtvo. Portanto, para controlar a qualdade de um produto, são necessáras: a medção e a dentfcação de varações ocorrdas no processo de produção. Geralmente, os gráfcos de controle são utlzados para avalar o estado de controle estatístco de um processo, pos servem para dferencar se as varações que ocorrem são devdas a causas especas ou aleatóras (MONTGOMERY,1997). Estem város estudos sobre o controle de varáves em processos produtvos, mas na maora das vezes, são em relação ao controle de uma únca varável. Porém, em mutos casos, o processo sofre a nterferênca conjunta de mas de uma e então surge a necessdade de um controle smultâneo dessas varáves, que podem ser correlaconadas. Uma forma bastante efcente de representar relações entre varáves é através do gráfco de controle de regressão, apresentado ncalmente por DIPAOLA (1945), que descreve o controle smultâneo de duas varáves que possuem uma relação de causa e efeto nos processos produtvos. Ultmamente o gráfco de controle de regressão tem sdo utlzado na resolução de dversos problemas, como no trabalho de VILALLOBOS (3), que teve como objetvo fazer prevsões e montorar a qualdade do ar numa nterseção controlada por semáforo, através das varáves: atrasos meddos em segundos e a polução medda em concentrações de monódo de carbono (CO). JACOBI et al., () eemplfcaram o uso desta metodologa com dados coletados no setor de Engenhara de Saneamento e Meo Ambente. A lteratura apresenta três tpos possíves de lmtes de controle e todos são defndos bascamente em função da varação aleatóra ou resdual dos dados hstórcos. Segundo PEDRINI & TEN CATEN (11) a presença de valores etremos (outlers) nos dados hstórcos comprometem o desempenho de um gráfco de controle, vsto que, os mesmos nflaconam a varânca resdual (QME) alargando o lmte de controle e consequentemente reduzndo o poder do gráfco. Desta forma, para que se tenha um gráfco sensível à detecção de pontos fora dos lmtes, e consequentemente, do processo fora de controle estatístco, é necessáro que se retrem os pontos atípcos antes de se calcular o QME, para que o mesmo seja o mas aleatóro possível. Outra manera de contornar o problema é estabelecer os lmtes de controle a partr de uma meta de nteresse, que depende da necessdade e da correlação entre as varáves estudadas. Dante do eposto este trabalho tem por objetvo estabelecer uma estratéga prátca e rápda para o planejamento e mplantação dos gráfcos de controle de regressão por meo da correlação entre as varáves estudadas e smulação de dados. METODOLOGIA.1 MODELO DE REGRESSÃO LINEAR SIMPLES A base para a construção do gráfco de controle de regressão é dada pela teora de regressão lnear smples. A análse de regressão lnear consttu no estabelecmento de modelos que nterpretem a relação funconal entre varáves. O 1 Em memorando datado de 16 de mao de 194, o Dr. Shewhart propôs o seu gráfco de controle para análse de dados resultantes de nspeção, fazendo com que os procedmento baseado na detecção e correção de produtos defetuosos começassem a ser substtuídos por estudo e prevenção dos problemas relaconados à qualdade, de modo a mpedr que os produtos defetuosos fossem produzdos. ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

3 modelo de regressão lnear smples é dado por = β + β1 + ε, em que β, o ntercepto, β 1, o coefcente angular, são constantes desconhecdas e ε é o componente do erro aleatóro. Assumem-se erros não correlaconados com méda zero e varânca desconhecda σ. A estmação de β e β 1 é feta através do método dos mínmos quadrados ordnáros, o qual consste em mnmzar a soma dos quadrados dos erros. Os estmadores obtdos por este método são dados por β : β 1: ^ _ ^ _ = β1 β ; ^ β 1 = n n. Em que _ e _ são as médas das varáves X e Y respectvamente. Assm o modelo ajustado, dá uma estmatva pontual da méda de Y para um partcular valor de X, é escrto da segunte forma = βˆ + ˆ. ŷ β1 A dferença entre o valor observado e o valor correspondente ajustado ŷ é o resíduo. Matematcamente ê = ŷ = 1, K,n. Para que o modelo ajustado seja valdado, é necessára a observação de alguns pressupostos, nos quas os resíduos são de etrema mportânca para a verfcação dos mesmos. Os quatro prncpas pressupostos são: normaldade, homocedastcdade, ndependênca e lneardade (MONTGOMERY & PECK, 198). Uma mportante aplcação do modelo de regressão é a prevsão de uma nova observação correspondente a um especfcado valor da varável ndependente. Se é o valor da varável ndependente de nteresse, então ŷ = βˆ ˆ + β1, é o ponto estmado para o novo valor resposta. A construção do ntervalo de prevsão para uma observação é feta da segunte manera. Note que ψ = ŷ, é normalmente dstrbuída com méda zero e varânca ( ) 1 V ( ψ) = V( ŷ ) = σ 1 + +, e, logo n S ( ) 1 ŷ N, σ 1 + +, n S Para cada estmatva partcular da posção da reta e para cada valor partcular, os lmtes do ntervalo de prevsão a 1 ( 1 α)% são dados por (DRAPER & SMITH, 1966): ( ) 1 ( ) 1 ŷ + tα /,n QME 1+ + ŷ t α /,n QME n S n S ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

4 Antes, porém, de começar a fazer prevsões, deve-se atentar para algumas advertêncas mportantes de DOWNING & CLARK () ctados por JACOBI (): Qualquer prevsão baseada em um modelo de regressão é uma prevsão condconal, pos a prevsão da varável dependente está sujeta ao valor da varável ndependente; a reta de regressão é estmada utlzando-se dados passados, que não poderá predzer dados futuros se a relação entre X e Y se modfcar; mutas prevsões de regressão que procuram prever valores de Y em stuações em que o valor de X está fora do ntervalo estudado, conhecdas como etrapolações, são muto menos confáves do que prevsões baseadas em valores da varável ndependente contdos no ntervalo de valores prevamente observados; o smples fato de estr uma forte assocação entre duas varáves não sgnfca que haja entre elas uma relação de causa e efeto.. GRÁFICO DE CONTROLE DE REGRESSÃO Conhecendo o processo e, portanto, as varáves X e Y correlaconadas que o nfluencam, pode-se então utlzar o gráfco de controle de regressão para fazer o montoramento do mesmo. O gráfco de controle de regressão, apresentado ncalmente por DIPAOLA (1945), é uma forma bastante efcente de representar relações entre varáves, pos o mesmo descreve o controle smultâneo das duas varáves correlaconadas. Este tpo de gráfco ege do gerente de produção que este saba relaconar as varáves que possuem uma relação de causa e efeto. O estabelecmento errado das varáves dependente e ndependente, certamente levará os gestores a tomarem decsões erradas, que poderão comprometer toda a establdade do processo (ALMEIDA, 3). Para se estabelecer o gráfco de controle de regressão, é necessáro, prmeramente, que se analsem os dados hstórcos em um dagrama de dspersão, com o objetvo de confrmar se este ou não a relação lnear entre as varáves, e anda, de verfcar a estênca de pontos que fogem ao comportamento geral dos dados. Neste tpo de gráfco, os outlers podem ndcar observações onde, por alguma razão, o relaconamento comum entre as duas varáves de nteresse não esta. A partr daí, os pontos que saem do padrão lnear mostrado pelo dagrama de dspersão devem ser nvestgados. Se esses pontos forem devdos a causas especas eles não deverão ser utlzados para estabelecer o gráfco de controle. Desse modo, o gráfco de controle de regressão, construído apenas com as observações que não fogem ao comportamento geral dos dados, deve ser usado como padrão do processo de forma que os novos dados sejam sobrepostos contra os lmtes calculados a pror. Quanto às lnhas dos lmtes de controle, estas são totalmente ou quase paralelas à reta de regressão e não ao eo horzontal, como é o caso do gráfco de controle convenconal e devem ser calculadas de acordo com um dos três métodos apresentados a segur: 1. Lmtes Smples ( k σ ): ŷ ± k QME ; ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

5 1 ( ). Lmtes de Predção: ŷ ± k QME ; n S 1 ( ) 3. Lmtes de Confança: ŷ ± k QME +, n S onde QME = n ( ŷ ) = 1 e n S ( ) n = 1 =. n = 1 Para tanto, necessta-se decdr qual o valor de k será utlzado, ou seja, quão perto dos lmtes (superor e nferor) se permte que o processo vare. Por eemplo, o uso de k= garante um lmte mas estreto, com maor rsco de alarmes falsos. O de k=3 garante lmtes mas largos, com menor probabldade de alarmes falsos. Esta decsão, além de estatístca deve ser gerencal, baseada na economa e na eperênca do processo em questão. Devdo ao fato da construção dos lmtes de controle ser baseada em dados hstórcos, uma grande varabldade nos dados pode fazer com que o lmte seja alargado, fazendo com que o mesmo englobe todos ou quase todos os dados, o que pode dar uma falsa mpressão de processo sob controle. Para contornar esse possível problema objetvou-se estabelecer uma estratéga prátca e rápda para o planejamento e mplantação dos gráfcos de controle de regressão por meo da correlação entre as varáves estudadas e smulação de dados..3 PROPOSTA A recomendação se basea na estmação dos lmtes de controle a partr de uma meta de nteresse, que va depender da necessdade e da correlação entre as característcas estudadas, ao nvés da utlzação de dados hstórcos. Com sso busca-se montorar o processo dentro de lmtes deas, sto é, lmtes baseados na correlação desejada e, portanto, na mamzação técnca da relação entre as varáves estudadas. Isso deve ser feto, de forma que, ao estmar a correlação entre as varáves X e Y sejam mpostas metas progressvas, sto é, constró-se o gráfco de controle baseado nos lmtes estmados em função de uma correlação, em valor absoluto, maor que aquela apresentada pelos dados. Para construção do gráfco de controle de regressão a partr da meta de nteresse, a qual se basea no coefcente de correlação, têm-se os seguntes passos: 1. plotar os dados hstórcos num dagrama de dspersão;. estmar o coefcente de correlação lnear (r), eclundo os pontos que fogem ao padrão dos dados; 3. smular os dados com o coefcente de correlação desejado, maor em valor absoluto, daquele estmado; 4. defnr e calcular os lmtes de controle a partr dos dados smulados; 5. coletar os dados e construr o gráfco de controle de regressão. Desta forma são estabelecdas três regões no gráfco de controle de regressão (fgura 1). A prmera se refere aos pontos sob controle. A segunda e a tercera, aos pontos fora de controle estatístco. No entanto, as regões e 3 podem ser consderadas como melhores ou pores que o controle, de acordo com a aplcação. ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p n

6 FIGURA 1. Regões do gráfco de controle de regressão. A recomendação das estmatvas dos lmtes de controle baseadas num coefcente de correlação maor, em valor absoluto, daquele observado nos dados, permte uma grande flebldade para a mplantação do montoramento pelo gráfco de controle de regressão. Além de possbltar aumentos absolutos e progressvos da relação entre X e Y, ele estabelece o mámo possível dessa relação. Para eemplfcar o método proposto, foram smulados quatro conjuntos de 5 pares de dados (,). Em cada conjunto, as varáves foram smuladas de modo que os coefcentes de correlação entre elas fossem guas à: r 1 =, 9, r =,7, r 3 =, 5 e r 4 =, 3, no prmero, segundo, tercero e quarto conjuntos de dados, respectvamente. Em cada caso, foram estabelecdos os gráfcos de controle de regressão contendo os três tpos de lmte (smples, predção e confança), utlzando-se k=. De acordo com a dstrbução de t, estma-se um ntervalo com apromadamente 1(1,5)% dos dados contdos. Admtndo-se que a meta requerda esteja acma do que é observado no processo, foram consderados os seguntes casos: a. Dados com r =, 7 foram sobrepostos aos lmtes de controle estmados para r 1 =, 9 ; b. Dados com r 3 =, 5 foram sobrepostos aos lmtes de controle estmados para r =, 7. c. Dados com r 4 =, 3 foram sobrepostos aos lmtes de controle estmados para r 3 =, 5. Além dsso, compararam-se os três métodos estentes para a estmação dos lmtes de controle, quanto à sensbldade de detecção de pontos fora de controle. As smulações, estmatvas dos lmtes de controle e as construções dos gráfcos de controle de regressão, foram obtdas utlzando a lnguagem de programação do software lvre R. Os algortmos utlzados para smulação das varáves correlaconadas e para a construção do gráfco de controle de regressão com os três tpos de lmtes de controle podem ser encontrados em: ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

7 RESULTADOS E DISCUSSÃO Consderando os quatro conjuntos de 5 pares de dados, como sendo os dados hstórcos, construu-se os dagramas de dspersão apresentados nas fguras, 3, 4 e FIGURA. Dagrama de dspersão de Y em função de X para r 1 =, FIGURA 3. Dagrama de dspersão de Y em função de X para r =, FIGURA 4. Dagrama de dspersão de Y em função de X para r 3 =,5. ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

8 FIGURA 5. Dagrama de dspersão de Y em função de X para r 4 =,3. Verfca-se nos quatro casos que não há pontos que fogem ao padrão dos dados e então, utlzando todos os dados smulados, foram estmados os lmtes de controle (fguras 6, 7, 8 e 9), com base nos três métodos descrtos: predção, confança e smples Lmtes de Controle Predção Confança Smples FIGURA 6. Estmatvas dos lmtes de controle de Y em função de X para r 1 =,9. ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

9 Lmtes de Controle Predção Confança Smples FIGURA 7. Estmatvas dos lmtes de controle de Y em função de X para r =, Lmtes de Controle Predção Confança Smples FIGURA 8. Estmatvas dos lmtes de controle de Y em função de X para r 3 =, Lmtes de Controle Predção Confança Smples FIGURA 9. Estmatvas dos lmtes de controle de Y em função de X para r 4 =,3. ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

10 As fguras 7, 8 e 9 mostram que o uso de dados hstórcos pode causar uma falsa mpressão de que o processo esteja sob controle estatístco, uma vez que se estr uma grande varabldade nos dados hstórcos, o lmte será alargado fazendo com que o mesmo englobe todos ou quase todos dados. Por esta razão, propõe-se o estabelecmento dos lmtes de controle a partr de uma meta de nteresse baseada na estmação do coefcente de correlação. Além dsso, observou-se que os lmtes de controle smples e baseados no ntervalo de predção têm estmatvas smlares. Há uma pequena dferença apenas para r 3 =,5, em que o de predção apresenta um ntervalo mas largo. No entanto, o mas mportante é que esses dos métodos de estmação proporconam lmtes que compreendem apromadamente 95% dos pares de dados (,). Como a smulação fo aleatóra, há um ndcatvo de que o processo está sob controle estatístco para a relação entre as varáves X e Y, no que se refere a todos os dados. Por outro lado, as estmatvas dos lmtes de controle baseados no ntervalo de confança, não proporconaram um ntervalo que compreendesse pelo menos 95% dos pares de dado, mas sm, para a méda Y. Portanto, pode-se conclur que esse método não é efcente em estmar um ntervalo adequado à varação aleatóra da relação entre as varáves estudadas. OLIN (1998) comparou os três métodos descrtos acma e concluu que os lmtes smples são os recomendados, pela facldade de compreensão, smplcdade e smlardade aos gráfcos de Shewhart. Com base nos resultados optou-se pela construção do gráfco de controle de regressão a partr dos lmtes de controle smples ou de predção. A partr daí, passase para a segunda fase da mplantação do gráfco de controle de regressão, que é a do montoramento propramente dta. A recomendação nessa fase é de mpor metas progressvas a partr do coefcente de correlação estmado entre as varáves X e Y. Se a estmatva for entre,3 e,5, constró-se o gráfco de controle baseado nos lmtes de controle estmados em função de r 3 =,5 e sobrepõe-se aos dados coletados (fgura 1) Lmtes de Controle Predção Smples FIGURA 1. Gráfco de controle de regressão construído para os dados de r 4 =,3. Se os dados apresentarem estmatvas da correlação entre,5 e,7, sobrepõe-se aos lmtes de controle estmados em função de r =,7 (fgura 11). ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

11 Lmtes de Controle Predção Smples FIGURA 11. Gráfco de controle de regressão construído para os dados de r 3 =,5. Se os dados apresentarem estmatvas da correlação entre,7 e,9, sobrepõe-se aos lmtes de controle estmados em função de r 1 =,9 (fgura 1) Lmtes de Controle Predção Smples FIGURA 1. Gráfco de controle de regressão construído para os dados de r =,7. Pode-se observar que o gráfco de controle de regressão teve um bom desempenho em acusar pontos que tendem a comprometer a relação de nteresse estabelecda para as varáves nos casos em que a correlação amostral fo apromadamente gual ou superor a r=,5. Nos casos em que o processo apresenta pouca correlação entre as varáves estudadas, como na fgura 1 (r,3), a utlzação deste método não é recomendada uma vez que se ege a necessdade de uma relação que possa ser controlada, o que não se confrmou para a menor correlação testada. Neste caso, o lmte nferor de controle compreendeu um grande ntervalo dos valores de X no gráfco de controle de regressão. No entanto, pode-se construr gráfcos de controle mas ou menos sensíves em detectar pontos fora de controle. Por eemplo, para os dados com r 3 =,5, ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

12 podera-se construr um gráfco menos ou mas sensível baseado nos lmtes de controle estmados a partr de r=,6 ou r=,8, respectvamente. Pode-se observar, a partr das fguras 11 e 1, que os lmtes de controle smulados a partr da meta de nteresse são mas estretos, o que permte vablzar a busca para o verdadero estado de controle do processo. Deve-se tentar levar os pontos que estão na regão fora de controle, no caso das regões e 3 (fgura 1), para a regão 1 (sob controle). Posterormente, buscar aumentos absolutos e progressvos da relação entre X e Y, que possbltem estabelecer o mámo possível dessa relação. CONCLUSÕES - A recomendação de estmar os lmtes de controle a partr de dados smulados em função de um coefcente de correlação defndo é adequada ao montoramento realzado pelo gráfco de controle de regressão. - As estmatvas dos lmtes de controle baseadas no lmte smples e no ntervalo de predção são adequadas. - No gráfco de controle de regressão, são geradas três regões: melhor, sob e por que o controle. - O método não é ndcado nos casos em que as varáves estudadas apresentam fraca correlação. REFERÊNCIAS ALMEIDA, S. S. Desenvolvmento de Gráfcos de Controle Aplcados ao Modelo Funconal de Regressão f. Tese (Doutorado em Engenhara de Produção) - UFSC, Floranópols. DIPAOLA, P. P. Use of correlaton n qualt control. Industral Qualt Control, v., n.1, p.1-14, DOWNING, D.; CLARK, J. Estatístca Aplcada: Um modo fácl de domnar os concetos báscos. ed. São Paulo: Sarava, p. DRAPER, N.R.; SMITH, H. Appled regresson analss. New York: John Wle, p. JACOBI, L. F.; SOUZA, A. M.; PEREIRA, J. E. S. Gráfco de controle de regressão aplcado na montoração de processos. Revsta Produção, v. 1, n. 1, p ,. MONTGOMERY, D. C.; PECK, E. A. Introducton to lnear regresson analss. New York: John Wle, p. MONTGOMERY, D.C. Introducton to statstcal qualt control. 3rd ed. New York: Jonh Wle, p. ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

13 OLIN, Bran D. Regresson control charts revsted: methodolog and case studes. In: Annual Fall Techncal Conference, 4º, New York, Proceedngs, New York, p. 1-17, PREDINI, D.C.; TEN CATEN, C.S. Método para aplcação de gráfcos de controle de regressão no montoramento de processos. Produção, v.1, p , 11. VILALLOBOS, L. D. C. Uso dos gráfcos de controle da regressão no processo de polução em uma nterseção snalzada. In: XXIII Encontro Nac. de Eng. de Produção, 1, Ouro Preto, 3. ENCICLOPÉDIA BIOSFERA, Centro Centífco Conhecer - Goâna, v.8, N.14; p

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método

Leia mais

O problema da superdispersão na análise de dados de contagens

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

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

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

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

FAAP APRESENTAÇÃO (1)

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

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Análise de Regressão

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

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

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

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

Leia mais

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

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

Leia mais

Prof. Lorí Viali, Dr.

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

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

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

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

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência. MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,

Leia mais

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

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

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

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

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

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.

Estudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação. Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,

Leia mais

Análise de Variância. Comparação de duas ou mais médias

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

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

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 Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

Gabarito da Lista de Exercícios de Econometria I

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

Leia mais

Aplicação de um modelo simulado na formação de fábricas

Aplicação 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 mais

PRESSUPOSTOS DO MODELO DE REGRESSÃO

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

Leia mais

Prof. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =

Prof. 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 mais

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma

Redução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão

Leia mais

Análise Descritiva com Dados Agrupados

Análise Descritiva com Dados Agrupados Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas

Leia mais

Classificação de Padrões

Classificação de Padrões Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz

Leia mais

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

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

Leia mais

2 Lógica Fuzzy Introdução

2 Lógica Fuzzy Introdução 2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade

Leia mais

AEP FISCAL ESTATÍSTICA

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

Leia mais

MODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:

MODELO 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 mais

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

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

Leia mais

Avaliação de processos produtivos multivariados através das menores componentes principais

Avaliação de processos produtivos multivariados através das menores componentes principais XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, a 4 de out de 3 Avalação de processos produtvos multvarados através das menores componentes prncpas Adrano Mendonça Souza (UFSM) amsouza@ccne.ufsm.br

Leia mais

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

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

Leia mais

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS

2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente

Leia mais

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

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

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

Leia mais

CARGAS MÓVEIS. Faculdade de Engenharia São Paulo FESP Engenharia Civil CE2 Estabilidade das Construções II

CARGAS MÓVEIS. Faculdade de Engenharia São Paulo FESP Engenharia Civil CE2 Estabilidade das Construções II Faculdade de Engenhara São Paulo FESP Engenhara Cvl CE2 Establdade das Construções II CARGAS MÓVEIS Autor: Prof. Dr. Alfonso Pappalardo Jr. Coord. Geral: Prof. Dr. Antono R. Martns São Paulo 20 SUMÁRIO

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Linear

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Linear ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11 EERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Lnear 4. EERCÍCIOS PARA RESOLVER NAS AULAS 4.1. O gestor de marketng duma grande cadea de supermercados quer determnar

Leia mais

NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO

NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO I Congresso Baano de Engenhara Santára e Ambental - I COBESA NOVA METODOLOGIA PARA RECONCILIAÇÃO DE DADOS: CONSTRUÇÃO DE BALANÇÃO HÍDRICOS EM INDÚSTRIA UTILIZANDO O EMSO Marcos Vnícus Almeda Narcso (1)

Leia mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

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

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores. MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo

Leia mais

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

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

Leia mais

Estudo e Previsão da Demanda de Energia Elétrica. Parte II

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

Leia mais

Curvas Horizontais e Verticais

Curvas Horizontais e Verticais Insttução: Faculdade de Tecnologa e Cêncas Professor: Dego Queroz de Sousa Dscplna: Topografa Curvas Horzontas e ertcas 1. Introdução Exstem dversas ocasões na engenhara em que os projetos são desenvolvs

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 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 métodos

Leia mais

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução da

Leia mais

Mecânica. Sistemas de Partículas

Mecânica. Sistemas de Partículas Mecânca Sstemas de Partículas Mecânca» Sstemas de Partículas Introdução A dnâmca newtonana estudada até aqu fo utlzada no entendmento e nas prevsões do movmento de objetos puntformes. Objetos dealzados,

Leia mais

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

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

Leia mais

Tânia Lucia Hojo (UFMG) Sueli Aparecida Mingoti (UFMG)

Tânia Lucia Hojo (UFMG) Sueli Aparecida Mingoti (UFMG) Modelos de equações estruturas: uma avalação dos métodos de máxma verossmlhança, mínmos quadrados ordnáros e mínmos quadrados parcas usados na estmação de parâmetros do modelo. Tâna Luca Hojo (UFMG) hojo@est.mest.ufmg.br

Leia mais

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO

UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL MATERIAL DIDATICO DO CURSO ESTATISTICA EXPERIMENTAL: Com aplcaçoes em R Medcna

Leia mais

Análise de influência

Análise 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 mais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais Ano lectvo: 2006/2007 Unversdade da Bera Interor Departamento de Matemátca ESTATÍSTICA Fcha de exercícos nº2: Dstrbuções Bdmensonas Curso: Cêncas do Desporto 1. Consdere a segunte tabela de contngênca:

Leia mais

Tipo tratamento idade Tipo tratamento sexo

Tipo tratamento idade Tipo tratamento sexo Modelos de Regressão em Saúde Rejane Sobrno Pnhero Tâna Zdenka Gullén de Torres Modelos de Regressão Famíla de técncas estatístcas város fatores meddos (predtor, covarável, varável ndependente) relaconados

Leia mais

2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6:

2) Como há 6 tipos de peso, e estamos avaliando 2 peças, o espaço amostral será uma matriz 6 x 6: Lsta de Exercícos - Probabldade INE 700 GABARITO LISTA DE EXERÍIOS PROBABILIDADE ) Vamos medr o tempo de duração da lâmpada. Ao lgarmos a lâmpada ela pode não funconar, ou durar um tempo ndetermnado. a)

Leia mais

Exercícios de CPM e PERT Enunciados

Exercícios de CPM e PERT Enunciados Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a

Leia mais

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe

Leia mais

DECISÃO SOB INCERTEZA

DECISÃO SOB INCERTEZA PPGE/UFRGS - Prof. Sabno Porto Junor 19/10/2005 Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br 1 Introdução

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

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS

EXEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS EEMPLOS DO CURSO DE ESTATÍSTICA ENGENHARIA DE MATERIAIS Exemplo: Peso de 25 bolos ndustras Forma bruta: Dsposção ordenada 266 267 266 26 22 255 266 26 272 22 260 272 25 262 23 25 266 270 274 22 2 270 20

Leia mais

APLICAÇÃO DE GRÁFICOS DE CONTROLE PARA MONITORAMENTO ESTATÍSTICO DA TURBIDEZ DA ÁGUA POTÁVEL

APLICAÇÃO DE GRÁFICOS DE CONTROLE PARA MONITORAMENTO ESTATÍSTICO DA TURBIDEZ DA ÁGUA POTÁVEL APLICAÇÃO DE GRÁFICOS DE CONTROLE PARA MONITORAMENTO ESTATÍSTICO DA TURBIDEZ DA ÁGUA POTÁVEL Nllo Gabrel Alves de Araujo (UDESC) nlloaraujo@yahoo.com.br Rodrgo Lete Lndoso (UDESC) rodrgolete91@gmal.com

Leia mais

Mecanismos de Escalonamento

Mecanismos de Escalonamento Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur

Leia mais

MÉTODO DE ORIENTAÇÃO À MODELAGEM DE

MÉTODO DE ORIENTAÇÃO À MODELAGEM DE UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MÉTODO DE ORIENTAÇÃO À MODELAGEM DE DADOS MENSURADOS EM PROPORÇÃO Ângelo Márco Olvera

Leia mais

IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO

IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;

Leia mais

Realimentação negativa em ampliadores

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

Leia mais

Física I LEC+LET Guias de Laboratório 2ª Parte

Física I LEC+LET Guias de Laboratório 2ª Parte Físca I LEC+LET Guas de Laboratóro 2ª Parte 2002/2003 Experênca 3 Expansão lnear de sóldos. Determnação de coefcentes de expansão térmca de dferentes substâncas Resumo Grupo: Turno: ª Fera h Curso: Nome

Leia mais

METODOLOGIA DE GRÁFICOS DE CONTROLE PARA O USO EM CURVAS DE CRESCIMENTO

METODOLOGIA DE GRÁFICOS DE CONTROLE PARA O USO EM CURVAS DE CRESCIMENTO METODOLOGIA DE GRÁFICO DE CONTROLE PARA O UO EM CURVA DE CRECIMENTO João Eduardo da lva Perera UFM CCNE - Departamento de Estatístca CAMPU - 9705-900 - anta Mara - R - e-mal: jesp@ccne.ufsm.br Janete Perera

Leia mais

4 Análise de confiabilidade de estruturas

4 Análise de confiabilidade de estruturas 4 Análse de confabldade de estruturas Nos prmórdos da engenhara cvl, o desconhecmento técnco-centífco conduza a proetos excessvamente seguros, mas em contrapartda de custo muto elevado. Hoe em da, o progresso

Leia mais

Estimação Bayesiana das Fragilidades Individuais de Pacientes em Tratamento de Hemodiálise

Estimação Bayesiana das Fragilidades Individuais de Pacientes em Tratamento de Hemodiálise Estmação Bayesana das Fragldades Indvduas de Pacentes em Tratamento de Hemodálse Grazela Dutra Rocha Gouvêa 2 Vera Lúca Damasceno Tomazella 3 João Domngos Scalon 4 Introdução Em análse de sobrevvênca consdera-se,

Leia mais

MEDIÇÕES DE VIBRAÇÕES NO CORPO HUMANO ESTIMATIVA DA INCERTEZA

MEDIÇÕES DE VIBRAÇÕES NO CORPO HUMANO ESTIMATIVA DA INCERTEZA Acústca 008 0 - de Outubro, Combra, Portugal Unversdade de Combra MEDIÇÕES DE VIBRAÇÕES NO CORPO HUMANO ESTIMATIVA DA INCERTEZA Jorge Fradque, Fátma Inglês Drecção Regonal da Economa de Lsboa e Vale do

Leia mais

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

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

Leia mais

PREVISÃO DE CUSTO DE HORA-EXTRA COM A UTILIZAÇÃO DO MODELO TOBIT

PREVISÃO DE CUSTO DE HORA-EXTRA COM A UTILIZAÇÃO DO MODELO TOBIT PREVISÃO DE CUSTO DE HORA-EXTRA COM A UTILIZAÇÃO DO MODELO TOBIT Anderson de Barros Dantas Doutorando do PPGEP/UFSC/Bolssta CNPq anderson@eps.ufsc.br Robert Wayne Samohyl Prof. PhD do PPGEP/UFSC samohyl@eps.ufsc.br

Leia mais

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

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

Leia mais

Dependência Espacial de espécies nativas em fragmentos. florestais

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

Leia mais

ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO

ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ADMINISTRAÇÃO ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Eemplos em STATA. Prof. Dr. Evandro Marcos

Leia mais

4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES

4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES 4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento

Leia mais

Previsão de Carga Utilizando Support Vector Machine (SVM)

Previsão de Carga Utilizando Support Vector Machine (SVM) Ttle Prevsão de Carga Utlzando Support Vector Machne (SVM) Regstraton Nº: (Abstract) 200 Company AES ELETROPAULO METROPOLITANA / UNIVERSIDADE PRESBITERIANA MACKENZIE Authors of the paper Name Country e-mal

Leia mais

2 Experimentos com Mistura

2 Experimentos com Mistura Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras Expermentos com Mstura Neste capítulo são apresentados tópcos para planeamento e análse de Expermentos com Mstura (EM) com

Leia mais

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:

A redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo: UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): A redução da

Leia mais

DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA

DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade

Leia mais

Estudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens

Estudo comparativo entre redes neurais artificiais e análise de regressão múltipla na avaliação de bens, para pequenas amostragens Estudo comparatvo entre redes neuras artfcas e análse de regressão múltpla na avalação de bens, para pequenas amostragens Elane Hasselmann Camardella Schavo (CEFET/RJ) elane@consultora-cca.com.br Márco

Leia mais

Exercícios. Utilizando um novo critério, essa banca avaliadora resolveu descartar a maior e a menor notas atribuídas ao professor.

Exercícios. Utilizando um novo critério, essa banca avaliadora resolveu descartar a maior e a menor notas atribuídas ao professor. Estatístca Exercícos 1. (Enem 013) Fo realzado um levantamento nos 00 hotés de uma cdade, no qual foram anotados os valores, em reas, das dáras para um quarto padrão de casal e a quantdade de hotés para

Leia mais

Construção e aplicação de índices-padrão

Construção e aplicação de índices-padrão Construção e aplcação de índces-padrão Artgo Completo José Aparecdo Moura Aranha (Admnstrador e Contador, Professor Assstente do Curso de Admnstração da Unversdade Federal de Mato Grosso do Sul - Câmpus

Leia mais

CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA

CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA 3. Método Utlzando Ponto de Controle O uso de pontos de controle é o meo mas exato para a determnação do offset da fase nterferométrca. Normalmente utlza-se

Leia mais

PROBABILIDADE - CONCEITOS BÁSICOS

PROBABILIDADE - CONCEITOS BÁSICOS ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo

Leia mais

MODELAGEM DE CURVAS DE MAGNETIZAÇÃO PARA SOLUÇÃO ITERATIVA DE CIRCUITOS MAGNÉTICOS NÃO LINEARES

MODELAGEM DE CURVAS DE MAGNETIZAÇÃO PARA SOLUÇÃO ITERATIVA DE CIRCUITOS MAGNÉTICOS NÃO LINEARES MODELAGEM DE CURVAS DE MAGNETIZAÇÃO PARA SOLUÇÃO ITERATIVA DE CIRCUITOS MAGNÉTICOS NÃO LINEARES MEZA, Rafael Argüello, estudante de graduação, CEFET-PR, 2005 Centro Federal de Educação Tecnológca do Paraná

Leia mais

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT

ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br

Leia mais

Resumo 7-22, Janete Pereira Amador 1, Sidinei José Lopes 2, João Eduardo Pereira 1, Adriano Mendonça Souza 1, Marcos Toebe 3

Resumo 7-22, Janete Pereira Amador 1, Sidinei José Lopes 2, João Eduardo Pereira 1, Adriano Mendonça Souza 1, Marcos Toebe 3 7-, 011 Análse das pressuposções e adequação dos resíduos em modelo de regressão lnear para valores ndvduas, ponderados e não ponderados, utlzando pro- cedmentos do SAS Janete Perera Amador 1, Sdne José

Leia mais

Análise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas

Análise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled

Leia mais

UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ECONOMIA RURAL. ERU ECONOMETRIA I Segundo Semestre/2010

UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ECONOMIA RURAL. ERU ECONOMETRIA I Segundo Semestre/2010 UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ECONOMIA RURAL ERU 66 - ECONOMETRIA I Segundo Semestre/010 AULA PRÁTICA N o 3- Dados em Panel Ana Carolna Campana Nascmento Fernanda

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

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

Leia mais