4.1. Medidas de Posição da amostra: média, mediana e moda
|
|
- Brian Mendes Gomes
- 6 Há anos
- Visualizações:
Transcrição
1 4. Meddas descrtva para dados quanttatvos 4.1. Meddas de Posção da amostra: méda, medana e moda Consdere uma amostra com n observações: x 1, x,..., x n. a) Méda: (ou méda artmétca) é representada por x e é dada soma das observações, dvda pelo número de observações. x n 1 n x Exemplo 1: Sejam os dados:, 3, 6, 3, 5, 4, 3, 4,, 3, 10 logo x 35 x Propredade: Se y = ax + b, então, para uma amostra x 1, x,..., x n, temos: y a x b, 1,, n,, e y a x b
2 Exemplo : Se Y = X 1, então, temos os dados transformados: 3, 5, 11, 5, 9, 7, 5, 7, 3, 5 e y y Note que, para duas varáves x e y, se z = x/y, então: z x y b) Medana: representada por med (x), é dada pela observação que ocupa a posção central das observações ordenadas. Defnção: Estatístca de ordem: a estatístca de ordem é dada pela -ésma observação ordenada, sendo representada por: x (), = 1,,..., n, ou seja: ) x (1) é a prmera estatístca de ordem, ou o valor mínmo da amostra; ) x (n) é a n-ésma estatístca de ordem ou o valor máxmo da amostra. ) x () é a -ésma estatístca de ordem, ou a -ésma observação ordenada; Por exemplo, para =, x () é a segunda estatístca de ordem, ou o segundo menor valor da amostra;
3 Desta forma, temos que as estatístcas de ordem fornecem a amostra ordenada: x (1) x ()... x (n) Seja a amostra ordenada, x (1) x ()... x (n), então, a posção central é dada pela estatístca de ordem, portanto, med ( x) x n1 Exemplo 3: Sejam os dados:, 3, 6, 3, 5, 4,, 5, (n = 9). Dados ordenados:,,, 3, 3, 4, 5, 5, 6 Então, med ( x ) x 5 3 Notas: ) A medana também é representada por x ~ ; ) Se n é par, a medana é dada pela méda artmétca das duas observações centras. Exemplo 4: Sejam agora:,,, 3, 3, 4, 4, 5, 5, 6 (n = 10). x(5) x(6) 3 4 Então, med ( x) x c) Moda: representada por mo (x), é observação da amostra com maor frequênca, ou seja, a que mas se repete. Um conjunto de dados pode ter mas de uma moda, ou até mesmo, não ter moda.
4 Classfcação de um conjunto de dados em relação ao número de modas: ) unmodal: quando o conjunto tem uma únca moda; ) bmodal: quando o conjunto tem duas modas; ) multmodal: quando o conjunto tem três ou mas modas; v) amodal: quando o conjunto não tem moda (neste caso, todas as observações aparecem uma únca vez na amostra). Exemplo 5: Com os dados:, 3, 6, 3, 5, 4, 3, 4,, 3 Então, mo ( x) 3 (aparece 4 na amostra) O conjunto é unmodal. O moda pode, anda, ser calculada para varáves categórcas. Neste caso, o resulta será um valor não numérco. Veja o exemplo: Consdere os concetos de n = 10 alunos: D B A B C A A C B B mo(conceto) = B (aparece 4 na amostra) Exemplo 6: Dos alunos de Estatístca 1, dos anos 015, 016 e 017, que pratcam alguma atvdade físca regularmente, seja o número de vezes que pratcam essa atvdade físca na semana. Dados:
5 Dados ordenados: ) Méda amostral: 10 1 x, Portanto a méda amostral é: 10 x 3,4 vezes/semana 37 n 1 ) Medana amostral: como n = 37, então 19, logo, a medana é a observação ordenada que ocupa a 19ª posção, ou seja: med ( x ) x 19 3 vezes/semana ) Moda da amostra: da tabela de frequêncas verfca-se que a observação mas frequente na amostra é o 3, que aparece 14 vezes. Desta forma, a moda é: mo ( x) 3 vezes/semana
6 Podemos resumr as meddas de posção numa tabela: Tabela: Meddas de posção amostral da varável número de vezes que pratca atvdade físca na semana. méda medana moda 3,4 vezes/semana 3 vezes/semana 3 vezes/semana Exemplo 7: Altura (em metros) de n = 30 alunos de Estatístca 1, de 015 a 017. X = altura dos alunos (em metros) Dados ordenados: 1,54 1,57 1,59 1,59 1,60 1,6 1,63 1,65 1,67 1,68 1,70 1,70 1,70 1,7 1,7 1,73 1,74 1,74 1,75 1,75 1,77 1,78 1,78 1,79 1,80 1,83 1,84 1,90 1,90 1,95 30 ) Méda amostral: 51, 75 1 x. 51,73 Portanto a méda amostral é: x 1, 74 metros 30 n 1 ) Medana amostral: como n = 30, então 15, 5, logo, a medana é a observação ordenada que ocupa a posção 15,5, ou seja, é dada pela méda artmétca entre a 15ª e 16ª observações ordenadas:
7 x(15) x(16) 1,7 1,73 med ( x) x15,5 1, 75 metros ) Moda da amostra: a moda é dada pela observação 1,70m, que aparece 3 vezes na amostra: mo ( x) 1,70 metros Comandos do R para as meddas de posção: altura <- c(1.70, 1.73, 1.83, 1.60, 1.75, 1.84, 1.77, 1.78, 1.74, 1.6, 1.70, 1.67, 1.63, 1.90, 1.54, 1.68, 1.95, 1.90, 1.59, 1.74, 1.80, 1.57, 1.75, 1.7, 1.59, 1.70, 1.65, 1.78, 1.79, 1.7) # soma das observações soma <- sum(altura) soma # meda anostral xbar <- mean(altura) xbar # medana amostral medana <- medan(altura) medana
8 A moda não tem uma função pronta no R, portanto, podemos programar uma função e utlzá-la sempre que for necessáro. # Função no R para a moda ########################## mo <- functon(v){ tabela <- table(as.vector(v)) m <- names(tabela)[tabela == max(tabela)] f(s.numerc(v)){m <- (as.numerc(m))} f(length(m)==length(v)){ prnt("conjunto não possu moda.")} else{return(m)} } x <- c(1,,,,3,3) mo(x) x <- c("e","s","t","a","t","","s","t","","c","a") mo(x) # moda da varável altura moda <- mo(altura) moda # veja sso! altura[1] < mo(altura) # Crando uma lsta com estatístcas descrtvas # de posção méda, medana e moda. ################################################ descr <- as.matrx(c(mean(altura),medan(altura),mo(altura))) dmnames(descr)[[1]] <- c("méda","medana","moda") dmnames(descr)[[]] <- "altura" round(descr,4)
9 Méda, Moda e Medana e a Smetra dos dados Consdere o hstograma abaxo: Fgura 4: Função de dstrbução de probabldades sobre o hstograma. O que podemos dzer com relação a smetra da dstrbução de frequêncas representa por este hstograma? Quando uma dstrbução de frequêncas é perfetamente smétrca, teremos que a méda artmétca, a moda e a medana serão guas, ou seja: x = mo(x) = med(x)
10 E quanto ao exemplo acma (Fgura 4), como podemos classfcá-lo em função da sua falta de smetra? Quando a dstrbução não é smétrca, podemos dstngur duas stuações possíves (Fgura 5): ) A cauda superor da dstrbução é mas alongada, puxando a dstrbução para a dreta. Neste caso, a méda é maor do que a moda e a assmetra é dta à dreta ou postva. ) A cauda nferor da dstrbução é mas alongada, puxando a dstrbução para a esquerda. Neste caso, a méda é menor do que a moda e a assmetra é dta à esquerda ou negatva. Fgura 5: Assmetras à dreta e à esquerda, respectvamente.
11 Assm, para cada stuação, teremos: ) Quando a smetra é perfeta as três meddas são guas. ) Na stuação em que ocorre a assmetra à dreta, teremos a moda menor do que a medana que é menor do que a méda.
12 ) E, para a assmetra à esquerda, devemos ter a méda menor do que a medana que é menor do que a moda. Observação mportante! As relações apresentadas são consequênca da smetra () ou assmetra () e (), não a causa.
13 Relação entre méda, moda e medana A Méda : usada para resumr dados contínuos smétrcos ou aproxmadamente smétrcos; aproprada quando o tamanho da amostra é moderado ou grande, mesmo quando a smetra não tão boa; é nfluencada por valores extremos, sendo puxada na dreção da cauda mas alongada (ver Fgura 5), especalmente para amostras pequenas. A Moda é o elemento de maor frequênca, sendo o ponto de máxmo de f(x); a moda é aproprada para dados de contagem; pode ser aplcada a dados qualtatvos, nomnas ou ordnas; quando o tamanho da amostra é grande, é robusta a valores extremos. A Medana está sempre no meo do conjunto, dvdndo-o em duas partes guas, fcando entre as duas meddas anterores; por ser uma medda robusta a valores extremos, é aproprada para resumr dados assmétrcos; pode ser utlzada para dados qualtatvos ordnas.
14 4.1.. As médas geométrca e harmônca a) Méda Geométrca: MG(x) e é dada pela n-ésma raz do produto das n observações da amostra MG( x) n x 1 1/ n n x 1 x x n Exemplo 8: Sejam os dados:, 3, 6, 3, 5, 4, 3, 4,, 3, 10 logo x MG ( x) , Obs: ) para o cálculo da méda geométrca, os valores devem ser todos postvos e dferentes de zero; ) outra forma de apresentação da méda geométrca é dada pela relação: log( x ) log( x ) log( x MG( x) exp 1 n) n exp 1 n log( x ) n 1
15 Exemplo 9: Com os dados anterores, log( x ) 11, 95453, e ,95453 MG ( x) exp 3, Propredades: ) Seja a amostra x 1, x,..., x n, então, MG( a x) a MG( x) ; Exemplo 10: Se y = x: MG( y) MG( x) ) Sejam duas varáves X e Y, então, MG x y MG( x). MG( y) Exemplo 11: Seja a segunte amostra de uma varável y: 10,0 15,0 10,0 5,0 7,5 5,0 7,5 7,5 1,5 7,5, então MG ( y) 8,6636 e, x MG y 0.4 MG( x) MG( y)
16 b) Méda Harmônca: MH(x) e é dada pelo recíproco da méda artmétca dos nversos das observações MH ( x) 1 1/ x1 1/ x n 1/ x n 1 x 1 1 x n 1 x n n 1 n 1 x Obs: também, para o cálculo da méda harmônca, os valores devem ser todos postvos e dferentes de zero. Exemplo 1: Sejam os dados:, 3, 6, 3, 5, 4, 3, 4,, 3, 10 1 logo 3. x 1 10 MH ( x) Propredade: Seja a amostra x 1, x,..., x n, então, MH ( a x) a MH ( x)
17 Exemplo 13: Se y = x: 10 1 então, 1. 6 y 1 10 MH ( y) 6.5 MH ( x) Relações entre as meddas deposção ) Relação de desgualdades entre as médas artmétca, geométrca e harmônca MH ( x) MG( x) Se todas as observações forem guas, ( x 1 = x =... = x n ), temos a gualdade MH ( x) MG( x) x x ) Relação empírca entre méda artmétca, medana e moda. Karl Pearson, matemátco famoso, no fnal do século XIX e níco do XX, observou emprcamente, a segunte relação entre as três meddas de posção méda, medana e moda: x mo( x) 3 x med( x) ou, anda mo( x) med( x) x
18 Observações: 1) Se a dstrbução dos dados for perfetamente smétrca, então x med( x) mo( x) ; ) A relação só se aplca a dstrbuções com boa smetra; 3) Só é valda para casos unmodas; 4) Depende de um tamanho de amostra n elevado.
19 Exemplos de meddas de posção Exemplo 14: uma grande companha está preocupada com o tempo em que seus equpamentos fcam em manutenção na assstênca técnca. Assm sendo, fez um levantamento do tempo de manutenção (das) de 50 equpamentos para um estudo mas detalhado. X = das em manutenção de equpamentos Dados Ordenados: n = 50 observações Meddas Descrtvas de Posção: n ) Méda: 1 x x das ( 8 das) 50
20 ) Medana: Determnando a posção da medana n Logo, a medana é dada pela méda entre a 5ª e 6ª observações ordenadas: x(5) x(6) 6 6 med ( x) 6 das ) Moda: mo(x) = 5 das (aparece 5 na amostra) o conjunto é unmodal. v) Méda geométrca: n 1 x / 50 ( x) MG das n Como log( x ) , temos, anda, MG ( x) exp e das
21 n 1 v) Méda harmônca: x 1 50 MH ( x) das Exemplo 15: Em 1798 o centsta nglês Henry Cavendsh medu a densdade do globo terrestre em 9 ensaos. Os dados foram obtdos do Annals os Statstcs, X = densdade do globo terrestre (g/cm 3 ) Dados ordenados n = 9 observações Meddas Descrtvas de Posção: n ) Méda: 1 x x g/cm 3 9 ) Medana: Determnando a posção da medana n
22 Logo a medana é a 15ª observação ordenada. med x) x ( 5.46g/cm 3 ( 15) ) Moda: mo 1 (x) = 5.9 g/cm 3 e mo (x) = 5.34 g/cm 3 o conjunto é bmodal. v) Méda geométrca: n 1 x / 9 ( x) MG g/cm 3 n Como log( x ) , temos, anda, MG( x) exp e g/cm 3. 9 n 1 v) Méda harmônca: x 1 9 MH ( x) g/cm
23 Exemplo 16: Altura dos alunos das turmas A e B de Estatístca 1 no prmero semestre de 015. X = altura dos alunos (em metros). Dados ordenados n = 55 observações Dados: x 94.5; x Calcule as meddas de posção: médas artmétca, geométrca e harmônca; medana e moda.
24 Meddas Descrtvas de Posção: 94.5 ) Méda: x = 94.5 x m 55 n 1 56 ) Medana: 8, logo a medana é a 8ª observação ordenada: med ( 8) x) x ( 1.7m ) Moda: mo(x) = 1.70m aparece 5 na amostra, o conjunto é unmodal,
25 4.. Meddas de Dspersão (ou de varação) a) Ampltude: é dada pela dferença entre o maor e o menor valor da amostra. Sejam x( 1) mn[ x1, x,, xn] e x( n) max[ x1, x,, xn], x então, a ampltude da amostra é defnda por: A x ( x. n) A ampltude A representa o tamanho da regão na qual os dados foram observados. b) Varânca e desvo-padrão amostras: A varânca amostral é defnda pela soma dos quadrados dos desvos das observações em relação à meda amostral x, dvdda por (n 1), ou seja (1) x s 1 n. x x n 1 Mostra-se faclmente que s pode ser escrta como s n 1 x n 1 nx. O desvo padrão amostral, denotado por s, é defndo pela raz quadrada da varânca amostral e é expresso na mesma undade dos dados: s 1 n x x n 1.
26 c) Ampltude Interquartl: é dada pela dferença entre o 3º e o 1º quarts e representa a regão ocupada pelos 50% das observações centras. Para defnr a ampltude nterquartl, vamos prmero defnr o que são quarts amostras, Quarts amostras são meddas descrtvas que dvdem a amostra ordenada em quatro parcelas guas de 5%, ou seja, 5% 5% 5% 5% Q 1 Q Q 3 med(x) Assm sendo: ) Q 1 é o prmero quartl; ) Q = med(x), é o segundo quartl, ) Q 3 é o tercero quartl. Desta forma, denotada por A q, é defnda por A q = Q 3 Q 1 A q determna o tamanho da regão em torno da medana que contém 50% das observações centras,
27 4..1. Métodos para a obtenção dos quarts amostras Para a obtenção dos quarts devemos proceder da mesma forma que para a medana. Uma vez que a medana esteja determnada, temos o conjunto de dados ordenados dvddo em duas partes. Os quarts, então, são dados pelas observações centras destas duas metades. Q 1 med(x) Q 3 Observação central da metade nferor Observação central da metade superor O procedmento para encontrar os quarts é o mesmo usado para a medana, porém, teremos dos procedmentos dependendo do tamanho da amostra n ser par ou ímpar. ) Se o tamanho da amostra n for par: o procedmento é o mesmo da medana, sendo aplcada a cada uma das metades (nferor e superor); Exemplo 17: Dados: n = 14 med ( x) x (7) x (8) A medana med(x) = 5.5 dvde os dados em dos grupos de 7 observações cada um. Assm,
28 7 1 4 Q 1 é a 4ª observação da metade nferor e, Q 3 é a 4ª observação da metade superor. Desta forma, os quarts serão as observações ordenadas que ocupam as posções 4 e = 11. 5, Q 1 x(4) 3 Q 3 x(11) 7 ) Se o tamanho da amostra n for ímpar: devemos optar por nclur, ou não, a medana nos cálculos para a determnação dos quarts..1) se a medana não for ncluída, então teremos dos grupos, nferor e superor à medana, cada um com ( n 1) observações n 1 observações nferores n 1 observações superores Q 1 med(x) Q 3 e os quarts Q 1 e Q 3 são obtdos normalmente.
29 Exemplo 18: Dados: n = 13 A medana med x) x ( 5 dvde os dados em dos grupos ( 7) ordenados de 6 observações cada e, os quarts serão as médas entre as observações ordenadas x (3) e x (4) e as observações x (10) e x (11) (7 + 3 = 10) Q 1 é a méda da 3ª e 4ª observações do grupo nferor e, Q 3 é a méda da 3ª e 4ª observações do grupo superor Q x x 3 (3) (4) 1.5 Q x x 6 7 (10) (11) 3 6.5
30 .) se a medana for ncluída, então, ela deve ser consderada 1 tanto para a obtenção do 1º quartl, na metade nferor como na obtenção do 3º quartl, na metade superor. Desta forma, teremos grupos, com ( n 1) observações cada. grupo nferor grupo superor Q 1 med(x) Q 3 e os quarts Q 1 e Q 3 são obtdos normalmente. Exemplo 19: Dados: n = 13 A medana med x) x ( 5 dvde os dados em dos grupos ( 7) ordenados de 6 observações cada, Inclundo a medana ao procedmento, teremos uma observação a mas em cada grupo, ou seja, teremos 7 observações Q 1 é a 4ª observação do grupo nferor e, Q 3 é a 4ª observação do grupo superor, ou seja, a 10ª observação ordenada (6 + 4), 1 Observe que a medana é uma só. Ela é apenas consderada nos dos grupos para as contagens das posções dos quarts.
31 Q Q x(4) 3 x(10) 3 6 ) Outra forma para a obtenção dos quarts é apresentada por Murtera (00), Se a medana ocupa a posção (n + 1)/, então Q 1 deverá ocupar a posção: n 1 1 n 3 4 Para a posção de Q 3 fazemos: ( n 1) n 3 4 3n 1 4 Portanto, Q 1 e Q 3 são dados pelas observações ordenadas que n 3 3n 1 ocupam as posções e, respectvamente, 4 4 n 3 3n 1 Se os valores de e não forem nteros, Q 1 e Q devem ser obtdos por nterpolação lnear,
32 Por exemplo, se n 3 4 k, em que k é a parte ntera e a parte decmal, então, Q 1 pertence ao ntervalo x ; x ) e ( ( k ) ( k1) Q 1 x( k ) [ x( k 1) x( k ) Para Q 3 o procedmento é semelhante, ou seja, se 3n 1, 4 então, Q 3 pertence ao ntervalo x ; ) e Q ( ( ) x( 1) 3 x( ) [ x( 1) x( ) Exemplo 0: Dados: n = 14 Para a determnação de Q 1, temos: posção de Q 1 : Como = 0,5, Q 1 é a nterpolação entre a 4ª e 5ª observações ordenadas: Q 3 0.5(4 3) ] ] Para a determnação de Q 3, temos:
33 posção de Q 3 : Aqu = 0,75 e Q 3 é a nterpolação entre a 10ª e 11ª observações ordenadas: Q (7 6) Obs: o tem () com n ímpar é equvalente ao tem (.), Notas: Assm como a medana, os quarts amostras dependem do tamanho da amostra n, fazendo com que nem sempre os quatro grupos tenham o mesmo tamanho; Exstem dversas outras formas para a determnação dos quarts, Nesta dscplna daremos ênfase nos tens () e (.1); Para n pequeno, pode-se, anda, obter os quarts grafcamente pelo hstograma dos dados; Os quarts são casos especas dos quants (ou percents), que são denotados por: x(p) p-ésmo quantl ou quantl de ordem p, Portanto, o quantl x(p) é dado pela observação ordenada que dexa uma frequênca acumulada gual 100p % abaxo de s, Assm sendo temos que: ) Q 1 = x(0.5) quantl de ordem 0.5; ) Q = med(x) = x(0.50) quantl de ordem 0.50; ) Q 3 = x(0.75) quantl de ordem 0.75,
34 4... Exemplos de meddas de dspersão: Exemplo 1: Número de pessoas com dabetes em 0 grupos de 1000 pessoas cada. Neste caso, foram obtdos os seguntes dados: 7, 8, 8, 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 10, 10, 10, 11, 11, 11, 1 n n 1 x 193 e x a) Méda: x casos ( 10); 0 x(10 ) x(11) 1010 b) Medana: med ( x) 10 casos c) Moda: mo(x) = 10 casos. d) Varânca e desvo padrão amostral: (9.65) s s 1.397(casos) 19 s casos ( 1)
35 e) Ampltude amostral: A 17 5 casos f) Ampltude nterquartl: 101 posção de Q 1 : 5. 5, logo, o 1º quartl é dado pela méda entre a 5ª e 6ª observações ordenadas: x(5) x(6) 9 9 Q 1 9 casos. posção de Q 3 : , logo o 3º quartl dado pela méda entre a 15ª e 16ª observações ordenadas: x(15) x(16) 1010 Q 3 10 casos. Desta forma, a ampltude nterquartl é: A caso. q Relação entre as ampltudes amostral e nterquartl: A q A Ou seja, a metade das observações centras representam 0% da ampltude total dos dados.
36 Exemplo : Altura dos alunos das turmas A e B de Estatístca 1 no prmero semestre de 015. X = altura dos alunos (em metros). Dados ordenados n = 55 observações n Dado: x e x a) Méda: x m; 55 b) Medana: med x) x ( 1. 7m; ( 8) c) Moda: mo ( x) d) Varânca e desvo padrão amostral: (1.7185) s s m
37 s m e) Ampltude amostral: A = 0.43m f) Ampltude nterquartl: (sem nclur a medana) O prmero quartl é a posção central da metade nferor Q 1 x(14) 1.65m O tercero quartl é a posção central da metade superor Q 3 x(4) 1.78m Desta forma, a ampltude nterquartl é: A = 0.13 q Relação entre as ampltudes amostral e nterquartl: A q A Metade das observações centras representam 30.% da ampltude total dos dados.
38 Exemplo 3: Das de manutenção de equpamentos de uma grande companha, (n = 50 observações) X = das em manutenção de equpamentos, Dados Ordenados: n n 1 x 39 e x a) 39 x das 50 b) x(5) x(6 ) med ( x) 6 das c) mo(x) = 8 das d) Varânca e desvo padrão amostral: (7.84) s.5453 das s das e) Ampltude amostral: A 1 19 das
39 f) Ampltude nterquartl: A medana está entre a 5ª e 6ª posção, logo o prmero quartl é a posção central da metade nferor dos dados, ou seja: 51 13, logo o 1º quartl é a 13ª observação ordenada, Q x 4 das, 1 (13) O tercero quartl é a posção central da metade superor , logo o 3º quartl é a 38ª observação ordenada, Q x 10 das, 3 (38) Desta forma, a ampltude nterquartl é: Aq das Relação da ampltude nterquartl com a ampltude total: A 6 q A 19. Metade das observações centras representam 31.6% da ampltude total.
40 Exemplo 4: Dados Cavendsh. X = densdade do globo terrestre (g/cm 3 ). Dados ordenados n = 9 observações x e x x 5.448g/cm 3 9 a) Varânca amostral: (5.4479) s (g/cm 3 ) 91 8 Desvo padrão amostral: s g/cm 3 b) Ampltude amostral: A g/cm 3 c) Ampltude nterquartl: A medana é 15ª observação ordenada, o prmero quartl (exclundo-se a medana do cálculo) é a posção central da metade nferor dos dados, ou seja:
41 x(7) x(8) Q g/cm 3, x() x(3) Q g/cm 3 Desta forma, a ampltude nterquartl é: A = 0.3 g/cm 3, q Relação da ampltude nterquartl com a ampltude total: A 0.3 q A Metade das observações centras representam 33.0% da ampltude total.
42 4.3. O coefcente de varação amostral: Uma medda utlzada para quantfcar a varabldade dos dados é o coefcente de varação, ou cv. O cv de varação amostral é dado pela razão do desvo padrão da amostra s e a méda amostral x : cv s x Notas: O coefcente de varação compara a magntude do desvo padrão s com a méda x. Se cv 1 s x. O coefcente de varação é uma medda admensonal (é um número puro) também podendo ser expresso em %. Exemplo 5: a) Número de casos com dabetes em 0 grupos de 1000 pessoas: x 9.65 casos/grupo s (casos/grupo) s casos/grupo 1.18 cv 0.1 ou 1.% 9.65
43 b) Altura dos alunos da dscplna Estatístca 1: x m s m s m cv ou 5.30% c) Das de manutenção de equpamentos: x 7.84 das s.5453 das s das cv ou 60.6% 7.84 d) Dados Cavendsh: x 5.448g/cm 3 s g/cm cv ou 4.01%, 5.448
44 Nos exemplos acma temos os cv s de quatro processos dstntos, sendo o maor deles (das manutenção) 15 vezes maor do que o menor (Cavendsh), ndcando claramente as dferenças na dspersão dos dados. Tabela: Coefcentes de varação dos exemplos. Dados cv cv (%) Manutenção % Dabetes % Alturas % Cavendsh % Um ponto de grande nteresse, contudo, dz respeto a classfcar o cv e poder dzer se um conjunto de dados tem uma dspersão muto alta, ou não. A segur serão apresentados três crtéros para classfcação do coefcente de varação Como classfcar o Coefcente de Varação O cv tem uma característca partcular de ser ntrínseco a cada processo, tendo sdo muto estudado na área agrícola, mas especfcamente, na expermentação agronômca. Város autores ndcam dferentes métodos para se classfcar o coefcente de varação. A segur, são apresentadas três classfcações.
45 I) Classfcação segundo Pmentel Gomes (1985), baseada em ensaos agrícolas. Faxa cv dspersão menor ou gual a 10% baxo baxa dspersão dos dados entre 10% e 0% médo méda dspersão dos dados entre 0% e 30% alto alta dspersão dos dados maor do que 30% muto alto dspersão dos dados muto alta II) Classfcação segundo Ferrera, F.V. (1991), Estatístca Expermental Aplcada à Agronoma, classfca com respeto à precsão do processo. Faxa cv precsão Abaxo de 10% muto baxo ótma entre 10% e 15% baxo boa entre 15% e 0% médo regular entre 0% e 30% alto rum maor do que 30% muto alto muto rum (ou péssma) III) Classfcação obtda no ste muto utlzada em CEP - Controle Estatístco do Processo. Faxa cv dspersão menor ou gual a 15% baxo baxa dspersão dos dados entre 15% e 30% médo méda dspersão dos dados maor do que 30% Alto alta dspersão dos dados
46 Exemplo 6: a) Dabetes: 1.18 cv 0.1 (1.%) cv baxo a médo b) Aturas dos alunos: cv (5.3%) cv baxo. c) Das de manutenção de equpamentos: cv (60.6%) cv alto ou muto alto d) Dados Cavendsh: cv (4.01%) cv baxo
47 4.4. O dagrama box-plot Representação gráfca da dspersão dos dados em torno da medana, é construído com as 5 meddas ordenadas: mínmo, Q 1, med(x), Q 3 e máxmo. As cnco meddas podem ser apresentadas pela representação dos cnco números: med(x) Q Q 1 Q 3 E mín(x) max(x) Observações: ) A representação dos cnco números, além da construção do box-plot, ajuda na comparação da assmetra das caudas; ) Outros percents podem ser ncluídos, amplando a representação. O dagrama box-plot fornece uma vsão smplfcada da dspersão e smetra dos dados, além de ndcar possíves valores fora do padrão (valores dscrepantes). Além dsso, pode ser utlzado na comparação de dferentes processos quanto à centraldade (posção) e varabldade (dspersão). O nome box-plot refere-se à caxa construída para representar a metade das observações centras entre os quarts.
48 O box plot é consttuído de 3 partes: caxa central, braços e valores dscrepantes. ) A caxa central representa a metade das observações centras entre os quarts Q 1 e Q 3. A medana é destacada na caxa por uma lnha que a dvde em duas partes. Com sso, pode-se avalar a smetra na regão central da dstrbução dos dados; ) Os braços são construídos a partr da caxa central, representando as caudas da dstrbução. A construção dos braços é baseada nos valores dos quarts e, o tamanho dos braços serve para avalar a smetra das caudas. ) Valores dscrepantes são valores fora do padrão de dspersão, aparecendo muto dstantes da maora dos dados, podendo ndcar grande forte assmetra ou varabldade (ou ambos). Os valores dscrepantes nem sempre estão presentes, sendo representados ndvdualmente a partr das caudas. Valores dscrepantes Valores dscrepantes Q 1 1.5A Q Q 1 med(x) Q 3 Q A Q
49 Procedmento para a construção do box-plot ) Construr a caxa ou box com os valores de Q 1 e Q 3 ; ) Com uma lnha, demarcar a medana na caxa, dvdndo-a em duas partes; ) Calcular os lmtes nferor (L I ) e superor (L s ): L I = Q 1 1.5A q L S = Q A q Os lmtes L I e L s são utlzados para se dentfcar valores dscrepantes. Valores dscrepantes são observações menores do que L I ou maores do que L S e são destacados ndvdualmente no boxplot com pontos além desses lmtes. v) Para os braços do box-plot, traçar lnhas a partr dos centros das lateras nferor e superor da caxa, obedecendo ao segunte crtéro: traçar uma lnha da lateral nferor da caxa até o menor valor que não seja dscrepante ou até mn(x); marcar os pontos dscrepantes menores do que L I, caso exstam; traçar uma lnha da lateral superor da caxa até o maor valor que não seja dscrepante ou até max(x); marcar os pontos dscrepantes maores do que L S, caso exstam.
50 Exemplo 7: varável: horas gastas por semana assstndo TV. 0,,,,, 3, 4, 5, 5, 5, 5, 5, 5, 5, 6, 7, 7, 8, 8, 8, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 1, 1, 1, 1, 14, 14, 14, 14, 14, 15, 16, 18, 0, 0, 0, 5, 5, 8, Q 5 14 E 0 30 Fgura.: Box-plot s para a varável horas de TV, nas posções vertcal e horzontal. Comandos do R para o box-plot: x <- c( 0,,,,, 3, 4, 5, 5, 5, 5, 5, 5, 5, 6, 7, 7, 8, 8, 8,10,10,10,10,10,10,10,10, 10,10,10,1,1,1,1,14,14,14,14,14,15,16, 18,0,0,0,5,5,8,30) boxplot(x, col="bsque", man="horas assstndo TV", ylab="horas", pch=19)
51 Freqüênca Freqüênca Exemplo 8: varável Renda PC por exposção de cranças à volênca doméstca (grupos exposto e não exposto). Grupo exposto não exposto Estatístcas descrtvas (reas), por grupo. Grupo n x med(x) s s Q 1 Q 3 Exposto Não exposto Grupo Exposto Grupo não Exposto Box-plot renda per capta Box-plot renda per capta Grupo Exposto Grupo Não Exposto Fgura.: Hstogramas e box-plot s ndvduas
52 Fgura.3: box-plot s por grupo lado-a-lado. Comandos do R para o box-plot lado-a-lado: exp <- c(68,96,100,100,11,11,117,10,10,135,150,160, 160,00,60) nexp <- c(36,50,70,84,108,109,10,10,150,150,180,0, 50,60,300) renda <- c(nexp,exp) gr <- c(rep("nexp",length(nexp)), rep("exp",length(exp))) boxplot(renda~gr, pch=19, col=c("medumseagreen","lghtcoral")) # para o box-plot horzontal boxplot(renda~gr, pch=19, horzontal=t, col=c("medumseagreen","lghtcoral"))
53 Exemplo 9: Peso da carne de mexlhões (g) provenentes de dos locas em Santa Catarna: Sambaqu e Manguezal Exemplo 30: Total de pontos obtdos pelos alunos ngressos na UFSCar no ano de 007, nos dferentes cursos.
Estatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisAnálise descritiva de Dados. a) Média: (ou média aritmética) é representada por x e é dada soma das observações, divida pelo número de observações.
Análise descritiva de Dados 4. Medidas resumos para variáveis quantitativas 4.1. Medidas de Posição: Considere uma amostra com n observações: x 1, x,..., x n. a) Média: (ou média aritmética) é representada
Leia mais3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas
PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas
Leia maisIV - Descrição e Apresentação dos Dados. Prof. Herondino
IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisEstatística Experimental Medicina Veterinária. Faculadade de Ciências Agrárias e Veterinárias. Campus de Jaboticabal SP. Gener Tadeu Pereira
MATERIAL DIDÁTICO Medcna Veternára Faculadade de Cêncas Agráras e Veternáras Campus de Jabotcabal SP Gener Tadeu Perera º SEMESTRE DE 04 ÍNDICE INTRODUÇÃO AO R AULA ESTATÍSTICA DESCRITIVA 3 º EXERCÍCIO
Leia maisCaderno de Exercícios Resolvidos
Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
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 maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisAs tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.
1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisANÁLISE EXPLORATÓRIA DE DADOS
CENTRO DE CIÊNCIAS EXATAS CCE DEPARTAMENTO DE ESTATÍSTICA Curso de Especalzação Lato Sensu em Estatístca ANÁLISE EXPLORATÓRIA DE DADOS Professor: Dr. Waldr Medr medr@uel.br Londrna/Pr Março de 011 ÍNDICE
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisA esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva.
Dstrbução de Frequênca Tabela prmtva ROL Suponhamos termos feto uma coleta de dados relatvos à estaturas de quarenta alunos, que compõem uma amostra dos alunos de um colégo A, resultando a segunte tabela
Leia maisLQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05
LQA - LEFQ - EQ -Químca Analítca Complemantos Teórcos 04-05 CONCEITO DE ERRO ALGARISMOS SIGNIFICATIVOS Embora uma análse detalhada do erro em Químca Analítca esteja fora do âmbto desta cadera, sendo abordada
Leia maisApostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna
Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade
Leia maisMETROLOGIA E ENSAIOS
METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade
Leia maisPROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA
PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Mauro aghettn Mara Manuela Portela DECvl, IST, 0 PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Mauro aghettn Professor Assocado, Escola de Engenhara
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisUniversidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S
Unversdade Federal da Baha Insttuto de Físca Departamento de Físca da Terra e do Meo Ambente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Físca I SALVADOR, BAHIA 013 1 Prefáco Esta apostla é destnada
Leia maisAnálise de Variância. Introdução. Rejane Sobrino Pinheiro Tania Guillén de Torres
Análse de Varânca Rejane Sobrno Pnhero Tana Gullén de Torres Análse de Varânca Introdução Modelos de análse de varânca consttuem uma classe de modelos que relaconam uma varável resposta contínua com varáves
Leia maisb. As medidas de posição mais importantes são as medidas de tendência central. Dentre elas, destacamos: média aritmética, mediana, moda.
Meddas de Posção Introdução a. Dentre os elementos típcos, destacamos aqu as meddas de posção _ estatístcas que representam uma sére de dados orentando-nos quanto à posção da dstrbução em relação ao exo
Leia maisFaculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecnologa de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 7. GRÁFICOS DE INFORMAÇÕES São grácos tpcamente epostvos destnados, prncpalmente, ao públco em geral, objetvando
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisPara quantificar a variabilidade de um conjunto de dados ou medidas é que se usam medidas de dispersão. Vamos estudar algumas delas nesta aula.
Probabldade e Etatítca I Antono Roque Aula Medda de Dperão A medda de tendênca central não ão ufcente para e caracterzar um conjunto de dado. O motvo é que ete varação na natureza, to é, dado que venham
Leia maisApostila De Estatística
Apostla De Estatístca Professores: Wanderley Akra Shgut Valéra da S. C. Shgut Brasíla 006 INTRODUÇÃO 1.1. PANORAMA HISTÓRICO Toda Cênca tem suas raízes na hstóra do homem; A Matemátca que é consderada
Leia maisMedidas de tendência central. Média Aritmética. 4ª aula 2012
Estatístca 4ª aula 2012 Meddas de tendênca central Ajudam a conhecer a analsar melhor as característcas de dados colhdos. Chamamos de meddas de tendênca central em decorrênca dos dados observados apresentarem
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ
ANÁISE MATRICIA DE ESTRUTURAS DE BARRAS PEO MÉTODO DE RIGIDEZ A análse matrcal de estruturas pelo método de rgdez compreende o estudo de cnco modelos estruturas báscos: trelça plana, trelça espacal, pórtco
Leia maisO que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.
Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisESPELHOS E LENTES ESPELHOS PLANOS
ESPELHOS E LENTES 1 Embora para os povos prmtvos os espelhos tvessem propredades mágcas, orgem de lendas e crendces que estão presentes até hoje, para a físca são apenas superfíces poldas que produzem
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Varáves Varável: característcas ou tens de nteresse de cada elemento de uma população ou amostra Também chamada parâmetro, posconamento, condção...
Leia maisFACULDADE DE TECNOLOGIA TUPY CURITIBA
FACULDADE DE TECNOLOGIA TUPY CURITIBA MÉTODOS QUANTITATIVOS ESTATÍSTICA APLICADA VAGNER J. NECKEL 2010 Rev. 00 SUMÁRIO 1. CONCEITOS GERAIS...3 1.1 PANORAMA HISTÓRICO...3 1.2 DEFINIÇÃO...3 1.3 A ESTATÍSTICA
Leia maisCAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade
CAPÍTULO 4 - Varáves aleatóras e dstrbuções de probabldade Conceto de varável aleatóra Uma função cujo valor é um número real determnado por cada elemento em um espaço amostral é chamado uma varável aleatóra
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisIII. Consequências de um novo padrão de inserção das mulheres no mercado de trabalho sobre o bem-estar na região metropolitana de São Paulo
CEPAL - SERIE Polítcas socales N 60 III. Consequêncas de um novo padrão de nserção das mulheres no mercado de trabalho sobre o bem-estar na regão metropoltana de São Paulo A. Introdução Rcardo Paes de
Leia maisComo aposentadorias e pensões afetam a educação e o trabalho de jovens do domicílio 1
Como aposentadoras e pensões afetam a educação e o trabalo de jovens do domcílo 1 Rodolfo Hoffmann 2 Resumo A questão central é saber como o valor da parcela do rendmento domclar formada por aposentadoras
Leia maisControle Estatístico de Processos: a questão da autocorrelação, dos erros de mensuração e do monitoramento de mais de uma característica de qualidade
Controle Estatístco de Processos: a questão da autocorrelação, dos erros de mensuração e do montoramento de mas de uma característca de qualdade Docentes: Maysa S. de Magalhães; Lnda Lee Ho; Antono Fernando
Leia maisSistemas de equações lineares
Sstemas - ALGA - / Sstemas de equações lneares Uma equação lnear nas ncógntas ou varáves x ; x ; :::; x n é uma expressão da forma: a x + a x + ::: + a n x n = b onde a ; a ; :::; a n ; b são constantes
Leia mais2. BACIA HIDROGRÁFICA
. BACIA HIDROGRÁFICA.1. GENERALIDADES Embora a quantdade de água exstente no planeta seja constante e o cclo em nível global possa ser consderado fechado, os balanços hídrcos quase sempre se aplcam a undades
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia maisConsideraremos agora, uma de cada vez, as equivalentes angulares das grandezas de posição, deslocamento, velocidade e aceleração.
CAPÍTULO 5 77 5.1 Introdução A cnemátca dos corpos rígdos trata dos movmentos de translação e rotação. No movmento de translação pura todas as partes de um corpo sofrem o mesmo deslocamento lnear. Por
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisComprimento de Arco. Comprimento de Arco
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Comprmento de Arco
Leia mais3.1. Conceitos de força e massa
CAPÍTULO 3 Les de Newton 3.1. Concetos de força e massa Uma força representa a acção de um corpo sobre outro,.e. a nteracção físca entre dos corpos. Como grandeza vectoral que é, só fca caracterzada pelo
Leia maisRM 68 INCERTEZA DE MEDIÇÃO: GUIA PRÁTICO DO AVALIADOR DE LABORATÓRIOS SUMÁRIO 1 OBJETIVO E CAMPO DE APLICAÇÃO 2 REFERÊNCIAS 3 DEFINIÇÕES 4 METODOLOGIA
RM 68 INCERTEZA DE MEDIÇÃO: GUIA PRÁTICO DO AVALIADOR DE LABORATÓRIOS PROCEDIMENTO DO SISTEMA DE GESTÃO DA QUALIDADE REVISÃO: 05 ABR/013 SUMÁRIO 1 OBJETIVO E CAMPO DE APLICAÇÃO REFERÊNCIAS 3 DEFINIÇÕES
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maissão os coeficientes desconhecidos e o termo ε (erro)
Regressão Lnear Neste capítulo apresentamos um conjunto de técncas estatístcas, denomnadas análse de regressão lnear, onde se procura estabelecer a relação entre uma varável resposta e um conjunto de varáves
Leia maisMedidas de Localização
07/08/013 Udade : Estatístca Descrtva Meddas de Localzação João Garbald Almeda Vaa Cojuto de dados utlzação de alguma medda de represetação resumo dos dados. E: Um cojuto com 400 observações como aalsar
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisTermodinâmica e Termoquímica
Termodnâmca e Termoquímca Introdução A cênca que trata da energa e suas transformações é conhecda como termodnâmca. A termodnâmca fo a mola mestra para a revolução ndustral, portanto o estudo e compreensão
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli
UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 7 ANÁLISE DE REGRESSÃO LINEAR Cesar Augusto Taconel Curtba-PR . INTRODUÇÃO Taconel, C.A. Análse de Regressão Lnear Ao se tratar da relação
Leia maisManual dos Indicadores de Qualidade 2011
Manual dos Indcadores de Qualdade 2011 1 Dretora de Avalação da Educação Superor Clauda Maffn Grbosk Coordenação Geral de Controle de Qualdade da Educação Superor Stela Mara Meneghel Equpe Técnca: José
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisESTATÍSTICA. PROBABILIDADES Professora Rosana Relva Números Inteiros e Racionais ESTATÍSTICA. Professor Luiz Antonio de Carvalho
PROBABILIDADES Professora Rosana Relva Números Interos e Raconas APRESENTAÇÃO ROL:,,, 4, 4,,, DISCRETA : rrelva@globo.com PROGRESSÃO ARITMÉTICA CONTÍNUA PROGRESSÃO ARITMÉTICA DISTRIBUIÇÃO DE REQUÊCIAS
Leia maisINTRODUÇÃO À ANÁLISE DE DADOS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO À AÁLISE DE DADOS AS MEDIDAS DE GRADEZAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...4
Leia maisROGÉRIO ALVES SANTANA. AVALIAÇÃO DE TÉCNICAS GEOESTATÍSTICAS NO INVENTÁRIO DE POVOAMENTOS DE Tectona grandis L.f.
ROGÉRIO ALVES SANTANA AVALIAÇÃO DE TÉCNICAS GEOESTATÍSTICAS NO INVENTÁRIO DE POVOAMENTOS DE Tectona grands L.f. Dssertação apresentada à Unversdade Federal de Vçosa, como parte das exgêncas do Programa
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia maisEST 220 ESTATÍSTICA EXPERIMENTAL
UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE ESTATÍSTICA EST 0 ESTATÍSTICA EXPERIMENTAL Vçosa Mnas Geras 00 / II UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de
Leia maisAvaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe
Avalação da Tendênca de Precptação Pluvométrca Anual no Estado de Sergpe Dandara de Olvera Félx, Inaá Francsco de Sousa 2, Pablo Jónata Santana da Slva Nascmento, Davd Noguera dos Santos 3 Graduandos em
Leia maisLicença de uso exclusiva para Petrobrás S.A. Licença de uso exclusiva para Petrobrás S.A. NBR 6123. Forças devidas ao vento em edificações JUN 1988
ABNT-Assocação Braslera de Normas Técncas Sede: Ro de Janero Av. Treze de Mao, 13-28º andar CEP 20003 - Caxa Postal 1680 Ro de Janero - RJ Tel.: PABX (021) 210-3122 Telex: (021) 34333 ABNT - BR Endereço
Leia maisPolos Olímpicos de Treinamento. Aula 10. Curso de Teoria dos Números - Nível 2. Divisores. Prof. Samuel Feitosa
Polos Olímpcos de Trenamento Curso de Teora dos Números - Nível 2 Prof. Samuel Fetosa Aula 10 Dvsores Suponha que n = p α 1 2...pα é a fatoração em prmos do ntero n. Todos os dvsores de n são da forma
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia mais1 Topologias Básicas de Conversores CC-CC não-isolados
1 opologas Báscas de Conversores CC-CC não-solados 1.1 Prncípos báscos As análses que se seguem consderam que os conversores não apresentam perdas de potênca (rendmento 100%). Os nterruptores (transstores
Leia maisDISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL
DISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL Dstrbuton of the wnd acton n the bracng elements consderng
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisClause Fátima de Brum Piana
UNIDADE II - Estatístca Descrtva Tabela. Meddas relatvas a automóves modelos 978-79 no mercado norte-amercano. UNIVERSIDADE FEDERAL DE PELOTAS CENTRO DE DESENVOLVIMENTO TECNOLÓGICO Estatístca Básca Para
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia maisESTATÍSTICA. na Contabilidade Revisão - Parte 2. Medidas Estatísticas
01/09/01 ESTATÍSTICA na Contabldade Revsão - Parte Luz A. Bertolo Meddas Estatístcas A dstrbução de frequêncas permte-nos descrever, de modo geral, os grupos de valores (classes) assumdos por uma varável.
Leia maisCamila Spinassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS
Camla Spnassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS Vtóra Agosto de 2013 Camla Spnassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS
Leia maisElaboração: Novembro/2005
Elaboração: Novembro/2005 Últma atualzação: 18/07/2011 Apresentação E ste Caderno de Fórmulas tem por objetvo nformar aos usuáros a metodologa e os crtéros de precsão dos cálculos referentes às Cédulas
Leia maisA ESTIMATIVA DA INCERTEZA DE MEDIÇÃO PELOS MÉTODOS DO ISO GUM 95 E DE SIMULAÇÃO DE MONTE CARLO
A ESTIMATIVA DA INCERTEZA DE MEDIÇÃO PELOS MÉTODOS DO ISO GUM 95 E DE SIMULAÇÃO DE MONTE CARLO Paulo Roberto Gumarães Couto INMETRO-DIMCI-DIMEC-LAPRE prcouto@nmetro.gov.br INTRODUÇÃO 3 ISO GUM 95 4. Estmatva
Leia mais2 ANÁLISE ESPACIAL DE EVENTOS
ANÁLISE ESPACIAL DE EVENTOS Glberto Câmara Marla Sá Carvalho.1 INTRODUÇÃO Neste capítulo serão estudados os fenômenos expressos através de ocorrêncas dentfcadas como pontos localzados no espaço, denomnados
Leia maisINE 7001 ESTATÍSTICA PARA ADMINISTRADORES I NOTAS DE AULA PROF. MARCELO MENEZES REIS MANOEL DE OLIVEIRA LINO
INE 7001 ESTATÍSTICA PARA ADMINISTRADORES I NOTAS DE AULA PROF. MARCELO MENEZES REIS MANOEL DE OLIVEIRA LINO INE 7001 Introdução e Análse Exploratóra de Dados 2 1 - INTRODUÇÃO 1.1 - O método centífco A
Leia maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia maisUM ALGORITMO EXATO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE
UM ALGORITMO EXATO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE Dssertação de mestrado em matemátca aplcada fnancada pelo CNPq IMECC - UNICAMP Pedro Ferraz Vllela Prof.
Leia maisPROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC)
PROBLEMS SOBRE PONTOS Dav Máxmo (UFC) e Samuel Fetosa (UFC) Nível vançado Dstrbur pontos num plano ou num espaço é uma tarefa que pode ser realzada de forma muto arbtrára Por sso, problemas sobre pontos
Leia maisCURRICULUM VITAE - RESUMIDO
A estatístca tem uma partculardade: pesqusamos para dzer algo sgnfcatvo sobre o unverso que elegemos, porém a pesqusa só será sgnfcatva se conhecermos sufcentemente o unverso para escolhermos adequadamente
Leia maisAplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade
Aplcações de Estmadores Bayesanos Empírcos para Análse Espacal de Taxas de Mortaldade Alexandre E. dos Santos, Alexandre L. Rodrgues, Danlo L. Lopes Departamento de Estatístca Unversdade Federal de Mnas
Leia maisProbabilidade: Diagramas de Árvore
Probabldade: Dagramas de Árvore Ana Mara Lma de Faras Departamento de Estatístca (GET/UFF) Introdução Nesse texto apresentaremos, de forma resumda, concetos e propredades báscas sobre probabldade condconal
Leia maisANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO
ANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO J. W. B. Lopes 1 ; E. A. R. Pnhero 2 ; J. R. de Araújo Neto 3 ; J. C. N. dos Santos 4 RESUMO: Esse estudo fo conduzdo
Leia maisEscola Secundária Dr. Ângelo Augusto da Silva Matemática 12.º ano Números Complexos - Exercícios saídos em (Exames Nacionais 2000)
Internet: http://rolvera.pt.to ou http://sm.page.vu Escola Secundára Dr. Ângelo Augusto da Slva Matemátca.º ano Números Complexos - Exercícos saídos em (Exames Naconas 000). Seja C o conjunto dos números
Leia maisCAPÍTULO 2 BACIA HIDROGRÁFICA
CPÍTUO 2 BCI HIDROGRÁFIC 2.1 - Introdução baca hdrográfca pode ser entendda como uma área onde a precptação é coletada e conduzda para seu sstema de drenagem natural sto é, uma área composta de um sstema
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisPrincípios do Cálculo de Incertezas O Método GUM
Prncípos do Cálculo de Incertezas O Método GUM João Alves e Sousa Laboratóro Regonal de Engenhara Cvl - LREC Rua Agostnho Perera de Olvera, 9000-64 Funchal, Portugal. E-mal: jasousa@lrec.pt Resumo Em anos
Leia maisCapítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2
Capítulo O plano compleo Introdução Os números compleos começaram por ser ntrodudos para dar sentdo à resolução de equações polnomas do tpo Como os quadrados de números reas são sempre maores ou guas a
Leia maisMatemática Ficha de Trabalho
Matemátca Fcha de Trabalho Meddas de tedêca cetral - 0º ao MEDIDAS DE LOCALIZAÇÃO Num estudo estatístco, depos de recolhdos e orgazados os dados, há a ase de trar coclusões através de meddas que possam,
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia mais