Métodos de identificação de efeitos na dispersão em experimentos fatoriais não replicados

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Métodos de identificação de efeitos na dispersão em experimentos fatoriais não replicados"

Transcrição

1 Métodos de dentfcação de efetos na dspersão em expermentos fatoras não replcados Resumo Antono Fernando de Castro Vera Eugeno Kahn Epprecht A dentfcação de fatores que afetam a méda e a dspersão de característcas de qualdade é essencal para a otmzação de produtos e processos produtvos. Para tal dentfcação, costuma-se utlzar expermentos fatoras. A análse de efetos sobre a dspersão, contudo, usualmente demanda repetções do expermento sob as mesmas condções (replcações), que podem ser caras. Assm, város métodos têm sdo propostos na lteratura para a dentfcação de efetos na dspersão a partr de expermentos fatoras não replcados. Neste artgo, analsamos alguns desses métodos, lustrados com um exemplo de um processo produtvo, conclundo pela superordade de um método teratvo baseado em modelos lneares generalzados. Fnalmente, utlzando os modelos para a méda e para a dspersão, fornecdos pelo método teratvo, procedemos à otmzação do processo descrto no exemplo. Palavras-chave: Expermentos fatoras. Modelos lneares generalzados. Otmzação de processos. Introdução Técncas estatístcas e matemátcas são útes para o desenvolvmento, melhora e otmzação de processos produtvos. Essas técncas são gualmente útes para o projeto e desenvolvmento de novos produtos, bem como para a melhora de produtos exstentes. Nesse contexto, é partcularmente mportante aplcar essas técncas na dentfcação de fatores que nfluencam característcas de qualdade de processos ou produtos. Na otmzação de processos produtvos e de projetos de produtos, os métodos ncalmente utlzados tnham como foco prncpal a dentfcação de fatores que afetam a méda da característca de qualdade (resposta). Os efetos transmtdos por esses fatores são denomnados efetos na méda (locaton effects). Seu conhecmento possblta um ajuste nos fatores que propca um valor desejado para a méda da resposta. Com a modernzação dos concetos de qualdade - quando então varânca mínma passou a ser snônmo de qualdade -, a análse dos fatores que afetam a varânca da resposta tornou-se alvo de nteresse. Os efetos transmtdos por esses fatores são denomnados efetos na dspersão (dsperson effects). O conhecmento desses efetos possblta um ajuste nos fatores que propca a mnmzação da varânca da resposta. Para uma descrção abrangente do mpacto de tas efetos na qualdade dos produtos, ver Myers e Montgomery (00). Para a dentfcação dos fatores que afetam a dspersão, é desejável utlzar expermentos replcados, porque, com replcações, pode-se construr um modelo para a dspersão, através da varânca das observações replcadas, ndependentemente do modelo utlzado para a méda. Entretanto, expermentos replcados podem ter alto custo ou longo tempo de expermentação. Daí o nteresse em expermentos sem replcações. Para uma abordagem de expermentos com replcações, ver McCullagh e Nelder (989), Grego (993) e Myers e Montgomery (00). Neste artgo descrevemos três métodos de dentfcação de efetos na dspersão aplcados a expermentos sem replcações e lustrados com um exemplo real provenente da lteratura. Nosso objetvo é exemplfcar e comparar os três métodos e fornecer uma revsão bblográfca dos trabalhos relevantes sobre o tema. Embora tratemos aqu de métodos de dentfcação de efetos na dspersão, é mportante construr um modelo adequado para a méda. Isto porque, não havendo replcações, o modelo para a dspersão é obtdo através dos resíduos provenentes do modelo da méda. Erros na dentfcação dos fatores nfluentes sobre a méda afetam tas Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

2 00 Vera e Epprecht resíduos e podem levar à dentfcação de efetos espúros na dspersão ou à não-dentfcação de efetos reas. Na Seção, apresentamos uma revsão bblográfca comentada dos prncpas artgos sobre a dentfcação de efetos na dspersão em expermentos não replcados. Apesar de haver mutos trabalhos sobre o assunto, não encontramos uma descrção detalhada dos métodos reunda em um únco artgo, com uma lustração, como fazemos aqu. Na Seção 3, apresentamos três métodos para dentfcar efetos na dspersão. Os métodos são lustrados com um exemplo. Na Seção 4, fazemos comentáros adconas comparando a efcáca e a ampltude de aplcabldade dos métodos descrtos na Seção 3. Na Seção 5, apresentamos as conclusões e recomendações, bem como ndcações para trabalhos futuros. Revsão da lteratura Nesta seção, apresentamos um apanhado do estado da arte para modelagem da dspersão em expermentos fatoras não replcados. Aqu fornecemos as referêncas que descrevem os métodos que consderamos relevantes sobre o assunto. Quanto a métodos de dentfcação de modelos para a méda, para revsão e comparação, recomendamos Hamada e Balakrshnan (998). O prmero artgo para dentfcação de efetos na dspersão em expermentos não replcados é o de Box e Meyer (986). Eles propuseram um método baseado na varabldade dos resíduos provenentes do modelo ajustado para a méda por mínmos quadrados. Este método é descrto e lustrado na Seção 3. Bergman e Hynén (997) também propuseram um método baseado na varabldade dos resíduos provenentes do modelo ajustado para a méda, provendo então uma estatístca de teste baseada na dstrbução F. Pan (999) e McGrath e Ln (00) analsaram a nfluênca do modelo elaborado para a méda na dentfcação dos efetos na dspersão, aplcando os métodos de Box e Meyer (986) e de Bergman e Hynén (997) a casos reas. Segundo Pan (999), nclur, no modelo da méda, fatores (ou nterações) que realmente não afetam a méda dmnu a efcênca do método usado para dentfcar os efetos na dspersão, mas não afeta a sua valdade. Isto quer dzer que o método anda dentfca efetos reas na dspersão, embora esteja mas sujeto a erros na dentfcação. Por outro lado, não nclur, no modelo da méda, fatores (ou nterações) que realmente afetam a méda pode, cumulatvamente, nvaldar o método usado para dentfcar os efetos na dspersão. Pan afrma que os efetos na méda não dentfcados podem causar um grande mpacto no poder e na probabldade de erro do método de dentfcação de efetos na dspersão, e que a ntensdade desse mpacto é mprevsível se o verdadero modelo da méda é desconhecdo. As conclusões de McGrath e Ln (00) são smlares às de Pan (999). Eles também mostram que, em certos casos, não se pode determnar o que é real: um efeto na dspersão ou dos efetos na méda. Na seção 3, lustramos, com um exemplo, os problemas detectados por estes autores. Montgomery (00) descreve um método gráfco muto smples para dentfcar efetos na dspersão. Este método é descrto e lustrado na Seção 3. Entretanto, como será vsto seu caráter subjetvo, eventualmente, leva a dúvdas sobre quas fatores devem afetar a dspersão. Métodos teratvos para dentfcação de efetos na méda e na dspersão foram desenvolvdos por McCullagh e Nelder (989), Engel e Huele (996) e Lee e Nelder (998). Em tas métodos, são utlzados os modelos lneares generalzados (MLG), sendo que McCullagh e Nelder (989) e Lee e Nelder (998) aplcam MLG para modelar explctamente tanto a méda quanto a dspersão, enquanto Engel e Huele (999) aplcam MLG somente para modelar a dspersão. Para a modelagem da méda, estes últmos assumem um modelo para a méda cuja função de lgação é a dentdade, o que consttu um caso partcular dos modelos MLG propostos por McCullagh e Nelder (989) e Lee e Nelder (998). Ademas, Engel e Huele não consderam o uso da técnca de quase-verossmlhança estendda (QVE) (extended quase-lkelhood), utlzada por McCullagh e Nelder (989) e Lee e Nelder (998). Dentre os três métodos, o método de Lee e Nelder (998) é o únco que usa a técnca de máxma verossmlhança restrta (MVR) (restrcted maxmum lkelhood), que é um ajuste feto no modelo da méda, necessáro em expermentos fatoras altamente fraconados. 3 Métodos de dentfcação de efetos na dspersão Nesta seção, apresentamos três métodos para dentfcar efetos na dspersão em expermentos fatoras não replcados: o método gráfco descrto por Montgomery (00), o método de Box e Meyer (986) e o método teratvo de Lee e Nelder (998), lustrando o uso e analsando o desempenho de cada um deles pela aplcação de todos a um mesmo conjunto de dados. 3. Método gráfco O gráfco Resíduos versus Fator é útl para uma prmera nspeção do efeto de um fator sobre a dspersão. Em alguns casos, pode fornecer ndcações conclusvas. A análse é feta observando se há mudanças no espalhamento dos resíduos quando o nível do fator é mudado. Quando a mudança é vsível, sto é ndíco de que a varabldade é sensível ao fator em questão. Vejamos o método com um exemplo. Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

3 Métodos de dentfcação de efetos na dspersão em expermentos fatoras não replcados 0 Exemplo Myers e Montgomery (00) analsaram um expermento de moldagem cuja resposta é a contração do molde. São estudados sete fatores (A-G). Trata-se de um expermento fatoral 7 3 com resolução IV. Os geradores são I = ABCE, I = BCDF e G = ACDG. Os dados são apresentados na Tabela. Com base no gráfco de probabldade normal dos efetos de cada fator e nteração entre fatores, mostrado na Fgura, Myers e Montgomery (00) consderaram A, B e AB como efetos mportantes. Usando-se o método mínmos quadrados, ajusta-se o segunte modelo (Equação ): Modelo M : yˆ = 7, 3+ 6, 94A + 7,8B + 5, 94AB () McGrath e Ln (00) também analsaram este exemplo e, com base no gráfco de probabldade normal dos efetos (Fgura ), propuseram adconar os efetos G e CG. Cabe regstrar que, devdo à estrutura do expermento, a nteração AB está confundda com CE e FG, e a nteração CG está confundda com AD e EF. Caso não haja conhecmentos prátcos sobre a exstênca ou não dessas nterações, há necessdade de um expermento complementar para elmnar as ambgudades. Tendo em vsta a contnudade do exemplo, vamos supor que a nteração atva seja CG. Entretanto, devemos aplcar o prncípo da herarqua. Montgomery (00), descreve este prncípo: se um modelo contém uma nteração, deve conter também todos os fatores que a compõem. Ele afrma que sto promove uma consstênca nterna no modelo e que mutos estatístcos seguem este prncípo. Com base nsto, ncluímos o fator C. Usando-se o método de mínmos quadrados ajusta-se o segunte modelo (Equação ). Modelo M: yˆ = 7,3+ 6, 94A+ 7,8B+ + 5, 94AB 0, 44C, 44G,69CG () Observando os gráfcos, é dfícl dzer quem tem razão. Com efeto, o caráter subjetvo deste método eventualmente leva a dúvdas sobre quas fatores devem ser ncluídos no modelo. Para avalar o efeto do fator sobre a dspersão, Montgomery (00) propõe o uso do gráfco resíduos versus fator. Consderando o modelo M, na Fgura 3, apresentamos este gráfco para o fator C. (Os números A: A B: B C: C D: D E: E F: F G: G Probabldade normal % A AB 5,38 4,88 5,3 5,38 35,63 Efeto Fgura. Gráfco de probabldade normal dos efetos (reta ajustada por Myers e Montgomery, 00). B Tabela. Dados do expermento de moldagem. A B C D E = ABC F = BCD G = ACD Y A: A B: B C: C D: D E: E F: F G: G Probabldade normal % G CG A AB 5,37 4,88 5,3 5,38 35,63 Efeto Fgura. Gráfco de probabldade normal dos efetos (reta ajustada por McGrath e Ln, 00). B Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

4 0 Vera e Epprecht que aparecem no gráfco ndcam as ocorrêncas de dos resíduos com um mesmo valor). Observamos que o espalhamento dos resíduos fca vsvelmente maor com a mudança do nível. Isto ndca que o fator C afeta a dspersão: a varabldade aumenta quando mudamos C de - para +. Na Fgura 4, apresentamos o gráfco equvalente para o Modelo M. Neste gráfco, observamos que o espalhamento dos resíduos não muda sgnfcatvamente com a mudança do nível. Isto é um ndíco de que a varabldade não muda quando o fator C muda de - para +. Portanto, temos evdêncas de que a não-nclusão de C, G e CG no modelo para a méda resulta em dentfcar um efeto espúro do fator C sobre a dspersão. Entretanto, analsando os gráfcos do Modelo M para os outros fatores, encontramos ndcação de que os fatores F e G afetam a dspersão. Os gráfcos referentes a estes fatores estão na Fgura 5. Observamos que, em ambos os gráfcos, o espalhamento dos resíduos fca menor com a mudança do nível. Isto é um ndíco de que a varabldade dmnu quando os fatores F e G mudam do nível - para +. Com o Modelo M, dentfcou-se C como fator que afeta a dspersão. Com o Modelo M, dentfcou-se F como fator que afeta a dspersão. Portanto, com a análse do Exemplo, constatamos que dferentes modelos para a méda podem levar à dentfcação de dferentes efetos na dspersão. Evdentemente, este método gráfco não é um teste formal. Mas ele pode, em mutos casos, fornecer alguma evdênca dos fatores que afetam a dspersão. 3. Método de Box e Meyer Box e Meyer (986) propuseram um método baseado na varabldade dos resíduos provenentes do modelo ajustado para a méda por mínmos quadrados. Este método só é aplcável a expermentos fatoras com dos níves, completos ou fraconados. Portanto, as varáves x j são geralmente codfcadas em dos níves: - e +. Seja o modelo lnear (Equação 3) sendo (Equação 4) y = Xβ+ε y x x.. xk y x x.. x k y =. X = y n xn xn.. x nk β ε 0 β ε β=. e ε=... βk εk (3) (4) e, por sua vez, k corresponde ao número de varáves regressoras e n, ao número de respostas. A varável que aparece em cada coluna da matrz X pode representar tanto um fator prncpal quanto uma nteração entre fatores. Defnem-se então, para cada varável, os seguntes conjuntos M j e P j (Equação 5): M j = {: x j = } P j = {: x j = +} (5) 7,5000 3,0 4,065,5 Resíduos 0,650,85 Resíduos 0,0,5 6,500 3,0 0 Fator C Fgura 3. Gráfco dos Resíduos versus Fator C - Modelo M. Obs.: os números ndcam que o ponto corresponde a dos resíduos de gual valor. 0 Fator C Fgura 4. Gráfco dos Resíduos versus Fator C - Modelo M. Obs.: os números ndcam que o ponto corresponde a dos resíduos de gual valor. Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

5 Métodos de dentfcação de efetos na dspersão em expermentos fatoras não replcados 03 3,0 3,0,5,5 Resíduos 0,0 Resíduos 0,0,5,5 3,0 3,0 0 Fator F 0 Fator G Fgura 5. Gráfcos dos Resíduos versus Fatores F e G - Modelo M. Obs.: os números ndcam que o ponto corresponde a dos resíduos de gual valor. Para estmatva dos parâmetros, é aplcado o método dos mínmos quadrados. Sejam e = ( y yˆ ) os resíduos, =,,..., n, do modelo ajustado. Para cada coluna (varável j), defne-se: s j ( ej) = var a varânca amostral dos resíduos e j tas Pj que M s j+ j ( ej) = var a varânca amostral dos resíduos e j tas Mj que P j Se os valores dos desvos-padrão s j+ e s j não são muto dferentes, tem-se a ndcação de que, quando o fator j muda de um nível para outro, a varânca dos resíduos não é afetada por esse fator, ou seja, a varânca da resposta não se altera com o nível do fator j. Por outro lado, se um valor é muto maor do que o outro, tem-se a ndcação de que a varânca da resposta é afetada por esse fator. Vejamos o método aplcado ao Exemplo. Exemplo (contnuação) Consderando o Modelo M, na Tabela apresentamos o cálculo dos desvos-padrão s j+ e s j assocados aos fatores B e C. Para o fator B, temos s B+ = 4,0 e s B = 4,4 valores que dferem em dez por cento, enquanto que, para o fator C, temos s C+ = 5,70 e s C =,63 uma dferença muto maor. Entretanto, não sabemos se esta dferença é sgnfcatva. Para uma melhor verfcação da magntude relatva dos efetos sobre a dspersão, Box e Meyer (986) defnram a estatístca (Equação 6), s j+ j j j s j ( + ) ( ) F = ln = ln s ln s j =,,, r (6) em que r é o número de varáves (fatores e nterações). Montgomery (00) assegura que, se os erros forem normalmente dstrbuídos e se a varânca dos resíduos para as respostas em que o nível do fator j é (-) for gual à varânca dos resíduos para as respostas em que o nível do fator j é (+), então F j segue aproxmadamente a dstrbução normal. Assm sendo, um gráfco de probabldade normal dos valores de F j pode ndcar os fatores j que afetam a dspersão. Consderando o Modelo M, na tabela abaxo apresentamos os valores da estatístca F j (Tabela ). Na Fgura 6, apresentamos o gráfco de probabldade normal de F j, em que, efetvamente, o ponto correspondente ao fator C está afastado da reta em torno da qual se alnham os demas pontos. Isto ndca que o fator C afeta a dspersão. Consderando o Modelo M, na tabela abaxo apresentamos os valores da estatístca F j (Tabela 3). Verfcamos que o valor de F j para o fator C dmnuu. Na Fgura 7, apresentamos o gráfco de probabldade A B AB C AC BC E -0,38-0,8 0,,5-0,4-0,4-0,03 D AD BD ABD CD G F DE 0,5 0,4-0,8 0,5 0,5 0,3-0,3 0,7 Tabela. Valores da estatístca F j Modelo M. Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

6 04 Vera e Epprecht F G B AD BD ABD A -,5 -,3-0,38-0,38-0,36-0,3-0, D C AC CD BC DE E AB -0, -0,06-0,0 0,3 0,5 0,33 0,39,8 Tabela 3. Valores da estatístca F j Modelo M. normal de F j para o Modelo M. Observando o gráfco, não temos mas ndcação de que a dspersão seja afetada pelo fator C (o que confrma a ndcação do gráfco da Fgura 4), mas sm pelos fatores F e G (o que confrma a ndcação dos gráfcos da Fgura 5) e pela nteração AB. Agora temos um dlema. Temos um modelo smples para a méda (M) com um fator de dspersão (C) ou modelo mas complexo para a méda (M), com dos fatores (F e G) e uma nteração (AB) que afetam a dspersão. Na Fgura 8, apresentamos o gráfco dos resíduos versus nível da nteração AB. Esse gráfco também ndca que a nteração AB afeta a dspersão. Os expermentos fraconados (como no exemplo) são usados nos estágos ncas da nvestgação. Se optarmos pelo modelo mas smples (M), estaremos elmnando fatores potencalmente mportantes, que poderam ser dentfcados em expermentos posterores. Então, uma estratéga recomendável, neste caso, é segur com o modelo mas complexo (M), pelo menos até ter confrmação ou não em estágos posterores. 3.3 Método teratvo de Lee e Nelder A segur, descrevemos o método de Lee e Nelder (998). O método envolve um modelo para a méda e um modelo para a dspersão, que se almentam mutuamente (cada um usa o outro) de manera teratva. A descrção a segur se dvde, para maor clareza, em subseções que tratam de cada um dos modelos e do procedmento teratvo. Uma subseção própra descreve também o método de máxma verossmlhança restrta, que é usado no caso em que o número de dados é pequeno em relação ao número de parâmetros do modelo para a méda Modelo para a méda O modelo proposto para a méda é (Equação 7), ( ) x' η = g µ = β (7) í A méda e a varânca de y são E(y ) = m e var(y ) = φ V(m ) em que φ é o parâmetro de dspersão (que não depende da méda) e V(m ) é a função de varânca, que depende da méda. Observe que o parâmetro de dspersão, que é constante para os membros da famíla exponencal, é agora consderado dferente para cada combnação dos níves dos fatores. Sendo o parâmetro de dspersão dferente para cada resposta (y ), Lee e Nelder (998) propõem então a função de quase-verossmlhança estendda (extended quas-lkelhood; vde McCullagh; Nelder, 989) (Equação 8): Tabela. Cálculo dos Desvos-padrão s j+ e s j assocados aos fatores B e C. Fator B Fator C y ŷ Resíduos Nível P j e j M j Nível P j e j M 6 8,50 -,50 - -,50 - -,50 0 0,50-0, , ,50 3 3,5-0,5-0,5 - -0, ,00,00,00 -,00 4 8,50-4, ,50-4,50 5 0,50 4,50-4,50 4,50 6 3,5-6,5-6,5-6, ,00,00,00,00 8 8,50-0, , ,50 0,50,50 -,50 -, ,5,75,75 -, ,00,00,00 -,00 6 8,50 7,50-7,50 7,50 5 0,50-5, ,50-5, ,5 4,75 4,75 4, ,00-6,00-6,00-6,00 Varânca 6, 9,43 Varânca 3,44,66 Desvo-padrão 4,0 4,4 Desvo-padrão 5,70,63 j Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

7 Métodos de dentfcação de efetos na dspersão em expermentos fatoras não replcados 05 + d Q = + ln πϕv y ϕ n = em que d é o quase-devance, dado por d ( ) µ ( ) (8) y y µ = dt e V t V(t) é a função de varânca para um valor t da méda de y. Para estmar o vetor β dos coefcentes do modelo, procede-se à maxmzação da função de quase-verossmlhança estendda (QVE), obtendo-se as equações-escore (Equação 9): n = y µ µ x = 0 ϕ V µ η ( ) (9) 3.3. Máxma verossmlhança restrta Em expermentos altamente fraconados (como no exemplo), nos quas o número de dados é pequeno em relação ao número de parâmetros do modelo para a méda, os estmadores dos parâmetros do modelo de dspersão podem ter veses acentuados, devdo à escassez de graus de lberdade para modelagem da dspersão (Lee; Nelder, 998). Neste caso, procedmentos de ajuste devem ser adotados para o modelo da méda. Os autores ctados propõem uso da técnca de máxma verossmlhança restrta (MVR) com a maxmzação da segunte função (Equação 0), F j Fgura 6. Gráfco de Probabldade Normal de F j Modelo M. F j F G Quartl normal 0 Quartl normal Fgura 7. Gráfco de Probabldade Normal de F j Modelo M. C AB n * d B V y = ϕ Q = + ln πϕ * em que d d ( h) ( ) (0) = e, por sua vez, h, =,,..., n, são os elementos da dagonal da matrz chapéu H, que é a matrz de projeção dos valores ajustados sobre os valores observados para a méda. Então, ŷ = Hy. A matrz H é dada por (McCullagh; Nelder, 989) Equação, ( ) H = W X X'WX X'W () em que a matrz W é dagonal, com os elementos dados por (Equação ), dµ w = var µ dη ( ) () Em síntese, o ajuste ndcado consste apenas em substtur d por d *, na função de quase-verossmlhança estendda, ou seja, substtur a expressão (3) por (5) Modelo para a dspersão O modelo proposto para a dspersão é (Equação 3), ( ) z' x = h ϕ = g (3) Neste modelo, a varável de resposta é o resíduo quase-devance d. Para representar d, Lee e Nelder (998) recomendam a dstrbução gama, com parâmetro de dspersão gual a. Portanto, supõe-se que E(d ) = φ e var(d ) = φ. Os vetores x, do modelo da méda, e z podem ter elementos comuns. Ou seja, fatores que afetam a méda podem afetar ou não a dspersão e vce-versa. Lee e Nelder (998) afrmam que a escolha usual da função de lgação é h(φ ) = ln(φ ), ou seja, eles consderam que os efetos dos fatores sobre a dspersão são multplcatvos. Na Tabela 3, é apresentado um resumo dos elementos dos modelos para a méda e para a dspersão. Resíduo Fgura 8. Gráfco dos Resíduos versus o Nível da Interação AB. Obs.: os números ndcam que o ponto corresponde a dos resíduos de gual valor. AB Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

8 06 Vera e Epprecht Procedmento teratvo Para a modelagem da méda e da dspersão, temos os seguntes passos: a) Ajuste do modelo da méda. Escolher a função de lgação, a função de varânca e seleconar os coefcentes sgnfcatvos. Os graus de lberdade restantes serão usados para o ajuste do modelo da dspersão. Para a prmera teração, o parâmetro de dspersão φ é consderado constante. Nas terações seguntes, usa-se l/φ, provenente do modelo da dspersão, para estmar os coefcentes com as equações de quase-verossmlhança estendda. O desvo * d = d /(l - h ) resultante do ajuste do modelo será a resposta do modelo da dspersão. * b) Ajuste do modelo da dspersão. Com d como resposta, a escolha comum é a dstrbução gama com função de lgação logarítmca e parâmetro de dspersão gual a. Podem-se usar os métodos já descrtos para dentfcar os fatores que podem afetar a dspersão. O valor ajustado φ resultante será usado no modelo da méda. c) O processo teratvo termna quando os parâmetros do modelo da dspersão são guas em duas terações consecutvas, a menos de uma tolerânca. Exemplo (contnuação) Neste exemplo, fo usado um expermento fatoral 7-3 com sete fatores A-G sem replcações. Se consderarmos o Modelo M como o adequado, os fatores A e B afetam a méda e temos ndcação de que o fator Tabela 3. Modelos para a méda e para a dspersão. Modelo Componente Méda Dspersão Resposta y d * = d/(-h) Valor esperado da resposta μ φ Varânca da resposta φv(μ) φ Função de lgação η = g(μ) ζ = h(μ) = ln φ Predtor lnear h = x b x = z g Devance d {-ln(d * / φ)+(d * -φ)/ φ} Peso /φ -h Tabela 4. Expermento 3 com duas replcações. A B C y y C afeta a dspersão. Tratamos então os outros fatores como sendo nertes, de modo que podemos consderar um expermento 3 com duas replcações. Na Tabela 4, apresentamos este expermento. Vamos consderar os modelos para a méda e para a dspersão (Equação 4), y =β 0 +β A +β B +β 3AB +ε (4) em que E(ε) = 0 e var( ε ) =ϕ= exp( g +g A+g B+g C) 0 3, sendo φ com dstrbução gama. Como agora temos replcações, podemos estmar a varânca de cada resposta e usá-la para fazer o ajuste de um modelo ndependentemente do modelo da méda. Na Tabela 5, apresentamos a estmatva da varânca de cada resposta. Sem nenhuma análse formal, observamos que a varânca de cada resposta entre os valores de y é muto menor no nível - do fator C. Isto confrma as ndcações dos métodos descrtos nas seções 3 e 4, de que C tem um efeto consderável na dspersão. Na Tabela 5, temos que a estmatva da varânca da resposta 4 é zero. Para este valor da resposta, o valor da função de log-verossmlhança da dstrbução gama é nfnto, o que torna nvável a estmatva dos coefcentes do modelo. Entretanto podemos atrbur um valor muto pequeno para esta resposta, dgamos 0,0, para contornar este problema e poder ajustar o modelo. Na Tabela 6, apresentamos as estmatvas dos coefcentes para o modelo da dspersão, fornecdos pelo software ARC. Tabela 5. Estmatva da varânca da resposta. A B C S Tabela 6. Coefcentes e erro-padrão do modelo para a dspersão. Estmatva Erro-padrão Est./Erro-padrão Constante,093 0, ,46664 A -0,488 0, ,8955 B -0, , ,80843 C, , ,0636 Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

9 Métodos de dentfcação de efetos na dspersão em expermentos fatoras não replcados 07 Observando a tabela, vemos que apenas C é sgnfcatvo. Ajustando o modelo apenas com C, obtemos o resultado, fornecdo pelo software ARC (Equação 5): φ= ˆ exp(,9 +, 79C) (5) Com este modelo, podemos estmar os valores de φ para cada resposta e utlzar ϕ ˆ como peso para ajustar o modelo da méda. O modelo ajustado, fornecdo pelo software ARC, fo (Equação 6), yˆ = 7,73 + 7,7A + 8,70B + 5,76AB (6) Entretanto, podemos aplcar o método de Lee e Nelder (998) para modelar a méda e a varânca, obtendo modelos smlares aos das Equações (8) e (9). Para dar níco ao procedmento teratvo, ajusta-se o modelo da méda sem consderar as replcações. Para os cálculos do modelo da méda, usamos a planlha Excel (apenas as operações com matrzes) e, para o modelo da dspersão, usamos o software Arc. Adotamos a técnca de máxma verossmlhança restrta, uma vez que temos 6 coefcentes para estmar e apenas 6 observações. Houve convergênca após 4 terações. Na Tabela 7, apresentamos as estmatvas dos coefcentes para o modelo da méda. Na Tabela 8, apresentamos as estmatvas dos coefcentes para o modelo da dspersão. Os modelos para a méda e para a dspersão são, portanto (Equações 7 e 8): yˆ = 7,7+ 7,68A + 8,67B + 5,77AB (7) φ= ˆ exp(,95 +,57C) (8) Observe que as equações (9) e (0) são bem parecdas, bem como as equações (8) e (). Portanto, os modelos da méda e da dspersão obtdos pelos dos procedmentos devem produzr as mesmas estmatvas da resposta. No modelo da dspersão, os resultados obtdos pelos dos procedmentos estão de acordo com a ndcação de que o fator C afeta a dspersão. Pode haver casos em que haja desacordo entre os dos procedmentos na ndcação do fator de dspersão. Nesses casos, uma explcação possível é que as meddas de varabldade dos dos procedmentos medem varabldades de dferentes tpos ou de fontes dferentes (McCullagh; Nelder, 989). Entretanto, para estmar o efeto do fator C sobre a méda e sobre a dspersão, o modelo da dspersão ajustado com a varânca das observações replcadas é mas confável porque o valor esperado da varável de resposta deste modelo é a própra varânca da resposta, enquanto que a estmatva de φ a partr dos resíduos do modelo da méda é uma estmatva com vés, cujo efeto se manfesta prncpalmente sobre o termo constante (Lee; Nelder, 988). Contnuando a análse da méda e da dspersão no Exemplo, vamos agora consderar o Modelo M (Equação 9). y =β 0 +β A +β B +β 3AB +β 4C +β 5G +β 6CG +ε(9) Como fo detectado que F, G e AB afetam a dspersão, o modelo para a dspersão é (Equação 0), ( ) ( ) var ε =φ= exp g +g F +g G +g AB (0) 0 3 Houve convergênca após 6 terações. Na Tabela 9, apresentamos as estmatvas dos coefcentes para o modelo da méda. Na Tabela 0, apresentamos as estmatvas dos coefcentes para o modelo da dspersão. Observamos que o fator G não deve ser consderado sgnfcatvo para a dspersão porque o quocente entre a estmatva e o erro-padrão de seu coefcente tem módulo menor do que. O modelo para a dspersão passa a ser φ= exp( g 0 +g F +gab) Repetndo o processo, após 5 terações, temos os seguntes modelos para a méda e para a dspersão (Equações e ): yˆ = 7,05 + 7,53A+ 7,77B+ + 6,0AB 0,56C,57G,57CG Tabela 7. Coefcentes e erro-padrão do modelo da méda. Estmatva Erro-padrão Est./Erro-padrão Constante 7,739 0,488 66,7 A 7,689 0,488 8,34 B 8,676 0,488 44,58 AB 5,7655 0,488 3,77 Tabela 8. Coefcentes e erro-padrão do modelo da dspersão. Estmatva Erro-padrão Est./Erro-padrão Constante, ,3396 5,75 C,5780 0,3396 4,63 Tabela 9. Coefcentes e erro-padrão do modelo da méda. Estmatva Erro-padrão Est./Erro-padrão Constante 7,4466 0,5366 5,5 A 7,89 0,5337 3,36 B 7,8070 0, ,37 C -0,5567 0,4394 -,7 G -,5765 0,55-5,00 AB 6,046 0,658 9,66 CG -,576 0,4394-5,86 Tabela 0. Coefcentes e erro-padrão do modelo da dspersão. () Coefcente Estmatva Erro-Padrão Est./Erro-padrão Constante,536 0,3505 0,438 F 0,7708 0,3505,99 G 0,876 0,3505-0,535 AB 0,883 0,3505,377 Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

10 08 Vera e Epprecht ( F AB) φ= exp 0,7 0,80 + 0,83 () 3.4 Otmzação do processo de moldagem Para otmzar o processo, é desejável mnmzar a contração méda ŷ do molde, bem como a sua dspersão. Vamos consderar ncalmente o Modelo M e, em seguda, o Modelo M Consderando o Modelo M Na Seção 5.3, obtvemos os seguntes modelos para a méda e para a dspersão (Equação 3): yˆ = 7,73 + 7,7A + 8,70B + 5,76AB φ= ˆ exp(,9 +, 79C) (3) Podemos mnmzar a méda com A = e B =, e mnmzar a varânca com C =. A estmatva da contração méda será então y ˆ = 7, 73 7, 7 8, , 76 = 7, 08. O efeto de dmnur o fator C de + para é reduzr a varânca em exp (,79) = 5,99 undades Consderando o Modelo M Na Seção 5.3 obtvemos os seguntes modelos para a méda e para a dspersão (Equação 4): yˆ = 7,05 + 7,53A + 7,77B + 6,0AB 0,56C,57G,57CG ( F AB) ϕ= exp 0,7 0,80 + 0,83 (4) O efeto de aumentar o fator F de - para + é reduzr a varânca em exp (-0,80) = 0,45. Se A e B tverem snas contráros, a redução na varânca será exp (-0,83) = 0,44, em relação a quando A e B tverem snas guas. Como já vmos, para otmzar o processo, é desejável mnmzar a contração méda ŷ do molde e mnmzar var(y). Com o modelo acma, podemos mnmzar a méda com A =, B =, G = + e C = +, e mnmzaríamos a varânca com F = + e a nteração AB = (o que só pode ser consegudo com A e B de snas dferentes). Temos então um conflto para atngr os objetvos. Uma manera de analsar esta stuação é mnmzar a dspersão com F = + e a nteração AB =. Como o coefcente de B no modelo da méda é maor do que o de A, com A = + e B = consegumos uma menor contração méda mantendo G = + e C = +. O resultado é uma contração méda estmada em 4,53. Se essa contração méda não for satsfatóra, podemos estabelecer um valor alvo para a méda e, então, resolver o segunte problema: Mnmzar 0,83AB Sujeto a: yˆ = 7, ,5A+ 7, 77B+. + 6, 0AB 0, 56, 57, 57 = um valor alvo. A 3. B 4 Comentáros e recomendações Nesta seção, faremos comentáros e recomendações sobre os métodos descrtos na Seção 3, comparando a sua efcáca e ampltude de aplcabldade. 4. Método gráfco Evdentemente, o método gráfco descrto na Seção 3. não é um teste formal, podendo em mutos casos não ser conclusvo. Entretanto, em mutos casos, ele pode fornecer alguma evdênca dos fatores que afetam a dspersão, que pode ser confrmada pela aplcação do método teratvo descrto na Seção Método Box e Meyer Como fo vsto, o método de Box e Meyer (986) pode levar à dentfcação ncorreta dos efetos sobre a dspersão se o modelo para a méda não for bem ajustado. Brenneman e Nar (00) analsaram, além do método de Box e Meyer (986), város outros métodos não teratvos. Vamos denomnar todos esses métodos de métodos dretos. Eles são aplcáves apenas em expermentos fatoras com dos níves, completos ( k ) ou fraconados ( k-p ), e só admtem, para a modelagem da méda, os modelos lneares, com estmação pelo método de mínmos quadrados. Brenneman e Nar (00), concluíram, com resultados de estudos de smulação, que todos os métodos dretos apresentam algum vés, que depende do modelo ajustado para a méda e do número de efetos atvos na dspersão. Essas smulações evdencaram que, mesmo que o modelo para a méda seja o correto, esses métodos podem dentfcar efetos espúros na dspersão. Entretanto, esses métodos podem fornecer alguma evdênca dos fatores que afetam a dspersão, que pode ser confrmada pela aplcação do método teratvo descrto na Seção Método teratvo de Lee e Nelder Brenneman e Nar (00) analsaram também os métodos teratvos, conclundo pela superordade destes em relação aos métodos dretos. Eles asseguram que o método de Lee e Nelder (998) com máxma verossmlhança restrta (MVR) é superor aos demas. Ademas, enquanto os métodos dretos, como fo vsto, são aplcáves apenas em expermentos fatoras com dos níves e só consderam, para a modelagem da méda, modelos lneares com estmação pelo método dos mínmos quadrados, o método teratvo de Lee e Nelder (998) é aplcável também a expermentos com város níves, e utlza modelos lneares generalzados (MLG), o que Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

11 Métodos de dentfcação de efetos na dspersão em expermentos fatoras não replcados 09 permte consderar um número muto maor de possbldades de modelagem. Portanto, recomendamos o método teratvo descrto na Seção Conclusões Neste artgo foram apresentados e analsados os prncpas métodos de dentfcação de fatores que afetam a dspersão da resposta, aplcados a expermentos fatoras sem replcações. A análse permtu conclur pela superordade do método teratvo de Lee e Nelder (998) sobre os métodos dretos e sobre o método gráfco. Isto porque aquele método é aplcável a expermentos com város níves para cada fator e utlza MLG para a modelagem da méda, permtndo, portanto, consderar um número muto maor de possbldades de modelagem. Ele é, portanto, o método geral a recomendar. Além dsso, os demas métodos mostraram que podem levar à dentfcação ncorreta dos efetos sobre a dspersão. Por outro lado, eles podem fornecer alguma evdênca de fatores que afetem a dspersão; de modo que são útes se empregados em conjunto com o método de Lee e Nelder, mas não devem ser utlzados soladamente. Dado o fato de que os métodos de dentfcação de fatores aqu analsados, como grande parte dos métodos de análse estatístca, não podem ser automatzados, e requerem a nteração, o julgamento e a ntervenção humana, torna-se dfícl, senão mpossível, realzar metaexpermentos (expermentos de uso de métodos de análse de expermentos) com um grande número de repetções, para poder fazer afrmações sobre a sgnfcânca das conclusões obtdas. O procedmento usual na lteratura especalzada para a análse de desempenho de um ou mas de tas métodos é o que aqu fo adotado: aplcar o(s) método(s) a um ou dos problemas-exemplo que srva(m) para lustrar ou dagnostcar seu poder e suas lmtações (o exemplo aqu utlzado já fo usado por város autores em seus artgos). Sera então nteressante, e fca aqu ndcado como possbldade para trabalhos futuros, aplcar os métodos a outros conjuntos de dados, reas ou gerados aleatoramente segundo modelos com dstntas característcas, para tornar a análse mas abrangente. Anda que a presente análse tenha evdencado defcêncas de alguns métodos (e, neste aspecto, seja conclusva), a expermentação com um conjunto mas vasto de casos pode ndcar em que stuações tas métodos são mas (ou menos) propensos à falha. Methods for the dentfcaton of dsperson effects n unreplcated factoral experments Abstract The dentfcaton of factors that affect the locaton and dsperson of the probablty dstrbuton of qualty characterstcs s essental n the optmzaton of producton processes and product desgn. For ths purpose, factoral experments are typcally used. The analyss of dsperson effects, however, usually requres replcatons of the experment, whch can be expensve. Therefore, several methods have been proposed for the dentfcaton of the dsperson effects wth unreplcated factoral experments. In ths artcle, we analyze some of these methods concludng by the superorty of an nteractve method based on generalzed lnear models and whch provdes a model for the mean together wth a model for the dsperson of the qualty characterstc. Fnally, the use of the resultng model n an optmzaton process s presented trough an example. Keywords: Factoral experments; Generalzed lnear models; Process optmzaton Referêncas Bblográfcas BERGMAN, B.; HYNÉN, A. Dsperson Effects from Unreplcated Desgns n the k-p Seres. Technometrcs, v. 39, n., p. 9-98, 997. BOX, G. E. P.; MEYER, R. D. Dsperson Effects from Factoral Desgns. Technometrcs, v. 8, n., p. 9-7, 986. BRENNEMAN, W.; NAIR, V. N. Methods for Identfyng Dsperson Effects n Unreplcated Factoral Experments: A Crtcal Analyss and Proposed Strateges. Technometrcs, v. 43, n. 4, p , 00. ENGEL, J. E.; HUELE, A. F. A Generalzed Lnear Modellng Approach to Robust Desgn. Technometrcs, v. 38, n. 4, p , 996. GREGO, J. M. Generalzed Lnear Models and Process Varaton. Journal of Qualty Technology, v. 5, n. 4, p , 993. Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

12 0 Vera e Epprecht HAMADA, M. E.; BALAKRISHNAN, N. Analyzng Unreplcated Factoral Experments: A Revew wth Some New Proposals (wth dscusson). Statstca Snca, v. 8, n., p. -38, 998. LEE, Y.; NELDER, J. A. Generalzed Lnear Models for the Analyss of Qualty Improvement Experments. The Canadan Journal of Statstcs, v. 6, n., p , 998. McGRATH, R. N.; LIN, D. K. Confoundng of Locaton and Dsperson Effects n Unreplcated Fractonal Factorals. Journal of Qualty Technology, v. 33, n., p. 9-39, 00. MCCULLAGH, P. E.; NELDER, J. A. Generalzed Lnear Models. London: Chapman-Hall, 989. Montgomery, D. C. Desgn and Analyss of Experments. 5 ed. New York, NY: John Wley & Sons, 00. MYERS, R. H.; MONTGOMERY, D, C. Response Surface Methodology. ed. New York, NY: Wley & Sons, 00. MYERS, R. H.; MONTGOMERY, D. C.; VINING, G. G. Generalzed Lnear Models wth Applcatons n Engneerng and the Scences. New York, NY: John Wley & Sons, 00. PAN, G. The Impact of Undentfed Locaton Effects on Dsperson Effects From Unreplcated Factoral Desgns. Technometrcs, v. 4, n. 4, p , 999. Sobre os autores Antono Fernando de Castro Vera Departamento de Engenhara Industral, Pontfíca Unversdade Católca do Ro de Janero (PUC-Ro), Rua Marquês de São Vcente, 5, Gávea, CEP , Ro de Janero, RJ, Brasl e-mal: Eugeno Kahn Epprecht Departamento de Engenhara Industral, Pontfíca Unversdade Católca do Ro de Janero (PUC-Ro), Rua Marquês de São Vcente, 5, Gávea, CEP , Ro de Janero, RJ, Brasl e-mal: Agradecmentos: O segundo autor agradece o apoo do CNPq. Recebdo em 3//006 Aceto em 9//008 Gest. Prod., São Carlos, v. 6, n., p. 99-0, jan.-mar. 009

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise 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 mais

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

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

Leia mais

7 - Distribuição de Freqüências

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

Leia mais

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

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

Leia mais

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

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

Leia mais

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

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

Leia mais

AULA EXTRA Análise de Regressão Logística

AULA EXTRA Análise de Regressão Logística 1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

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

Leia mais

EXPERIMENTOS COM MISTURA PARA OTIMIZAÇÃO DE PROCESSOS: UMA APLICAÇÃO COM RESPOSTAS NÃO NORMAIS

EXPERIMENTOS COM MISTURA PARA OTIMIZAÇÃO DE PROCESSOS: UMA APLICAÇÃO COM RESPOSTAS NÃO NORMAIS versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-514 EXPERIMENTOS COM MISTURA PARA OTIMIZAÇÃO DE PROCESSOS: UMA APLICAÇÃO COM RESPOSTAS NÃO NORMAIS Antono Fernando de Castro Vera * Departamento de

Leia mais

Introdução a Combinatória- Aplicações, parte II

Introdução a Combinatória- Aplicações, parte II Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o

Leia mais

8.16. Experimentos Fatoriais e o Fatorial Fracionado

8.16. Experimentos Fatoriais e o Fatorial Fracionado 8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e

Leia mais

NOTA II TABELAS E GRÁFICOS

NOTA 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 mais

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

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

Leia mais

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 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 mais

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Resumo: Qualdade é hoje uma palavra chave para as organzações. Sob o símbolo da Qualdade abrgam-se flosofas, sstemas

Leia mais

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados. INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.

Leia mais

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado

Variabilidade 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 mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente

Leia mais

Introdução e Organização de Dados Estatísticos

Introdução 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 mais

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

Ministério 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 mais

Programa de Certificação de Medidas de um laboratório

Programa de Certificação de Medidas de um laboratório Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados

Leia mais

PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ

PROJEÇÕES 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 mais

Representação e Descrição de Regiões

Representação e Descrição de Regiões Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são

Leia mais

Universidade Federal de Viçosa. Introdução à Metodologia de Superfícies de

Universidade Federal de Viçosa. Introdução à Metodologia de Superfícies de Unversdade Federal de Vçosa Departamento de Estatístca Dscplna: EST 63 Métodos Estatístcos II Apostla Introdução à Metodologa de Superfíces de Resposta Paulo Roberto Cecon Anderson Rodrgo da Slva Vçosa,

Leia mais

Professor Mauricio Lutz CORRELAÇÃO

Professor 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 mais

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:

UTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é: UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje

Leia mais

são os coeficientes desconhecidos e o termo ε (erro)

são 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 mais

Estatística stica Descritiva

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 mais

2 Principio do Trabalho Virtual (PTV)

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

Leia mais

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

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

Leia mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

CAPÍTULO 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 mais

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2

Aplicando 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 mais

Y 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)

Y 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 mais

Estimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel

Estimativa 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 mais

DISTRIBUIÇÃO 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 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 mais

Controlo Metrológico de Contadores de Gás

Controlo Metrológico de Contadores de Gás Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade

Leia mais

Controle Estatístico de Qualidade. Capítulo 8 (montgomery)

Controle 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 mais

CQ110 : Princípios de FQ

CQ110 : 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 mais

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

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

Leia mais

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

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

Leia mais

Análise de Variância. Introdução. Rejane Sobrino Pinheiro Tania Guillén de Torres

Análise 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 mais

Aplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade

Aplicações 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 mais

de Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400 - Centro - CEP 13566-590, São Carlos SP # UTFPR, Cornélio Procópio PR

de Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400 - Centro - CEP 13566-590, São Carlos SP # UTFPR, Cornélio Procópio PR APLICAÇÃO DE SISTEMAS FUZZY EM MOTORES DE INDUÇÃO PARA IDENTIFICAÇÃO DE TORQUE DE CARGA SÉRGIO F. DA SILVA *, IVAN N. SILVA *, ALESSANDRO GOEDTEL #, CRISTIANO MINOTTI * * Laboratóro de Automação Intelgente

Leia mais

2 ANÁLISE ESPACIAL DE EVENTOS

2 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 mais

UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli

UNIVERSIDADE 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 mais

2 Experimentos com Mistura

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

Leia mais

Regressão e Correlação Linear

Regressão 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 mais

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

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

Leia mais

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria Unversdade do Estado do Ro de Janero Insttuto de Matemátca e Estatístca Econometra Revsão de modelos de regressão lnear Prof. José Francsco Morera Pessanha professorjfmp@hotmal.com Regressão Objetvo: Estabelecer

Leia mais

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas

3ª 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 mais

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística

ESTATÍSTICA 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 mais

4 Análise termoeconômica

4 Análise termoeconômica 4 Análse termoeconômca Os capítulos precedentes abordaram questões emnentemente térmcas da aplcação de nanofludos em sstemas ndretos de refrgeração. Ao tratar das magntudes relatvas e da natureza das componentes

Leia mais

Prof. Antônio Carlos Fontes dos Santos. Aula 1: Divisores de tensão e Resistência interna de uma fonte de tensão

Prof. Antônio Carlos Fontes dos Santos. Aula 1: Divisores de tensão e Resistência interna de uma fonte de tensão IF-UFRJ Elementos de Eletrônca Analógca Prof. Antôno Carlos Fontes dos Santos FIW362 Mestrado Profssonal em Ensno de Físca Aula 1: Dvsores de tensão e Resstênca nterna de uma fonte de tensão Este materal

Leia mais

O que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.

O 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 mais

Estatística Experimental Medicina Veterinária. Faculadade de Ciências Agrárias e Veterinárias. Campus de Jaboticabal SP. Gener Tadeu Pereira

Estatística 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 mais

Análise dos resíduos e Outlier, Alavancagem e Influência

Análise dos resíduos e Outlier, Alavancagem e Influência Análse dos resíduos e Outler, Alavancagem e Influênca Dagnóstco na análse de regressão Usadas para detectar problemas com o ajuste do modelo de regressão. Presença de observações mal ajustadas (pontos

Leia mais

EXERCÍCIOS DE RECUPERAÇÃO PARALELA 4º BIMESTRE

EXERCÍCIOS DE RECUPERAÇÃO PARALELA 4º BIMESTRE EXERCÍCIOS DE RECUERAÇÃO ARALELA 4º BIMESTRE NOME Nº SÉRIE : 2º EM DATA : / / BIMESTRE 4º ROFESSOR: Renato DISCILINA: Físca 1 VISTO COORDENAÇÃO ORIENTAÇÕES: 1. O trabalho deverá ser feto em papel almaço

Leia mais

MAPEAMENTO DA VARIABILIDADE ESPACIAL

MAPEAMENTO DA VARIABILIDADE ESPACIAL IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal

Leia mais

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.

TEORIA 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 mais

2. Validação e ferramentas estatísticas

2. Validação e ferramentas estatísticas . Valdação e ferramentas estatístcas Mutos aspectos relaconados à socedade são suportados, de alguma forma, por algum tpo de medção analítca. Mlhões de medções analítcas são realzadas todos os das, em

Leia mais

1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.

1.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 mais

CORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK

CORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK CORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK Welsson de Araújo SILVA PRODERNA/ITEC/UFPA waslva89@hotmal.com Fernando

Leia mais

Nº de pedidos: (n = 26) 5 ; 7 ; 8 ; 7 ; 6 ; 7 ; 8 ; 10 ; 6 ; 8 ; 7 ; 8 ; 7 ; 7 ; 8 ; 5 ; 6 ; 8 ; 7 ; 6 ; 7 ; 5 ; 6 ; 8 ; 7 ; 6

Nº de pedidos: (n = 26) 5 ; 7 ; 8 ; 7 ; 6 ; 7 ; 8 ; 10 ; 6 ; 8 ; 7 ; 8 ; 7 ; 7 ; 8 ; 5 ; 6 ; 8 ; 7 ; 6 ; 7 ; 5 ; 6 ; 8 ; 7 ; 6 EXEMPLOS ADICIONAIS DA ENGENHARIA ELÉTRICA 1)Suponha que a probabldade de que um engenhero elétrco utlze estatístca em seu exercíco profssonal seja 0,20 Se durante a vda profssonal, um engenhero tver cnco

Leia mais

Índices de Concentração 1

Índices de Concentração 1 Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco

Leia mais

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

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

Leia mais

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução

Controle de qualidade de produto cartográfico aplicado a imagem de alta resolução Controle de qualdade de produto cartográfco aplcado a magem de alta resolução Nathála de Alcântara Rodrgues Alves¹ Mara Emanuella Frmno Barbosa¹ Sydney de Olvera Das¹ ¹ Insttuto Federal de Educação Cênca

Leia mais

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS

PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,

Leia mais

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia

UNIVERSIDADE 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 mais

I. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que

I. Introdução. inatividade. 1 Dividiremos a categoria dos jovens em dois segmentos: os jovens que estão em busca do primeiro emprego, e os jovens que DESEMPREGO DE JOVENS NO BRASIL I. Introdução O desemprego é vsto por mutos como um grave problema socal que vem afetando tanto economas desenvolvdas como em desenvolvmento. Podemos dzer que os índces de

Leia mais

Referências: No mínimo, para cada experimento o Caderno de Laboratório deve sempre conter:

Referências: No mínimo, para cada experimento o Caderno de Laboratório deve sempre conter: Sstemas Mecâncos III - EXPERIMETO - Dlatação Térmca Prof.: Dr. Cláudo S. Sartor Técnco: Fernando ITRODUÇÃO: Forma Geral dos Relatóros É muto desejável que seja um caderno grande (formato A) pautada com

Leia mais

Sistemas de equações lineares

Sistemas 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 mais

1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples.

1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples. Departamento de Físca ICE/UFJF Laboratóro de Físca II Prátca : Medda da Aceleração da Gravdade Objetvo da experênca: Medr o módulo da aceleração da gravdade g no nosso laboratóro com ajuda de um pêndulo

Leia mais

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos

Despacho 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

LQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05

LQA - 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 mais

1 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.

1 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 mais

Como aposentadorias e pensões afetam a educação e o trabalho de jovens do domicílio 1

Como 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 mais

Análise Econômica da Aplicação de Motores de Alto Rendimento

Análise Econômica da Aplicação de Motores de Alto Rendimento Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente

Leia mais

O migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial

O migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial O mgrante de retorno na Regão Norte do Brasl: Uma aplcação de Regressão Logístca Multnomal 1. Introdução Olavo da Gama Santos 1 Marnalva Cardoso Macel 2 Obede Rodrgues Cardoso 3 Por mgrante de retorno,

Leia mais

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ADMINISTRAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO ESPECIALIZAÇÃO EM MERCADO DE CAPITAIS

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ADMINISTRAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO ESPECIALIZAÇÃO EM MERCADO DE CAPITAIS UNIVESIDADE FEDEAL DO IO GANDE DO SUL ESCOLA DE ADMINISTAÇÃO OGAMA DE ÓS-GADUAÇÃO EM ADMINISTAÇÃO ESECIALIZAÇÃO EM MECADO DE CAITAIS MODENA TEOIA DE CATEIAS: DESENVOLVIMENTO E ANÁLISE DE UM MODELO DE SELEÇÃO

Leia mais

Método para aplicação de gráficos de controle de regressão no monitoramento de processos

Método para aplicação de gráficos de controle de regressão no monitoramento de processos Produção, v 21, n 1, p 106-117, jan/mar 2011 do: 101590/S0103-65132011005000001 Método para aplcação de gráfcos de controle de regressão no montoramento de processos Danlo Cuzzuol Pedrn a, *, Carla Schwengber

Leia mais

Análise Fatorial F 1 F 2

Análise Fatorial F 1 F 2 Análse Fatoral Análse Fatoral: A Análse Fatoral tem como prncpal objetvo descrever um conjunto de varáves orgnas através da cração de um número menor de varáves (fatores). Os fatores são varáves hpotétcas

Leia mais

INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS NA REMOÇÃO DE ETANOL DE VINHO DELEVEDURADO POR CO 2

INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS NA REMOÇÃO DE ETANOL DE VINHO DELEVEDURADO POR CO 2 INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS NA REMOÇÃO DE ANOL DE VINHO DELEVEDURADO POR CO 2 C. R. SILVA 1, M. N. ESPERANÇA 1, A. J. G. CRUZ 1 e A. C. BADINO 1 1 Unversdade Federal de São Carlos, Departamento

Leia mais

DIMENSIONAMENTO ÓTIMIZADO DE TRELIÇAS DE ALUMÍNIO: ANÁLISE NUMÉRICA E EXPERIMENTAL

DIMENSIONAMENTO ÓTIMIZADO DE TRELIÇAS DE ALUMÍNIO: ANÁLISE NUMÉRICA E EXPERIMENTAL DIMENSIONAMENTO ÓTIMIZADO DE TRELIÇAS DE ALUMÍNIO: ANÁLISE NUMÉRICA E EXPERIMENTAL Moacr Krpka, Prof. Dr. Zacaras M. Chamberlan Prava, Prof. Dr. Maga Marques Das, Acadêmca, Bolssta UPF Gulherme Fleth de

Leia mais

Expressão da Incerteza de Medição para a Grandeza Energia Elétrica

Expressão da Incerteza de Medição para a Grandeza Energia Elétrica 1 a 5 de Agosto de 006 Belo Horzonte - MG Expressão da ncerteza de Medção para a Grandeza Energa Elétrca Eng. Carlos Alberto Montero Letão CEMG Dstrbução S.A caletao@cemg.com.br Eng. Sérgo Antôno dos Santos

Leia mais

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para

Objetivos 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 mais

EFEITOS DO ERRO AMOSTRAL NAS ESTIMATIVAS DOS PARÂMETROS DO MODELO FATORIAL ORTOGONAL

EFEITOS DO ERRO AMOSTRAL NAS ESTIMATIVAS DOS PARÂMETROS DO MODELO FATORIAL ORTOGONAL SACHIKO ARAKI LIRA EFEITOS DO ERRO AMOSTRAL NAS ESTIMATIVAS DOS PARÂMETROS DO MODELO FATORIAL ORTOGONAL Tese apresentada como requsto parcal à obtenção do grau de Doutora em Cêncas no Programa de Pós-Graduação

Leia mais

Variáveis dummy: especificações de modelos com parâmetros variáveis

Variáveis dummy: especificações de modelos com parâmetros variáveis Varáves dummy: especfcações de modelos com parâmetros varáves Fabríco Msso, Lucane Flores Jacob Curso de Cêncas Econômcas/Unversdade Estadual de Mato Grosso do Sul E-mal: fabrcomsso@gmal.com Departamento

Leia mais

087/2009 - UMA AVALIAÇÃO DA QUALIDADE DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA COM UM MODELO DA ANÁLISE ENVOLÓTORIA DE DADOS

087/2009 - UMA AVALIAÇÃO DA QUALIDADE DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA COM UM MODELO DA ANÁLISE ENVOLÓTORIA DE DADOS ISSN 275-6295 Ro de Janero- Brasl, 05 e 06 de agosto de 2009. SPOLM 2009 087/2009 - UMA AVALIAÇÃO DA QUALIDADE DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA COM UM MODELO DA ANÁLISE ENVOLÓTORIA DE DADOS

Leia mais

Otimização de Custos de Transporte e Tributários em um Problema de Distribuição Nacional de Gás

Otimização de Custos de Transporte e Tributários em um Problema de Distribuição Nacional de Gás A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN Otmzação de ustos de Transporte e Trbutáros em um Problema de Dstrbução Naconal de Gás Fernanda Hamacher 1, Fernanda Menezes

Leia mais

CURRICULUM VITAE - RESUMIDO

CURRICULUM 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 mais

METROLOGIA E ENSAIOS

METROLOGIA 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 mais

BALANÇO HÍDRICO: UMA FERRAMENTA PARA GESTÃO INDUSTRIAL E OTIMIZAÇÃO AMBIENTAL.

BALANÇO HÍDRICO: UMA FERRAMENTA PARA GESTÃO INDUSTRIAL E OTIMIZAÇÃO AMBIENTAL. BALANÇO HÍDRICO: UMA FERRAMENTA PARA GESTÃO INDUSTRIAL E OTIMIZAÇÃO AMBIENTAL. Leonardo Slva de Souza (1) Mestrando em Engenhara Químca(UFBA). Pesqusador da Rede Teclm. Bárbara Vrgína Damasceno Braga (1)

Leia mais

2 - Análise de circuitos em corrente contínua

2 - Análise de circuitos em corrente contínua - Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;

Leia mais

Controle Estatístico de Processos: a questão da autocorrelação, dos erros de mensuração e do monitoramento de mais de uma característica de qualidade

Controle 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 mais

Análise do Emprego de Ferramentas de Computação Natural no Problema de Separação de Misturas com Não-Linearidade Posterior

Análise do Emprego de Ferramentas de Computação Natural no Problema de Separação de Misturas com Não-Linearidade Posterior XXVII SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES SBrT 2009, DE 29 DE SETEMBRO A 02 DE OUTUBRO DE 2009, BLUMENAU, SC 1 Análse do Emprego de Ferramentas de Computação Natural no Problema de Separação de Msturas

Leia mais

ANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ

ANÁLISE 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 mais

Informação. Nota: Tradução feita por Cláudio Afonso Kock e Sérgio Pinheiro de Oliveira.

Informação. Nota: Tradução feita por Cláudio Afonso Kock e Sérgio Pinheiro de Oliveira. Informação Esta publcação é uma tradução do Gua de Calbração EURAMET Gua para a Estmatva da Incerteza em Medções de Dureza (EURAMET/cg-16/v.01, July 007). Os dretos autoras do documento orgnal pertencem

Leia mais

REGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como:

REGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como: REGRESSÃO LOGÍSTCA. ntrodução Defnmos varáves categórcas como aquelas varáves que podem ser mensurados usando apenas um número lmtado de valores ou categoras. Esta defnção dstngue varáves categórcas de

Leia mais

Uso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada

Uso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, 1 a 4 de out de 003 Uso dos gráfcos de controle da regressão no processo de polução em uma nterseção snalzada Luz Delca Castllo Vllalobos

Leia mais

Carlos Sérgio Araújo dos Santos José Antonio Aleixo da Silva Gauss Moutinho Cordeiro Joseilme Fernandes Gouveia Alisson de Oliveira Silva

Carlos Sérgio Araújo dos Santos José Antonio Aleixo da Silva Gauss Moutinho Cordeiro Joseilme Fernandes Gouveia Alisson de Oliveira Silva Modelos Smétrcos Transformados não lneares com aplcação na estmatva volumétrca em Híbrdo de Eucalyptus teretcorns no Pólo Gessero do Ararpe - PE Carlos Sérgo Araújo dos Santos José Antono Alexo da Slva

Leia mais