Análise de Incertezas I.B De Paula

Tamanho: px
Começar a partir da página:

Download "Análise de Incertezas I.B De Paula"

Transcrição

1 Um bom expermentalsta deve fazer todo o esforço possível para mnmzar os erros de seu expermento. Cabe ao expermentalsta a responsabldade de apresentar uma medda da confabldade de seus dados. amos defnr erro como sendo: a dferença entre o valor meddo e o valor verdadero de uma grandeza.normalmente não se conhece o valor verdadero de uma grandeza, o que torna esta defnção dfícl de ser aplcada. odemos então defnr o conceto de ncerteza: Incerteza expermental é um valor possível que o erro pode assumr. Defne uma faxa onde se estma estar localzado o valor da grandeza medda (dentro de um determnado nível de probabldade).

2 Em geral o resultado de uma medção é apenas uma estmatva do valor verdadero de uma grandeza físca. Sendo assm, o resultado da medção só é completo quando acompanhado do valor de ncerteza. ara chegarmos a um método de descrção das ncertezas nas varáves, precsamos conhecer a natureza das ncertezas. odemos classfcar as ncertezas expermentas em: ncertezas aleatóras: são ncertezas que fazem com que meddas repetdas apresentem valores dferentes. ncertezas sstemátcas: são ncertezas que fazem com que meddas repetdas apresentem aproxmadamente o mesmo desvo (postvo ou negatvo) sem razão aparente (se a razão fosse conhecda uma correção podera ser feta).

3 Cabe ao expermentalsta dentfcar as fontes de ncerteza sstemátcas e mplementar correções adequadas. As ncertezas aleatóras não podem ser corrgdas.

4 A partr de uma análse estatístca do conjunto de dados podemos estmar o valor de real de x como sendo: x' x u % Onde x representa a estmatva méda das amostras e u x representa o ntervalo de ncerteza dessa estmatva para um determnado nível de probabldade (%). A análse de ncerteza é o método utlzado para quantfcar o termo u x. As ferramentas estatístcas comuns, que são utlzadas na maora dos textos de engenhara para quantfcar a ncerteza de uma medção, devem ser usadas após a dentfcação e elmnação das componentes de ncerteza sstemátcas. x

5 Mutos autores assumem a dstrbução das ncertezas aleatóras como sendo Gaussana. Isto de fato ocorre na maora das propredades físcas que são contínuas ou regulares no tempo ou no espaço onde as varações são devdas a erros aleatóros. A construção de hstogramas ou funções de densdade de probabldade (DF s) ajudam a dentfcar a dstrbução estatístca que melhor representa os dados meddos.

6 Ex. dstrbuções estatístcas e relação com as medções Normal: Maora dos casos. arações devdo a erro aleatóro LogNormal: Falha ou projeções de durabldade. Eventos tendem a ser dstorcdos na extremdade da dstrbução. Bnomal: comum em stuações que envolvem somente duas possbldades. Ex.: Cara/Coroa

7 Ex. Dstrbução Normal No caso da dstrbução normal com méda μ e desvo padrão σ a probabldade de que o valor da observação aleatóra seja x é dado pela equação: Onde ( x) Observa-se que somente com os valores da méda e do desvo padrão é possível construr a dstrbução. / e x x( x) dx; x ( x) dx;

8 Ex. Dstrbução Normal No caso de amostras fntas uma estmatva para a méda é dada por: N x x N onde N é o número de amostras Já a estmatva do desvo padrão para amostras fntas é dada por: N s x x ; para N grande ( 30) N s N N x x ; para N pequeno

9 Ex. Dstrbução Normal ara uma dstrbução normal de méda μ desvo padrão σ, temos que a probabldade de uma medda x estar compreendda em uma certa faxa ±x da méda é: p xx xx x e / dx p/ x = ± σ; p=0.683 p/ x = ± σ; p=0.954 p/ x = ± 3σ; p=0.997 μ

10 Com o conhecmento da natureza das ncertezas e das ferramentas estatístcas usadas para estmar alguns componentes dessa ncerteza, prossegumos para a estmação da ncerteza da medção. Alguns termos específcos devem ser defndos aqu para facltar a exposção do tema. As defnções seguem o Gua para Expressão de Incerteza de Medção. (ver ) Incerteza adrão: Incerteza da medção, expressa sob a forma de desvo padrão (± σ) Incerteza adrão Combnada: Incerteza padrão de uma medção que envolve mas de uma ncertezas. Ex.: Meda de medções com paquímetro: Incerteza das medções e ncerteza do nstrumento.

11 Incerteza expandda: quantdade que defne um ntervalo em torno do resultado de uma medção com o qual se espera abranger uma grande fração da dstrbução dos valores que podem ser razoavelmente atrbuídos ao mensurando Obs: A fração pode ser vsta como a probabldade de abrangênca ou nível da confança do ntervalo. Fator de abrangênca: fator numérco usado como multplcador da ncerteza padrão combnada para se obter a ncerteza expandda. k defne o nível de confança da ncerteza. Ex.: k Dst_Normal (95%)= u exp k u padrão

12 Incerteza do tpo A: obtda a partr de um conjunto de amostras, usando estmadores amostras para a méda e para o desvo padrão. As análses baseadas nas dstrbuções estatístcas apresentadas anterormente se aplcam a ncertezas do tpo A. Incerteza do tpo B: obtda por qualquer outro meo, tal como nformação préva fornecda pelo fabrcante; aproxmações conservadoras baseadas em experênca préva com nstrumentos smlares; modelo matemátco formal do processo de medção específco como um processo estocástco, valores da bblografa, etc.

13 Incerteza do tpo A: Consderando uma amostra fnta, que contém meddas de um nstrumento que segue uma dstrbução Gaussana de probabldades. Sera correto usar k = para consegur uma probabldade de abrangênca de 95% para um caso em foram amostrados apenas 5 dados (N=5) para se estmar o desvo padrão? E poderíamos usar k = para consegur uma probabldade de abrangênca de 95% para outro caso onde foram utlzadas 5000 amostras para se estmar o desvo padrão?

14 Ex. Dstrbução t-student Em casos onde o número de amostras é restrto e o desvo padrão da população é desconhecdo, utlza-se a dstrbução t-student para se estmar o fator de abrangênca (k). A medda que o número de dados (Graus Lberdade=N-) aumenta a dstrbução tende para a normal. Tabela resumda de fator de abrangênca (p=95%) com o número de graus de lberdade para uma dstrbução t- Student. Graus Lberdade k 3,97 4,53 3,3,87,65,5 Graus Lberdade nf k,43,37,8,3,05

15 Incerteza do tpo B: O uso adequado do conjunto de nformações dsponíves para uma avalação da ncerteza-padrão do Tpo B, exge dscernmento baseado na experênca e no conhecmento geral, habldade que pode ser aprendda com a prátca. Quando é possível nferr a dstrbução de probabldades pelo certfcado/manual do nstrumento, a ncerteza padrão pode ser obtda com as equações daquela dstrbução. Ex: Manual dz que ncerteza do nstrumento é de% do fundo de escala, com 95% de confabldade (fator de abrangênca de ). ->Fator de abrangênca para 95% de confabldade equvale a dstrbução normal. Logo a ncerteza padrão é %/

16 Se apenas forem conhecdos ou puderem ser estmados os lmtes nferor ou superor da dstrbução, admte-se uma dstrbução retangular para a grandeza de nfluênca. É comum assocar esse tpo de dstrbução a Incertezas do tpo B, pos se sabe que a varável está lmtada a um ntervalo fnto, mas não há razão para atrbur uma probabldade dferencada para regões dentro desse ntervalo. Ex.: valor ndcado por um nstrumento de resolução fnta (e.g.oltímetro dgtal) p( x) b a 0 p / a resto x b

17 No caso da dstrbução retangular a méda e o desvo padrão são obtdos por: Resolvendo ; ) ( ; ) ( b a b a dx x x dx x x 3 ; a b a se a b a b ; ; b a b a dx a b a b x dx a b x

18 Exemplo : A especfcação de resolução fornecda pelo fabrcante para um dado nstrumento é de ±% da letura. Como nenhuma nformação adconal é fornecda, pode-se admtr que qualquer valor do erro dentro desses lmtes é gualmente provável (dstrbução retangular). Logo: % u padrão 3 Exemplo : O certfcado de calbração de um nstrumento ndca uma ncerteza de ±0.% das medções, na faxa de medção do nstrumento, para um nível de confança 95%. Isso equvale a dzer que o fator de abrangênca k= para uma dstrbução normal. Logo a ncerteza padrão fca: u padrão 0,% 0.05%

19 Exemplo 3: Uma sequenca de leturas de um multímetro dgtal foram todas guas. A ncerteza dessa medção não pode ser zero, dado que exste uma lmtação de letura da varação do snal devdo a resolução do nstrumento. Consderando a resolução do nstrumento como sendo r, pode-se assumr uma dstrbução retangular com lmtes ±r/. Logo a ncerteza padrão fca: u padrão r / r 3

20 ropagação de Incertezas Agora que sabemos como estmar a faxa de ncerteza para uma varável ndvdual, precsamos avalar como estas ncertezas se propagam em um resultado. Suponha que um resultado Y é função de n grandezas de entrada X, X, X 3,... X n, por meo da função : Desenvolvendo F em sére de Taylor de ª ordem para varações em torno da médas de X e Y. Y Onde F/ X é chamado de coefcente de sensbldade do resultado y às grandezas de entrada X Y F X X, X,..., Y n, 3 F X X X X n

21 ropagação de Incertezas Fazendo o quadrado da expansão de Taylor Como a varânca (s ) é dada pelo quadrado da dferença, podemos expandr a equação: Onde cc j é o coefcente de correlação entre X e X j. n X X X F Y Y j X X n n j j n X y cc s s X F X F s X F s j

22 ropagação de Incertezas Quando as grandezas de entrada X não têm correlação cc j =0 Usando essa expressão (ou a anteror no caso de grandezas relaconadas), é possível fazer a combnação de ncertezas. No caso de amostras fntas temos a expressão fca: n X y s X F s n X y u X F u

23 Exemplo 4: Tubo de tot: Suponha que as seguntes meddas foram realzadas, com 95% de confança: = ± 0.03ka; ρ=. ± 0.05kg/m 3 ; Aplcando a expressão de propagação das ncertezas As dervadas parcas (coef. de sensbldade) são obtdas de forma analítca u u u / / 3

24 Exemplo 4: Tubo de tot: As ncertezas padrão das medções fcam(k=): u =±0.03/=±0.05ka; u ρ =± 0./=0.05kg/m 3 Substtundo: u u u 3 u u m / s

25 Exemplo 4: Tubo de tot: Logo a velocdade pode ser expressa, com 95% de confabldade como sendo (k=): = +k*u = 57 ±.6 m/s As contrbuções de cada parâmetro da ncerteza da velocdade são: u u odemos observar que a maor contrbução vêm da ncerteza na medção da massa específca do gás. Logo, se qusermos melhorar a ncerteza da velocdade sera melhor nvestr na medção da massa específca

26 Exemplo 5: Tubo de tot: As seguntes meddas foram fetas: N= 9 amostras para T e, e N=5 para Com os seguntes nstrumentos: Meddor de pressão dferencal Incerteza de calbração 5a com 95% de confabldade Termopar com resolução de 0.5 K Barômetro com resolução de 0.3ka (mmhg) ressão (ka) Temp (K) (ka) Méda Desvo-adrao

27 Exemplo 5: Tubo de tot: asso dentfcar ncertezas Tpo A Desvo padrão dos dados: Manômetro=0a, Termopar= 0.8K, Barômetro= 670a Desvo padrão das médas dos dados=desvo/ N u =0/ 9 =.3a u T = =0.043K u = 670 5=99.6a Tpo B Incerteza dos nstrumentos: u manometro =5/=.5a Assumndo dstrbução retangular e usando-se a resolução como lmtes superor e nferor da dstrbução, temos u Termopar = ± 0.5/ 3 =0.07K u Barometro = ± 65/ 3 =37.6a

28 Exemplo 5: Tubo de tot: Calcular os coefcentes de sensbldade. Assumndo que o fludo se comporta como um gás perfeto, com R=cte=87Nm/Kg.K e ncerteza desprezível. A equação da velocdade fca: RT 59.m / s Os coefcentes de sensbldade fcam RT / RT R T T / RT E /

29 Exemplo 5: Tubo de tot: 3 Aplcar a expressão de propagação de ncertezas Barômetro Termopar T Manometro u u u T u T u u u E E u

30 Exemplo 5: Tubo de tot: 3 Aplcar a expressão de propagação de ncertezas u.e.65e 7.77E 3.34E E 3.7E u 0.m / 4 4 Uma vez que a Incerteza adrão Combnada é resultado de mutas contrbuções de ncertezas, como calcular o fator de abrangênca? s

31 Se consderarmos que a dstrbução de probabldades do resultado será aproxmadamente Gaussana (t-student), precsamos estmar o Número de Graus de Lberdade Efetvo assocado a ncerteza padrão combnada calculada. Isso rá possbltar a determnação do fator de abrangênca para uma dada probabldade escolhda (consulta à tabela t- Student). ara calcular o número de graus de lberdade efetvo de uma combnação de ncertezas provenentes de amostras com dferentes graus de lberdade, utlza-se a fórmula de Welch- Satterhwate (ver ISO-GUM08). G. L effetvo N _ componentes _ ncerteza u 4 Comb F u X G. L X 4

32 Obs.: As ncertezas padrão do Tpo B, por defnção, tem número nfnto de graus de lberdade. Isto é, não precsam ser contablzadas no denomnador da expressão acma. Além dsso, deve-se adotar o valor ntero superor ao resultado dessa fórmula. oltando ao caso do exemplo 5: Tubo de tot: Tínhamos que os dados de ncerteza do tpo A, eram: u =0/ 9 =.3a; u T = =0.043K u = 670 5=99.6a e a ncerteza combnada era: u =0.m/s

33 oltando ao caso do exemplo 5: Tubo de tot: Tínhamos que os dados de ncerteza do tpo A, eram: u =0/ 9 =.3a; u T = =0.043K u = 670 5=99.6a ; u =0.m/s Usando a formula de Welch-Satterhwate T T effetvo G L u T G L u G L u u G L T E

34 G. L oltando ao caso do exemplo 5: Tubo de tot: Tínhamos que os dados de ncerteza do tpo A, eram: u =0/ 9 =.3a; u T = =0.043K u = 670 5=99.6a ; u =0.m/s Usando a formula de Welch-Satterhwate effetvo E (9 ).934E T 0. 4 (5 ) G. L effetvo (9 )

35 oltando ao caso do exemplo 5: Tubo de tot: Tínhamos que a ncerteza padrão combnada era: u =0.m/s Se qusermos expandr essa ncerteza para um ntervalo com 95% de confança, podemos extrar o fator de abrangênca utlzando a tabela t-student para um número de graus de lberdade gual a 8. Da tabela de t-student para =95% temos que: k=.37 Logo a medda da velocdade pode ser expressa para um ntervalo de 95% como sendo: m / s

36 Sugestões para facltar a análse:. Calcular a ncerteza padrão combnada relatva ao nvés da absoluta: Assm, a ncerteza calculada será relatva a méda de y. Além dsso o termo permte smplfcações que facltam o seu cálculo. Ex.: tot n X y y u X F y u y X F RT RT /

37 Sugestões para facltar a análse:. Organzar os dados em uma tabela. Ex.: Incerteza TIO A Fonte de Incerteza X_médo desvpad (X) Dstrbução Dvsor coef_sens u_p* coef_sens (u_p* coef_sens)^ (u_p* coef_sens)^4 G.L. Incerteza TIO B Fonte de Incerteza X_médo desvpad (X) Dstrbução Dvsor coef_sens u_p* coef_sens (u_p* coef_sens)^ (u_p* coef_sens)^4 G.L. Incerteza Combnada adrão Graus de lberdade efetvos Fator de Abrangênca (k) Incerteza Expandda

38 Sugestões para facltar a análse:. Organzar os dados em uma tabela. Ex. tot: Incerteza TIO A Fonte de Incerteza X_médo desvpad (X) N_amostras Dvsor coef_sens u_p* coef_sens (u_p* coef_sens)^ (u_p* coef_sens)^4 G.L. Desv_pad Manômetro / E E-4 8 Desv_pad Temperatura /T E E-09.34E-7 8 Desv_pad Barômetro / E E- 4 Incerteza TIO B Fonte de Incerteza X_médo ncerteza (X) Dstrbução Dvsor coef_sens u_p* coef_sens (u_p* coef_sens)^ (u_p* coef_sens)^4 Calbração Manômetro Gaussana / E E-3 nf Resolução Termopar Retangular.73 /T E E-5 nf Resolução Barômetro Retangular.73 -/ E E-4 nf G.L. Incerteza Combnada adrão Graus de lberdade efetvos 7.8 Fator de Abrangênca (k).37 Incerteza Expandda 0.4%

39 Rejeção de Dados: Algumas vezes uma certa medda de uma sére parece desvar sgnfcatvamente das outras meddas. Neste caso, o expermentalsta deve decdr se esta medção é o resultado de algum erro grossero cometdo e deve, portanto, ser descartada. Obvamente, caso seja possível, deve-se repetr os expermentos para confrmar o resultado duvdoso. Caso não seja possível repetr o expermento, sera nteressante ter-se um crtéro que auxlasse a decsão sobre a rejeção ou não de um determnado ponto expermental. O Crtéro de Chauvenet para a rejeção de pontos runs pode ser utlzado.

40 Rejeção de Dados: O crtéro de Chauvenet estabelece que uma determnada letura pode ser rejetada se a probabldade de obter um desvo partcular em relação à méda for menor que /(N), onde N é o número de medções realzadas. A probabldade de um determnado desvo x dada por: xx s ( x) e / s onde x ocorrer é é a méda e s o desvo padrão de uma amostra Defnndo o desvo de uma medda com suspeta de erro grossero como x susp - x, o máxmo desvo acetável para uma amostra de N pontos fca: d max e s / N s x

41 Rejeção de Dados: O crtéro de Chauvenet: d e s / N s max Caso d> d max, o ponto em questão pode ser rejetado. A tabela ao lado apresenta valores para a razão entre o máxmo desvo acetável e o desvo padrão, para dferentes valores de N, obtdos da expressão acma. N Dmax/s,5 3,38 4,54 5,65 6,73 7,80 0,96 5,3 5,33 50,57 00, , ,48

42 Rejeção de Dados: ara elmnar pontos runs segundo o crtéro de Chauvenet, procedemos da segunte forma: a) mede-se a varável um número N de vezes e estma-se a méda e o desvo padrão da amostra. x N N x s N N x x ; para N pequeno

43 Rejeção de Dados: b)calcula-se o desvo entre cada medda e a méda dvdndose o resultado pelo desvo padrão. d s x x s c) usando um número de leturas N, comparar o valor de d /s com d max /s. Se for maor, rejeta-se o ponto e recalcula-se a méda e o desvo. O crtéro somente deve ser aplcado uma únca vez à dstrbução!

44 Exemplo 6: Consdere os resultados na medção do comprmento de um corpo apresentados na tabela abaxo. erfque se algum ponto pode ser rejetado. a) Letura Comprmento (mm) N x x N s N x x N

45 Exemplo 6: Consdere os resultados na medção do comprmento de um corpo apresentados na tabela abaxo. erfque se algum ponto pode ser rejetado b) d s x s x Letura d=x-meda d/s

46 Exemplo 6: Consdere os resultados na medção do comprmento de um corpo apresentados na tabela abaxo. erfque se algum ponto pode ser rejetado c) verfca-se que o desvo da letura número 6 dvddo pelo desvo padrão é o únco que ultrapassa o valor de,96 estabelecdo como o máxmo desvo para uma amostra de 0 meddas, como pode ser verfcado na tabela do crtéro de Chauvenet. Assm, este ponto pode ser rejetado. Recalculando-se a méda e o desvo padrão obtém-s N N x x 49.4 s x 0. N 359 x N

2 Incerteza de medição

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

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

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

Leia mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. IV Análise estatística de incertezas aleatórias TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

Aula Características dos sistemas de medição

Aula Características dos sistemas de medição Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

Prof. Lorí Viali, Dr.

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

Leia mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro. Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

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

Leia 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

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

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

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

Leia mais

Variáveis Aleatórias

Variáveis Aleatórias Unversdade Federal do Pará Insttuto de Tecnologa Estatístca Aplcada I Prof. Dr. Jorge Teóflo de Barros Lopes Campus de Belém Curso de Engenhara Mecânca /08/06 7:39 ESTATÍSTICA APLICADA I - Teora das Probabldades

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral. DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

Covariância na Propagação de Erros

Covariância na Propagação de Erros Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos

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

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

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

Leia mais

Introdução à Análise de Dados nas medidas de grandezas físicas

Introdução à Análise de Dados nas medidas de grandezas físicas Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.

Leia mais

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

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

Leia mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

Prof. Lorí Viali, Dr.

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

Leia mais

Eletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.

Eletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos. Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08

Leia mais

Dados ajustáveis a uma linha recta

Dados ajustáveis a uma linha recta Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:

Leia mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

Capítulo XI. Teste do Qui-quadrado. (χ 2 )

Capítulo XI. Teste do Qui-quadrado. (χ 2 ) TLF 00/ Cap. XI Teste do Capítulo XI Teste do Qu-quadrado ( ).. Aplcação do teste do a uma dstrbução de frequêncas 08.. Escolha de ntervalos para o teste do.3. Graus de lberdade e reduzdo.4. Tabela de

Leia mais

DESENVOLVIMENTO DE UM PROGRAMA COMPUTACIONAL PARA CONTROLE DE MEDIÇÕES DIMENSIONAIS COM ÊNFASE NA GARANTIA DA CONFORMIDADE DE PRODUTOS

DESENVOLVIMENTO DE UM PROGRAMA COMPUTACIONAL PARA CONTROLE DE MEDIÇÕES DIMENSIONAIS COM ÊNFASE NA GARANTIA DA CONFORMIDADE DE PRODUTOS DESENVOLVIMENTO DE UM PROGRAMA COMPUTACIONAL PARA CONTROLE DE MEDIÇÕES DIMENSIONAIS COM ÊNFASE NA GARANTIA DA CONFORMIDADE DE PRODUTOS JOSÉ EDUARDO FERREIRA DE OLIVEIRA (CRFET-PE) jefocefetpe@yahoo.com.br

Leia mais

Atividade em Soluções Eletrolíticas

Atividade em Soluções Eletrolíticas Modelo de solução eletrolítca segundo Debye-Hückel. - A le lmte de Debye-Hückel (LLDH) tem o lmte que está em: I 0,01. log z.z A I 1/ valêncas do íons + e do eletrólto I 1 [ z b / b ] constante que depende

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

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

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

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

Teoria Elementar da Probabilidade

Teoria Elementar da Probabilidade 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo

Leia mais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais 30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS DE REGRESSÃO PARAMÉTRICOS MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da

Leia mais

AEP FISCAL ESTATÍSTICA

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

Leia mais

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

Estatística I Licenciatura MAEG 2006/07

Estatística I Licenciatura MAEG 2006/07 Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual

Leia mais

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

O problema da superdispersão na análise de dados de contagens

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

Leia mais

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

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

Leia mais

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

Estatística e Probabilidade

Estatística e Probabilidade Estatístca e Probabldade Professor conteudsta: Rcardo Vda Sumáro Estatístca e Probabldade Undade I 1 CONCEITOS BÁSICOS...1 1.1 Concetos fundamentas... 1. Processos estatístcos de abordagem... 1.3 Dados

Leia mais

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

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

Leia mais

O problema da superdispersão na análise de dados de contagens

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

Leia mais

7 Tratamento dos Dados

7 Tratamento dos Dados 7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

Filtros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências.

Filtros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências. 1 Fltros são dspostvos seletvos em freqüênca usados para lmtar o espectro de um snal a um determnado ntervalo de freqüêncas. A resposta em freqüênca de um fltro é caracterzada por uma faxa de passagem

Leia mais

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

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

Leia mais

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

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

Leia mais

Análise de Variância. Comparação de duas ou mais médias

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

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

2 Lógica Fuzzy Introdução

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

Leia mais

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

5 Implementação Procedimento de segmentação

5 Implementação Procedimento de segmentação 5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

Associação entre duas variáveis quantitativas

Associação entre duas variáveis quantitativas Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa

Leia mais

MEDIÇÕES DE VIBRAÇÕES NO CORPO HUMANO ESTIMATIVA DA INCERTEZA

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

Leia mais

3 Método Numérico. 3.1 Discretização da Equação Diferencial

3 Método Numérico. 3.1 Discretização da Equação Diferencial 3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando

Leia mais

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas

Leia mais

Ajuste dos Mínimos Quadrados

Ajuste dos Mínimos Quadrados TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

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

Leia mais

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013)

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013) Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,

Leia mais

4 Discretização e Linearização

4 Discretização e Linearização 4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009 Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em

Leia mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

Estatística Espacial: Dados de Área

Estatística Espacial: Dados de Área Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes

Leia mais

Regressão Linear Simples by Estevam Martins

Regressão Linear Simples by Estevam Martins Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer

Leia mais

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 011 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

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária. Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados

Leia 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

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

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

Leia mais

ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO

ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade

Leia mais

DESENVOLVIMENTO DE UM MODELO MATEMÁTICO PARA CALCULAR A INCERTEZA NA MEDIÇÃO DE UMA PEÇA-PADRÃO COM MÁQUINA DE MEDIR POR COORDENADAS

DESENVOLVIMENTO DE UM MODELO MATEMÁTICO PARA CALCULAR A INCERTEZA NA MEDIÇÃO DE UMA PEÇA-PADRÃO COM MÁQUINA DE MEDIR POR COORDENADAS Smpóso de Engenhara de Produção Unversdade Federal de Goás Regonal Catalão 8 a 0 de agosto, Catalão, Goás, Brasl DESENVOLVIMENTO DE UM MODELO MATEMÁTICO PARA CALCULAR A INCERTEZA NA MEDIÇÃO DE UMA PEÇA-PADRÃO

Leia mais

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

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

Leia mais

FAAP APRESENTAÇÃO (1)

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

Leia mais

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória

Departamento de Informática. Modelagem Analítica do Desempenho de Sistemas de Computação. Modelagem Analítica. Disciplina: Variável Aleatória Departamento de Informátca Dscplna: do Desempenho de Sstemas de Computação Varável leatóra Prof. Sérgo Colcher colcher@nf.puc-ro.br Varável leatóra eal O espaço de amostras Ω fo defndo como o conjunto

Leia mais

Gabarito da Lista de Exercícios de Econometria I

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

Leia mais

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja

Leia mais

8 - Medidas Descritivas

8 - Medidas Descritivas 8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.

Leia mais

CONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:

CONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo: CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída

Leia mais

PRESSUPOSTOS DO MODELO DE REGRESSÃO

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

Leia mais

INTRODUÇÃO... 4 CAPÍTULO CAPÍTULO CAPÍTULO CAPÍTULO

INTRODUÇÃO... 4 CAPÍTULO CAPÍTULO CAPÍTULO CAPÍTULO 1 ÍNDICE INTRODUÇÃO... 4 CAPÍTULO 1... 6 INTRODUÇÃO... 6 Tpos de erros... 8 Erros aleatóros e sstemátcos em análses ttrmétrcas... 10 Manpulando erros sstemátcos... 1 CAPÍTULO... 16 ERROS EM ANÁLISES CLÁSSICAS...

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

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

Leia mais

EXPRESSÃO DA INCERTEZA DE MEDIÇÃO

EXPRESSÃO DA INCERTEZA DE MEDIÇÃO EXPRESSÃO DA INCERTEZA DE MEDIÇÃO NORMA N o NIT-DICLA-0 APROVADA EM AGO/07 N o 0/30 SUMÁRIO Objetvo Campo de Aplcação 3 Responsabldade 4 Requsto 5 Regstro de Modfcações Anexo Versão Braslera do Documento

Leia mais

TESTE DO QUI-QUADRADO - Ajustamento

TESTE DO QUI-QUADRADO - Ajustamento Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α

Leia mais

APOSTILA DE ESTATÍSTICA BÁSICA Parte 1

APOSTILA DE ESTATÍSTICA BÁSICA Parte 1 APOSTILA DE ESTATÍSTICA BÁSICA Parte 1 Prof. Msc. Jorge Wlson Perera da Slva SUMÁRIO Capítulo 1. Concetos Báscos 3 1.1. Introdução 3 1.2. População e Amostra 3 1.3. Processos Estatístcos de Abordagem 4

Leia mais

2 Fundamentos teóricos

2 Fundamentos teóricos 2 Fundamentos teórcos Neste capítulo, são apresentados sucntamente os fundamentos teórcos sobre os quas está alcerçada esta dssertação, que abrangem as característcas do sstema de medção e do sstema-fonte,

Leia mais

Método dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014)

Método dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014) Método dos Mínmos Quadrados com ênfase em varâncas e com recursos matrcas (3//4) Otavano Helene Curso de etensão unverstára, IFUSP, feverero/4 Baseado no lvro Método dos Mínmos Quadrados com Formalsmo

Leia mais

4.1. Medidas de Posição da amostra: média, mediana e moda

4.1. Medidas de Posição da amostra: média, mediana e moda 4. Meddas descrtva para dados quanttatvos 4.1. Meddas de Posção da amostra: méda, medana e moda Consdere uma amostra com n observações: x 1, x,..., x n. a) Méda: (ou méda artmétca) é representada por x

Leia mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

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

Leia mais

Realimentação negativa em ampliadores

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

Leia mais

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