5.3 Experimentos fatoriais a dois fatores (Revisando...)
|
|
- Esther Cortês da Costa
- 6 Há anos
- Visualizações:
Transcrição
1 5. Experimentos Fatoriais 5.3 Experimentos fatoriais a dois fatores (Revisando...) Modelo de Efeitos Y ijk = µ+τ i +β j +(τβ) ij +ɛ ijk, i = 1, 2,..., a j = 1, 2,..., b k = 1, 2,..., n Ambos os fatores são supostos fixos e os efeitos de tratamento são definidos como desvios da média tal que a i=1 τ i = 0, b j=1 β j = 0, a i=1 (τβ) ij = 0 e b j=1 (τβ) ij = 0. Como são n replicações para cada combinação dos níveis de tratamento, tem-se N = abn observações. 1
2 Poderíamos também usar modelos de regressão que são particularmente úteis, quando os fatores são quantitativos. Ambos os fatores são de interesse tal que estamos interessados em testar H 0 : τ 1 = τ 2 =... = τ a = 0 versus pelo menos um deles é não-nulo; H 0 : β 1 = β 2 =... = β b = 0 versus pelo menos um deles é não-nulo e H 0 : (τβ) ij = 0, deles é não-nulo. i, j versus pelo menos um 2
3 Análise Estatística do Experimento Fatorial a b: dois fatores com a e b níveis, respectivamente. Agora, a soma de quadrados total, SQ T ot = a b n i=1 j=1 k=1 (Y ijk Ȳ... ) 2, é decomposta em SQ A }{{} a 1 + SQ B }{{} b 1 + SQ AB }{{} (a 1)(b 1) + SQ Res }{{} ab(n 1) A decomposição é construída somando-se e subtraindo-se as seguintes médias: ±Ȳ i.., ±Ȳ.j., ±Ȳ ij. e ±Ȳ... 3
4 SQ A = a b n i=1 j=1 k=1 (ȳ i.. ȳ... ) 2 SQ B = a b n i=1 j=1 k=1 (ȳ.j. ȳ... ) 2 SQ AB = a b n i=1 j=1 k=1 (ȳ ij. ȳ i.. ȳ.j. + ȳ... ) 2 SQ Res = a b n i=1 j=1 k=1 (y ijk ȳ ij. ) 2 4
5 Supondo o modelo EF a dois fatores, podemos verificar que E[QM A ] = σ 2 + bn a 1 a τi 2 i=1 E[QM B ] = σ 2 + an b 1 b βj 2 j=1 E[QM AB ] = σ 2 + n (a 1)(b 1) a b i=1 j=1 (τβ) 2 ij e E[QM Res ] = σ 2 5
6 6
7 Fórmulas de cálculo SQ T ot = i j k y 2 ijk y2... abn SQ A = 1 bn SQ B = 1 an ai=1 y 2 i.. y2... abn bj=1 y 2.j. y2... abn SQ SubT otals = 1 n ai=1 bj=1 y 2 ij. y2... abn Esta soma também contém SQ A e SQ B. Desse modo, SQ AB = SQ SubT otals SQ A SQ B. SQ Res = SQ T ot SQ A SQ B SQ AB = SQ T ot SQ SubT otals 7
8 5.4 Modelo Fatorial: o caso geral. Os resultados para o experimento a dois fatores podem ser estendidos para o caso geral em que existem r fatores (r 2) de interesse com a 1 níveis para o primeiro fator, a 2, para o segundo,..., a r, para o r-ésimo fator. Novamente, observe que deve-se ter pelo menos duas replicações para cada cela n 2 para determinar a soma de quadrados do erro, se todas as interações são incluídas no modelo. Se todos os fatores são fixos, podemos formular e testar hipóteses sobre os efeitos principais e de interação usando ANOVA. Se existem n replicações para cada combinação possível destes r fatores, segue que o total de observações será dado por N = n r f=1 a f, com a f representando o número de níveis do f-ésimo fator. 8
9 Estatísticas de teste podem ser construídas dividindo-se os quadrados médios correspondentes com o quadrado médio dos resíduos. Por exemplo, considere o modelo de análise de variância a três fatores. Y ijkl = µ + τ i + β j + γ k + (τβ) ij + (τγ) ik + (βγ) jk + (τβγ) ijk + ɛ ijkl i = 1, 2,..., a j = 1, 2,..., b k = 1, 2,..., c l = 1, 2,..., n ɛ ijkl NID(0, σ 2 ). Supondo que os fatores A, B e C são fixos, tem-se a seguinte tabela ANOVA. 9
10 10
11 Aqui, a decomposição é construída somandose e subtraindo-se as seguintes médias: ±Ȳ i..., ±Ȳ.j.. e ±Ȳ..k. duas vezes cada uma, ±Ȳ ij.., ±Ȳ i.k., ±Ȳ.jk., ±Ȳ ijk. e ±Ȳ... três vezes. SQ T ot = i j k l y 2 ijkl y2... abcn 11
12 SQ A = 1 bcn i y 2 i... y2... abcn SQ B = 1 acn j y 2.j.. y2... abcn SQ C = 1 abn k y 2..k. y2... abcn 12
13 SQ AB = 1 cn i j y 2 ij.. y2... abcn SQ A SQ B = SQ SubT otais(ab) SQ A SQ B SQ AC = 1 bn i k y 2 i.k. y2... abcn SQ A SQ C = SQ SubT otais(ac) SQ A SQ C SQ BC = 1 an j k y 2.jk. y2... abcn SQ B SQ C = SQ SubT otais(bc) SQ B SQ C 13
14 SQ ABC = 1 n SQ BC i j k y 2 ijk. y2... abcn SQ A SQ B SQ C SQ AB SQ AC = SQ SubT otais(abc) SQ A SQ B SQ C SQ AB SQ AC SQ BC Exemplo 5.3: Um engarrafador de refrigerantes está interessado em obter alturas de preenchimento mais uniformes nas garrafas produzidas pela sua fábrica. Teoricamente, a máquina preenchedora enche cada garrafa até o alvo de altura correto, mas na prática, existe uma variação em torno deste alvo, e o engarrafador gostaria de entender melhor a fonte desta variação e, se possível, reduzi-la. No processo de preenchimento pode-se controlar três variáveis: % de carbonatação (A), pressão de operação da máquina (B) e garrafas produzidas por minuto (velocidade da linha de produção)(c). A velocidade e a pressão são fáceis de controlar, mas a porcentagem de carbonatação é mais difícil de ser controlada durante o processo de fabricação, pois ela varia com a temperatura. Porém, para propósitos de um experimento, esta porcentagem será controlada em 10, 12 e 14%. Dois níveis de pressão são escolhidos: 25 psi e 30 psi e, também duas velocidades de produção são usadas no experimento, a saber, 200 e 250 bpm. Duas replicações de cada combinação dos níveis dos fatores serão rodadas tal que ao todo o número de observações é N = = 24. Os dados resultantes deste experimento estão na tabela a seguir. 14
15 % de carbonat. 25 psi 30 psi Usando um nível de significância de 5%, teste os efeitos principais e de interação do modelo fatorial completo. Os dados foram salvos no arquivo garrafa.txt. dados=read.table( c://flavia//dox//garrafa.txt,header=t) fit=aov(h as.factor(pressao)*as.factor(vel)*as.factor(carb),data=dados) summary(fit) FV Df Sum Sq Mean Sq F value P r(> F ) pressão e-06 *** velocidade *** carbonatação e-09 *** pressão:vel vel.:carb pressão:carb pressão:vel.:carb Residuals Total Ao nível de significância de 5%, apenas os efeitos principais são significativos. A figura a seguir ilustra os efeitos estimados: a primeira ilustra o efeito devido à porcentagem de carbonatação, a segunda o efeito devido à pressão e, a terceira o efeito devido à velocidade da linha de produção. O quarto gráfico ilustra a interação entre % e pressão indicando que é razoável a suposição de paralelismo. 15
16 16
17 17
18 Ajustando o modelo reduzido, considerando apenas os efeitos principais, obtemos fv Df Sum Sq Mean Sq F value P r(> F ) carb e-12 *** pressao e-07 *** vel e-05 *** Residuals Os gráficos a seguir mostram a análise dos resíduos para o modelo reduzido, indicando que suposições e modelo são adequados, pois nada de anormal se verifica nesses gráficos. 18
19 19
20 5.5 Ajuste de Superfícies e Curvas de Resposta A ANOVA trata todos os fatores como se fossem qualitativos, mesmo quando eles não são. Muitos experimentos envolvem pelo menos um fator quantitativo tal que o experimentador pode ter uma equação que relaciona a resposta ao fator. Esta equação pode ser usada para fins de interpolação, isto é, para prever a resposta para níveis intermediários do fator, dentro do campo de variação dos níveis usados no experimento. Quando pelo menos dois fatores são quantitativos, podemos ajustar uma superfície de resposta para prever y dado uma combinação dos níveis dos fatores. 20
21 Métodos de regressão linear são usados para ajustar tais superfícies aos dados experimentais. Exemplo: Voltemos ao experimento para investigar efeito de temperatura e material sobre a vida das baterias. O fator temperatura é quantitativo e o fator material é qualitativo. Existem 3 níveis de temperatura. Podemos calcular um efeito linear e um efeito quadrático da temperatura para estudar como a temperatura afeta a vida da bateria. Ajustando uma ANOVA ao modelo fatorial completo vimos que todos os efeitos são significativos. 21
22 Agora, vamos rodar um modelo de regressão para explicar a vida da bateria em função da temperatura e material usando valores codificados para os níveis dos fatores da seguinte forma: temperatura A Observe que os valores originais de temperatura podem ser resgatados usando-se temp = A. material i ii iii B B Como desejamos estudar também o efeito quadrático da temperatura, o modelo a ser ajustado é Y = β 0 + β 1 A + β 11 A 2 + β 3 B1 + β 4 B2 +β 13 A B1 + β 14 A B2 + β 11.3 (A 2 ) B1 +β 11.4 (A 2 ) B2 + ɛ 22
23 Observe que devido à codificação, após o ajuste do modelo, teremos as seguintes equações de previsão. Material i: ŷ = (ˆβ 0 + ˆβ 3 ) + (ˆβ 1 + ˆβ 13 )A + (ˆβ 11 + ˆβ 11.3 )A 2 Material ii: ŷ = (ˆβ 0 + ˆβ 4 ) + (ˆβ 1 + ˆβ 14 )A + (ˆβ 11 + ˆβ 11.4 )A 2 Material iii: ŷ = (ˆβ 0 ˆβ 3 ˆβ 4 ) + (ˆβ 1 ˆβ 13 ˆβ 14 )A + (ˆβ 11 ˆβ 11.3 ˆβ 11.4 )A 2 Os dados estão no arquivo bateria2.txt e os nomes das variáveis B1 e B2 são m1 e m2, respectivamente e A2 representa A 2. 23
24 dados=read.table( c://flavia//dox//bateria2.txt,header=t) fitreg=lm(vida A+A2+m1+m2+A*m1+A*m2+A2*m1+A2*m2, data=dados) summary(fitreg) Residuals: Min 1Q Median 3Q Max Coefficients Estimate Std. Error t value P r(> t ) (Intercept) e-14 *** A e-08 *** A m e-05 *** m A:m A:m A2:m ** A2:m Residual standard error: on 27 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: 11 on 8 and 27 DF, p-value: 9.426e-07 A seguir apresentam-se os gráficos de diagnósticos dos resíduos indicando que as suposições de normalidade, variância constante e modelo são adequadas. 24
25 25
26 Assim, voltando aos níveis reais dos fatores, temos, Material i: ŷ = temp temp 2 Material ii: ŷ = temp temp 2 Material iii: ŷ = temp 0.43 temp 2 A figura a seguir mostra o comportamento da previsão de vida da bateria em função da temperatura, segundo o tipo de material. Este gráfico é chamado curvas de resposta. O segundo gráfico foi produzido ao ajustar o modelo ANOVA a dois fatores para ilustrar a interação entre temperatura e material. Compare os dois! 26
27 27
28 Se vários fatores no modelo fatorial são quantitativos, uma superfície de resposta pode ser usada para modelar a relação entre y e os fatores de planejamento. Além disso, os efeitos dos fatores quantitativos podem ser representados por um polinômio de primeiro grau dos efeitos. As interações dos fatores quantitativos podem ser particionadas em componentes de um grau de liberdade. Exemplo 5.5: A vida efetiva de uma ferramenta de corte instalada numa máquina parece ser influenciada pela velocidade do corte e pelo ângulo da ferramenta. Três níveis de velocidade e três ângulos são selecionados e um modelo fatorial 3 2 é conduzido com duas replicações. Os dados (codificados) estão apresentados na tabela a seguir e foram salvos no arquivo tesoura.txt. 28
29 29
30 dados=read.table( c://flavia//dox//tesoura.txt,header=t) fit=aov(vida as.factor(a)*as.factor(vel), data=dados) summary(fit) FV Df Sum Sq Mean Sq F value P r(> F ) ang ** vel ** vel:ang ** Residuals A seguir, apresentamos os gráficos diagnósticos do modelo, a partir dos quais podemos concluir que as suposições e o modelo são adequados. 30
31 31
32 Como ambos os fatores investigados são importantes para explicar a vida da ferramenta e além disso, são quantitativos, podemos ajustar um modelo de regressão e depois construir o gráfico da superfície de resposta em função dos níveis dos fatores. Ajustaremos aqui um modelo de regressão incluindo os efeitos quadráticos tanto na variável velocidade, como na variável ângulo. A codificação usada aqui será x 1 = (vel 150)/25 e x 2 = (ang 20)/5 tal que ambas assumirão os valores -1, 0 e 1 na ordem crescente de magnitude dos valores reais dos níveis. Ajustando-se o modelo de segunda ordem y = β 0 + β 1 x 1 + β 2 x 2 + β 12 x1x2 + β 11 x β 22x ɛ verificamos que o mesmo produz resultados pobres, parecendo não ajustar-se bem aos dados. 32
33 Multiple R-squared: , Adjusted R-squared: F-statistic: on 5 and 1 2 DF, p-value: Parte da razão do ajuste pobre do modelo de segunda-ordem aos dados é que somente 4 graus de liberdade para interação são contados no modelo. Também, para o termo β 12 x 1 x 2 existem três outros termos que poderiam ser ajustados, a saber, β 11.2 x 2 1 x 2, β 1.22 x 1 x 2 2 e β 11.22x 2 1 x
34 Resultados do ajuste do modelo incluindo os demais termos de interação. fit RC=lm(vida A+B+A*B+A2+B2+A2*B+A*B2+A2*B2,data=dados) summary(fit RC) Coefficients Estimate Std. Error t value P r(> t ) (Intercept) 2.000e e * A 3.500e e *** B 2.000e e ** A e e B e e A:B e e * B:A e e A:B e e *** A2:B e e * Residual standard error: on 9 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 8 and 9 DF, p-value: Obs.: Estes resultados não são os mesmos que aparecem no e- xemplo 5.5 da sétima edição. Porém, estão de acordo com o ajuste do mesmo exemplo da quinta edição. Aparentemente, deve ser um erro de edição. As figuras a seguir mostram os gráficos de superfície de resposta ajustada (na escala original dos fatores) e as curvas de resposta constante. 34
35 35
36 5.6 Blocagem num Experimento Fatorial Até aqui consideramos Experimentos Fatoriais no contexto de um experimento completamente aleatorizado. Algumas vezes, não é possível, ou prático, aleatorizar completamente o experimento. A presença de um fator de ruído pode exigir que o experimento seja realizado em blocos. Considere um experimento fatorial a 2 fatores (EF2) com n replicações, a níveis do fator A e b níveis do fator B. Modelo de efeitos Y ijk = µ+τ i +β j +(τβ) ij +ɛ ijk, i = 1, 2,..., a j = 1, 2,..., b k = 1, 2,..., n 36
37 Suponha que para rodar este experimento, uma particular matéria-prima seja requerida. Esta matéria-prima está disponível em lotes que não são suficientemente grandes para permitir que todas as abn combinações de tratamento e suas replicações sejam observadas num mesmo lote. No entanto, se cada lote é grande o suficiente parar observar as ab combinações de tratamento, então, um plano alternativo é rodar cada conjunto de replicações usando um lote separado de matéria-prima. Consequentemente, os lotes representam uma restrição sobre a aleatorização. 37
38 O modelo de efeitos é y ijk = µ + τ i + β j + (τβ) ij + η k + ɛ ijk i = 1, 2,..., a, j = 1, 2,..., b e k = 1, 2,..., n. η k é o efeito do k-ésimo bloco. A ordem na qual os tratamentos são observados é aleatória em cada bloco. A tabela a seguir apresenta a ANOVA deste modelo. 38
39 39
40 A decomposição da soma de quadrados total é construída adicionado-se e subtraindo-se as seguintes médias: ±Ȳ i.., ±Ȳ.j., ±Ȳ ij., ±Ȳ..k e ±Ȳ... duas vezes tal que a soma de quadrados devida aos blocos é dada por SQ Bl = a b n i=1 j=1 k=1 (ȳ..k ȳ... ) 2 = ab n k=1 (ȳ..k ȳ... ) 2 = 1 ab n k=1 y 2..k y2... N N = abn. 40
41 Exemplo 5.6 Um engenheiro está estudando métodos para melhorar a habilidade em detectar alvos sobre um alcance de radar. Ele considera dois fatores importantes: quantidade de ruído de fundo e tipo de filtro. Ele conduziu um experimento usando 3 níveis de ruído (baixo, médio e alto), dois tipos de filtro (F1 e F2) e 4 operadores (O1, O2, O3, O4). Os dados, dispostos na tabela a seguir, foram salvos no arquivo radar.txt. ruído F1O1 F2O1 F1O2 F2O2 F1O3 F2O3 F1O4 F2O4 baixo médio alto
42 dados=read.table( c://flavia//dox//radar.txt,header=t) names(dados) [1] alcance ruido filtro op fit=aov(alcance ruido*filtro+op,data=dados) summary(fit) FV Df Sum Sq Mean Sq F value P r(> F ) ruido *** filtro e-08 *** ruido:filtro op Residuals Lembre que blocos (operadores) representam uma restrição em aleatorização e a sua inclusão no modelo devese à possível redução na variabilidade do erro experimental. Testes sobre o efeito de blocos não são de interesse. O R calcula a razão F e P -valor para este fator de ruído, mas estes podem não ser apropriados devido à restrição em aleatorização. De qualquer modo, podemos perceber que neste exemplo, a blocagem, de fato, é útil na redução de variabilidade. 42
43 Observação: O modelo assume que a interação entre blocos e tratamentos é desprezível. Isto foi suposto previamente no capítulo 4 que tratou de experimentos em blocos aleatorizados. Se tais interações existem, elas não podem ser separadas do termo de erro. De fato, o termo de erro consistirá das interações (τ η) s, (βη) s e (τβη) s. No exemplo anterior, a aleatorização foi restrita a cada operador. Na prática, uma variedade de fenômenos pode levar a restrições de aleatorização, tais como tempo e lote de matéria-prima. Por exemplo, se não pudéssemos rodar o experimento fatorial completo em um dia, então uma possibilidade seria rodar replicações completas do mesmo em dias diferentes. Neste caso, cada dia seria um bloco. 43
44 No caso de duas restrições em aleatorização, cada uma com p níveis, se o número de combinações de tratamento no EFk é igual a p 2, então o EF pode ser conduzido usando-se um Quadrado Latino p p. Por exemplo, considere uma modificação no experimento do radar. Os fatores são ruído (3 níveis) e filtro (2 níveis), resultando em 6 combinações. Operadores são considerados blocos. Suponha agora que há uma segunda restrição em aleatorização, pois apenas 6 observações podem ser obtidas a cada dia. Assim, considerando-se seis operadores e seis dias, o experimento poderá ser conduzido usando-se um quadrado latino 6 6 como mostrado na tabela a seguir. 44
45 45
46 O modelo de efeitos para este plano é y ijkl = µ + α i + τ j + β k + (τβ) jk + θ l + ɛ ijkl i = 1, 2, 3, 4, 5, 6, j = 1, 2, 3, k = 1, 2, l = 1, 2, 3, 4, 5, 6 com τ j e β k os efeitos de ruído de fundo e filtro, respectivamente, e α i e θ l as restrições em aleatorização de dias e operadores. A tabela anova resultante do ajuste deste modelo é dada a seguir. 46
47 47
48 Exercício 4.28: A produção em um processo químico foi medida usando-se cinco lotes de matéria-prima, cinco concentrações de ácido, cinco tempos de repouso (A,B,C,D,E) e cinco concentrações de catalisação (α, β, γ, δ, ɛ). O quadrado grego-latino a seguir foi usado. Analise os dados deste experimento. Use um nível de significância de 5% e tire suas conclusões. 48
49 dados=read.table( e://dox//exer428.txt,header=t) fit=aov(prod acido+lote+tempo+conc,data=dados) summary(fit) fv Df Sum Sq Mean Sq F value P r(> F ) acido lote tempo *** conc Residuals Logo, concluímos que os níveis do fator tempo de repouso afetam a resposta média. O próximo passo aqui seria realizar comparações múltiplas entre as diferentes médias para cada nível do fator tempo. A seguir, os gráficos de resíduos indicam a adequação do modelo ajustado. 49
50 50
51 Exercício 4.29 Suponha que no exercício 4.21 o engenheiro suspeita que as estações de trabalho usadas pelos quatro operadores podem representar uma fonte adicional de variação. Um quarto fator, estação de trabalho (α, β, γ, δ) pode ser introduzido e outro experimento é conduzido, produzindo o quadrado grego-latino a seguir. Analise os dados deste experimento (use α = 0.05) e tire suas conclusões. 51
52 dados=read.table( e://dox//exer429.txt,header=t) fit=aov(y ordem+operador+latina+grega,data=dados) summary(fit) fv Df Sum Sq Mean Sq F value P r(> F ) ordem operador latina grega Residuals Logo, concluímos que o fator de interesse (letra latina) não afeta a resposta média. A seguir, os gráficos de resíduos indicam a adequação do modelo ajustado. Lembre-se que são poucos dados. 52
53 53
EXPERIMENTO FATORIAL BLOCADO PARA DETERMINAÇÃO DE DIFERENÇAS ENTRE TEMPO DE QUEIMA DE VELAS DE PARAFINA
Revista da Estatística da UFOP, Vol I, 2011 - XI Semana da Matemática e III Semana da Estatística, 2011 ISSN 2237-8111 EXPERIMENTO FATORIAL BLOCADO PARA DETERMINAÇÃO DE DIFERENÇAS ENTRE TEMPO DE QUEIMA
Leia maisModelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste
Modelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste Erica Castilho Rodrigues 2 de Setembro de 2014 Erro Puro 3 Existem dois motivos pelos quais os pontos observados podem não cair na reta
Leia maisPoder do teste e determinação do tamanho da amostra:pca & PBC
Poder do teste e determinação do tamanho da amostra:pca & PBC Relembrando: α = probabilidade do erro do tipo I: P(Rejeitar H 0 H 0 é verdadeira). β = probabilidade do erro do tipo II: P(Não rejeitar H
Leia maisPlanejamento e Análise de Experimentos: Experimento sobre o crescimento de bolos
Planejamento e Análise de Experimentos: Experimento sobre o crescimento de bolos Tatiana Alves Costa Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal de Minas Gerais Av. Antônio Carlos,
Leia maisANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:
ANÁLISE DOS RESÍDUOS Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: seguem uma distribuição normal; têm média zero; têm variância σ 2 constante
Leia maisX e Y independentes. n + 1 m
DEPARTAMENTO DE ESTATÍSTICA / CCEN / UFPA Disciplina: Inferência I Prof: Regina Tavares 5.0. TESTE DE HIPÓTESES PARA DUAS POPULAÇÕES 5.0.. Duas Populações Normais independentes : X, X 2,, X n uma a.a.
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia maisTeste de hipótese de variância e Análise de Variância (ANOVA)
Teste de hipótese de variância e Análise de Variância (ANOVA) Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Testes sobre variâncias Problema: queremos saber se há diferenças estatisticamente
Leia maisGabarito da 1 a Lista de Exercícios de Econometria II
Gabarito da 1 a Lista de Exercícios de Econometria II Professor: Rogério Silva Mattos Monitor: Delano H. A. Cortez Questão 1 Considerando que o modelo verdadeiro inicialmente seja o seguinte: C = a + 2Y
Leia maisEstatística para Cursos de Engenharia e Informática
Estatística para Cursos de Engenharia e Informática BARBETTA, Pedro Alberto REIS, Marcelo Menezes BORNIA, Antonio Cezar MUDANÇAS E CORREÇOES DA ª EDIÇÃO p. 03, após expressão 4.9: P( A B) = P( B A) p.
Leia maisEXPERIMENTAÇÃO AGRÁRIA
EXPERIMENTAÇÃO AGRÁRIA Tema 4: Experimentos factoriais Definição Experimentos factoriais são aqueles que incluem todas as combinações possíveis de vários conjuntos de factores. Ex : Um experimento com
Leia maisExercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
Leia mais1. INTRODUÇÃO AO PLANEJAMENTO DE EXPERIMENTOS
1. INTRODUÇÃO AO PLANEJAMENTO DE EXPERIMENTOS A metodologia conhecida como projeto de experimentos foi introduzida por Fischer em 1935 e inicialmente aplicada a experimentos de agricultura. Posteriormente,
Leia maisMOQ-14 Projeto e Análise de Experimentos
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-14 Projeto e Análise de Experimentos Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br Regressão Linear
Leia maisAjuste de mínimos quadrados
Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisEconometria Aplicada com uso do R
Econometria Aplicada com uso do R Alexandre Rodrigues Loures Universidade Federal da Paraíba Centro de Ciências Sociais Aplicadas Programa de Pós-Graduação em Economia 10 de maio de 2015 LOURES, A. R.
Leia maisCapítulo Equações da reta no espaço. Sejam A e B dois pontos distintos no espaço e seja r a reta que os contém. Então, P r existe t R tal que
Capítulo 11 1. Equações da reta no espaço Sejam A e B dois pontos distintos no espaço e seja r a reta que os contém. Então, P r existe t R tal que AP = t AB Fig. 1: Reta r passando por A e B. Como o ponto
Leia maisX 1 X 2 Y
Universidade da Beira Interior - Departamento de Matemática ESTATÍSTICA APLICADA À GESTÃO Ficha de exercícios 3 Regressão Múltipla 2015/2016 1. Considere os seguintes dados: X 1 X 2 Y 8 0.7 1.8 1.8 6 6.4
Leia maisdo fator A no valor da variável de resposta considerada.
Aquecimento da Água: Análise do Efeito do Material Utilizado (inox ou alumínio) do Sistema de Aquecimento (recipiente aberto ou fechado) e da Solução Utilizada (água pura, água com sal ou água com açúcar),
Leia mais7. Testes de Hipóteses
7. Testes de Hipóteses Suponha que você é o encarregado de regular o engarrafamento automatizado de leite numa determinada agroindústria. Sabe-se que as máquinas foram reguladas para engarrafar em média,
Leia maisMedidas de Dispersão. Introdução Amplitude Variância Desvio Padrão Coeficiente de Variação
Medidas de Dispersão Introdução Amplitude Variância Desvio Padrão Coeficiente de Variação Introdução Estudo de medidas que mostram a dispersão dos dados em torno da tendência central Analisaremos as seguintes
Leia maisSoluções da Colectânea de Exercícios
Soluções da Colectânea de Exercícios (Edição de Fevereiro de 2003) Capítulo 1 1.1 d) x = 3.167; s = 0.886 (dados não agrupados) e) mediana = x = 3.25; q 1 = 2.4 ; q 3 = 3.9 1.2 a) x = 2.866 ; x = 3; moda
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisCurso de MINITAB Universidade Federal de Ouro Preto. Planejamento de Experimentos (DOE)
Planejamento de Experimentos (DOE) - Introdução Um experimento é um procedimento no qual as alterações propositais são feitas nas variáveis de entrada de um processo ou sistema, de modo que se possa avaliar
Leia maisPlanejamento e Análise de Experimentos
Planejamento e Análise de Experimentos Aula 3 Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Agosto de 2011 ANOVA para Fator Único Análise
Leia maisTópico 3. Estudo de Erros em Medidas
Tópico 3. Estudo de Erros em Medidas A medida de uma grandeza é obtida, em geral, através de uma experiência, na qual o grau de complexidade do processo de medir está relacionado com a grandeza em questão
Leia maisMAT Poli Cônicas - Parte I
MAT2454 - Poli - 2011 Cônicas - Parte I Uma equação quadrática em duas variáveis, x e y, é uma equação da forma ax 2 +by 2 +cxy +dx+ey +f = 0, em que pelo menos um doscoeficientes a, b oucénão nulo 1.
Leia maisRelatório do Experimento 1 Sistema Massa - Mola. Fernando Henrique Ferraz Pereira da Rosa
FEP0111 - Física I Relatório do Experimento 1 Sistema Massa - Mola Fernando Henrique Ferraz Pereira da Rosa 4 de novembro de 2005 Sumário 1 Introdução 2 2 Objetivos 2 3 Procedimento experimental 2 3.1
Leia maisAvaliação de Sistemas de Medição
Monitoramento de um processo: medição de uma característica da qualidade X por meio de um sistema de medição. Sistema de medição ideal: produz somente resultados corretos, ou seja, que coincidem com o
Leia maisAula 2 Regressão e Correlação Linear
1 ESTATÍSTICA E PROBABILIDADE Aula Regressão e Correlação Linear Professor Luciano Nóbrega Regressão e Correlação Quando consideramos a observação de duas ou mais variáveis, surge um novo problema: -as
Leia maisa 11 a a 1n a 21 a a 2n A = a m1 a m2... a mn
Matrizes Definição Definição Uma matriz m n é uma tabela de mn números dispostos em m linhas e n colunas a 11 a 1 a 1n a 1 a a n a m1 a m a mn Embora a rigor matrizes possam ter quaisquer tipos de elementos,
Leia mais1.2 Roteiro para obter um gráfico de qualidade
CAPÍTULO 1 Análise Gráfica de Resultados Experimentais Prof. Cláudio Graça, Dep. Física UFSM 1.1 Objetivos encontrar uma função que represente um modelo físico a partir de medidas feitas em laboratório;
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS DISTRIBUIÇÕES CONJUNTAS ROTEIRO DISTRIBUIÇÃO CONJUNTA. Estatística Aplicada à Engenharia
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências Estatística Aplicada à Engenharia
Leia maisAnálise de modelos lineares mistos com dois fatores longitudinais: um fator quantitativo e um qualitativo ordinal.
Anais do XII Encontro Mineiro de Estatística - MGEST 013. Uberlândia - 0 e 06 de setembro de 013. Revista Matemática e Estatística em Foco - ISSN:318-0 Análise de modelos lineares mistos com dois fatores
Leia mais(") ; b) ρ b1b2 = 0,5; ρ b1b3 = 0,5; ρ b1b4 = 0
GA PROJETO E ANÁLISE E REES GEOÉSICAS EXERCÍCIOS ) Estimar a precisão do perímetro e da área de uma circunferência, e do volume de uma esfera, cujo raio (R) pode ser medido com as seguintes características:
Leia maisPlanejamento da pesquisa científica: incerteza e estatística. Edilson Batista de Oliveira Embrapa Florestas
Planejamento da pesquisa científica: incerteza e estatística Edilson Batista de Oliveira Embrapa Florestas Pesquisa em laboratórios na Embrapa Anos 70 Anos 80 Anos 90 Século 21 Precisão em Laboratórios:
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisUSO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA F. M. A. S. COSTA 1, A. P. SILVA 1, M. R. FRANCO JÚNIOR 1 e R.
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 21 de Junho de 2013 3 Uma outra medida usada para verificar o ajuste do modelo. Essa estatística é dada por X
Leia maisAula 6. Testes de Hipóteses Paramétricos (I)
Aula 6. Testes de Hipóteses Paramétricos (I) Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Teste de Hipóteses Procedimento estatístico que averigua se os dados sustentam
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Métodos Estatísticos Avançados em Epidemiologia Análise de Variância - ANOVA Cap. 12 - Pagano e Gauvreau (2004) - p.254 Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 1 / 39 Introdução Existem
Leia maisProposição de um Modelo de Regressão para a Modelagem da Velocidade do Vento em Fortaleza, CE.
Proposição de um Modelo de Regressão para a Modelagem da Velocidade do Vento em Fortaleza, CE. Érika Fialho Morais 1 2 Eufrázio de Souza Santos 3 Sílvio Fernando Alves Xavier Júnior 1 4 1 Introdução Uma
Leia maisPlanejamento e Análise Estatística de Experimentos Fatoriais em blocos completos
Planejamento e Análise Estatística de Experimentos Fatoriais em blocos completos Contexto Já vimos como analisar um experimento em blocos na presença de um único fator de interesse. Podemos ter experimentos
Leia maisMedidas de Dispersão 1
Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Medidas de Dispersão 1 Introdução Uma breve reflexão sobre as medidas de tendência central permite-nos concluir que elas não
Leia maisa) 19% b) 20% c) Aproximadamente 13% d) 14% e) Qualquer número menor que 20%
0. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisConsiderações. Planejamento. Planejamento. 3.3 Análise de Variância ANOVA. 3.3 Análise de Variância ANOVA. Estatística II
UNIVERSIDADE FEDERAL DE RONDÔNIA CAMPUS DE JI-PARAN PARANÁ DEPARTAMENTO DE ENGENHARIA AMBIENTAL Estatística II Aula 8 Profa. Renata G. Aguiar Considerações Coleta de dados no dia 18.05.2010. Aula extra
Leia mais29 e 30 de julho de 2013
Introdução à Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 29 e 30 de julho de 2013 Dia 1 - Conteúdo 1 2 3 Alguns softwares recomen: R (Livre) /www.r-project.org/ SAS (SAS
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisA avaliação da incerteza do tipo A. medições é chamada flutuação estatística e, em geral, é resultado de fatores que não
A avaliação da incerteza do tipo A Incerteza e flutuação estatística Quando realizamos uma série de observações do mesmo mensurando sob as mesmas condições, podemos obter resultados diferentes. Essa variabilidade
Leia maisMAE0325 - Séries Temporais
MAE0325 - Séries Temporais Fernando Henrique Ferraz Pereira da Rosa Vagner Aparecido Pedro Junior 26 de setembro de 2004 E7p80. Considere a série A (M-ICV): Lista 1 1 (a) teste a existência de tendência,
Leia maisTESTES DE HIPÓTESES. HIPÓTESES: São suposições que fazemos para testar a fixação de decisões, que poderão ser verdadeiras ou não.
TESTES DE HIPÓTESES HIPÓTESES: São suposições que fazemos para testar a fixação de decisões, que poderão ser verdadeiras ou não. HIPÓTESES ESTATÍSTICA: Hipótese Nula (H 0 ): a ser validada pelo teste.
Leia maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 8 11/2014 Distribuição Normal Vamos apresentar distribuições de probabilidades para variáveis aleatórias contínuas.
Leia maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisIntrodução à Neurociência Computacional (Graduação) Prof. Antônio Roque Aula 6
Variações do modelo integra-e-dispara Nesta aula vamos apresentar algumas variações do modelo LIF visto na aula passada. Modelo integra-e-dispara com adaptação Estudos in vitro mostram que muitos tipos
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos Analise de Variância (ANOVA) com um Fator Planejamento de Experimentos Muitas vezes é necessário obter informações sobre produtos e processos empiricamente. Trabalho assemelha-se
Leia maisAmostragem Aleatória e Descrição de Dados - parte II
Amostragem Aleatória e Descrição de Dados - parte II 2012/02 1 Diagrama de Ramo e Folhas 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Construir e interpretar disposições gráficas dos
Leia maisProfa.: Patricia Maria Bortolon, D.Sc. Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 9-1
MÉTODOS QUANTITATIVOS APLICADOS À CONTABILIDADE Profa.: Patricia Maria Bortolon, D.Sc. Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 9-1 Fundamentos de Testes
Leia mais1 Geometria Analítica Plana
UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS DE CAMPO MOURÃO Curso: Matemática, 1º ano Disciplina: Geometria Analítica e Álgebra Linear Professora: Gislaine Aparecida Periçaro 1 Geometria Analítica Plana A Geometria
Leia maisREGRESSÃO E CORRELAÇÃO
Vendas (em R$) Disciplina de Estatística 01/ Professora Ms. Valéria Espíndola Lessa REGRESSÃO E CORRELAÇÃO 1. INTRODUÇÃO A regressão e a correlação são duas técnicas estreitamente relacionadas que envolvem
Leia maisHEP Bioestatística
HEP 57800 Bioestatística DATA Aula CONTEÚDO PROGRAMÁTICO 05/03 Terça 1 Níveis de mensuração, variáveis, organização de dados, apresentação tabular 07/03 Quinta 2 Apresentação tabular e gráfica 12/03 Terça
Leia maisPlanejamento e Análise de Experimentos: Aquecimento de Leite por Forno Micro-ondas
Planejamento e Análise de Experimentos 2012/1 1 Planejamento e Análise de Experimentos: Aquecimento de Leite por Forno Micro-ondas Wagner A. M. Ursine Abstract Este trabalho apresenta as etapas de planejamento
Leia maisVetor Tangente, Normal e Binormal. T(t) = r (t)
CVE 0003 - - CÁLCULO VETORIAL - - 2011/2 Vetor Tangente, Normal e Binormal Lembre-se que se C é uma curva suave dada pela função vetorial r(t), então r (t) é contínua e r (t) 0. Além disso, o vetor r (t)
Leia maisENGENHARIA DA QUALIDADE A ENG AULA 7 FUNÇÃO PERDA QUADRÁTICA
ENGENHARIA DA QUALIDADE A ENG 09008 AULA 7 FUNÇÃO PERDA QUADRÁTICA PROFESSORES: CARLA SCHWENGBER TEN CATEN Tópicos desta aula Função de Perda de Taguchi (ou Função Perda Quadrática) Abordagem Tradicional
Leia maisMODELAGEM E SIMULAÇÃO
MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Análise da Decisão Pela própria natureza da vida, todos nós devemos continuamente
Leia maisPrincípios de Bioestatística
Princípios de Bioestatística Cálculo do Tamanho de Amostra Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG 1 / 32 2 / 32 Cálculo do Tamanho de Amostra Parte fundamental
Leia maisEstatística Básica MEDIDAS RESUMO
Estatística Básica MEDIDAS RESUMO Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Motivação Básica Se você estivesse num ponto de ônibus e alguém perguntasse sobre
Leia maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia maisAula 10: Decidibilidade
Teoria da Computação Segundo Semestre, 2014 Aula 10: Decidibilidade DAINF-UTFPR Prof. Ricardo Dutra da Silva Definição 10.1. Um problema de decisão P é um conjunto de questões para as quais as respostas
Leia maisNotas em Álgebra Linear
Notas em Álgebra Linear 1 Pedro Rafael Lopes Fernandes Definições básicas Uma equação linear, nas variáveis é uma equação que pode ser escrita na forma: onde e os coeficientes são números reais ou complexos,
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisMedidas Estatísticas NILO FERNANDES VARELA
Medidas Estatísticas NILO FERNANDES VARELA Tendência Central Medidas que orientam quanto aos valores centrais. Representam os fenômenos pelos seus valores médios, em torno dos quais tendem a se concentrar
Leia maisExercício Área - SPRING
Exercício Área - SPRING Figura 01 - Visualização dos dados contidos no projeto ativo. Comentários - Nesta etapa foi aberto o banco de dados, neste caso denominado São Paulo e foi definido o projeto, também
Leia mais1 Técnicas de Seleção de Antenas Transmissoras
1 Técnicas de Seleção de Antenas Transmissoras Como visto em aulas anteriores, para se atingir uma ordem de diversidade espacial maior é necessário o emprego de múltiplas antenas no transmissor e/ou no
Leia maisMódulo 4 Ajuste de Curvas
Módulo 4 Ajuste de Curvas 4.1 Intr odução Em matemática e estatística aplicada existem muitas situações onde conhecemos uma tabela de pontos (x; y), com y obtido experimentalmente e deseja se obter uma
Leia mais9 Regressão linear simples
9 Regressão linear simples José Luis Duarte Ribeiro Carla ten Caten COMENTÁRIOS INICIAIS Em muitos problemas há duas ou mais variáveis que são relacionadas e pode ser importante modelar essa relação. Por
Leia maisTÉCNICAS DE ANÁLISE DE DADOS
observação = previsível + aleatória aleatória obedece algum modelo de probabilidade ferramenta: análise de variância identificar fatores, controláveis, que expliquem o fenômeno ou alterem a característica
Leia maisRelembrando: Ângulos, Triângulos e Trigonometria...
Relembrando: Ângulos, Triângulos e Trigonometria... Este texto é apenas um resumo. Procure estudar esses assuntos em um livro apropriado. Ângulo é a região de um plano delimitada pelo encontro de duas
Leia maisSuplemento Roteiro 2. GEX 132 Laboratório de Física I
Suplemento Roteiro 2 GEX 132 Laboratório de Física I Título: Gráficos em Papel Milimetrado Objetivos: Gráficos são utilizados com o intuito de representar a dependência entre duas ou mais grandezas (físicas,
Leia maisTEM ALTERNATIVA CORRETA!!!! CERTAMENTE A BANCA EXAMINADORA DARÁ COMO RESPOSTA CERTA LETRA (E). SERIA A MENOS ERRADA POR ELIMINAÇÃO.
Prezados concursandos!!! Muita paz e saúde para todos!!! Passemos aos comentários da prova de Raciocínio Lógico Quantitativo propostas pela CESGRANRIO no último concurso para o IBGE, no dia 10/01/010.
Leia maisSISTEMAS DE COORDENADAS
1 SISTEMAS DE COORDENADAS 2.1 Coordenadas polares no R² Fonte: Cálculo A. Funções. Limite. Derivação. Integração. Diva Marília Flemming. Mírian Buss Gonçalves. Até o presente momento, localizamos um ponto
Leia maisLembremos que um paralelogramo é um quadrilátero (figura geométrica com quatro lados) cujos lados opostos são paralelos.
Capítulo 5 Vetores no plano 1. Paralelogramos Lembremos que um paralelogramo é um quadrilátero (figura geométrica com quatro lados) cujos lados opostos são paralelos. Usando congruência de triângulos,
Leia mais5. BLOCOS ALEATORIZADOS QUADRADOS LATINOS
5. BLOCOS ALEATORIZADOS e QUADRADOS LATINOS Vamos analisar 4 tipos de experimentos: I) Projetos completamente aleatorizados II) Projetos em blocos aleatorizados III) Quadrados Latinos IV) Quadrados Greco-Latinos
Leia maisDistribuição de frequências:
Distribuição de frequências: Uma distribuição de frequências é uma tabela que reúne o conjunto de dados conforme as frequências ou as repetições de seus valores. Esta tabela pode representar os dados em
Leia maisNOÇÕES RÁPIDAS DE ESTATÍSTICA E TRATAMENTO DE DADOS
NOÇÕES RÁPIDAS DE ESTATÍSTICA E TRATAMENTO DE DADOS Prof. Érica Polycarpo Bibliografia: Data reduction and error analysis for the physica sciences (Philip R. Bevington and D. Keith Robinson) A practical
Leia maisIntrodução às Ciências Físicas Módulo 1 Aula 1
Experimento 2 A emissão da luz por diferentes fontes Objetivo: Construir um modelo para a emissão de luz por uma fonte não puntiforme. Material utilizado! caixa escura! máscaras! fonte de luz 1 com lâmpadas
Leia maisXXXV Olimpíada Brasileira de Matemática GABARITO Segunda Fase
XXXV Olimpíada Brasileira de Matemática GABARITO Segunda Fase Soluções Nível 2 Segunda Fase Parte A CRITÉRIO DE CORREÇÃO: PARTE A Na parte A serão atribuídos 4 pontos para cada resposta correta e a pontuação
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisBioexperimentação. Prof. Dr. Iron Macêdo Dantas
Governo do Estado do Rio Grande do Norte Secretaria de Estado da Educação e da Cultura - SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO
Leia maisComposição de Funções
Composição de Funções Existem muitas situações em que uma função depende de uma variável que, por sua vez, depende de outra, e assim por diante. Podemos dizer, por exemplo, que a concentração de monóxido
Leia maisMINICURSO. Uso da Calculadora Científica Casio Fx. Prof. Ms. Renato Francisco Merli
MINICURSO Uso da Calculadora Científica Casio Fx Prof. Ms. Renato Francisco Merli Sumário Antes de Começar Algumas Configurações Cálculos Básicos Cálculos com Memória Cálculos com Funções Cálculos Estatísticos
Leia maisProbabilidade e Estatística I Antonio Roque Aula 2. Tabelas e Diagramas de Freqüência
Tabelas e Diagramas de Freqüência Probabilidade e Estatística I Antonio Roque Aula 2 O primeiro passo na análise e interpretação dos dados de uma amostra consiste na descrição (apresentação) dos dados
Leia maisTécnicas de. Integração
Técnicas de Capítulo 7 Integração TÉCNICAS DE INTEGRAÇÃO 7.4 Integração de Funções Racionais por Frações Parciais Nessa seção, vamos aprender como integrar funções racionais reduzindo-as a uma soma de
Leia maisDETERMINAÇÃO DE EQUAÇÕES DE REGRESSÃO OBTIDAS EM TERMÔMETROS DE GLOBO NEGRO PADRÃO E PLÁSTICO VERÃO E INVERNO
DETERMINAÇÃO DE EQUAÇÕES DE REGRESSÃO OBTIDAS EM TERMÔMETROS DE GLOBO NEGRO PADRÃO E PLÁSTICO VERÃO E INVERNO Patrícia da Silva Simão 1 ; Sandra Regina Pires de Moraes 2 ; André Luiz Ribas de Oliveira
Leia maisa média de gols da primeira rodada, M G a média de gols das duas primeiras rodadas e x o número de gols da segunda rodada, tem-se 15 + x 15 M G
MATEMÁTICA O número de gols marcados nos 6 jogos da primeira rodada de um campeonato de futebol foi 5,,,, 0 e. Na segunda rodada, serão realizados mais 5 jogos. Qual deve ser o número total de gols marcados
Leia maisTestes de Significância Estatística para Avaliação de Algoritmos
Testes de Significância Estatística para Avaliação de Algoritmos Prof. Eduardo R. Hruschka Departamento de Ciências de Computação Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de
Leia maisCap.11 Trabalho Trabalho e energia cinética Calculando e usando trabalho
Cap.11 Trabalho Do professor para o aluno ajudando na avaliação de compreensão do capítulo. É fundamental que o aluno tenha lido o capítulo. 11.2 Trabalho e energia cinética Consultar o arquivo Cap10_Energia.pdf:
Leia maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisAULA 11 Heteroscedasticidade
1 AULA 11 Heteroscedasticidade Ernesto F. L. Amaral 30 de julho de 2012 Análise de Regressão Linear (MQ 2012) www.ernestoamaral.com/mq12reg.html Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia mais