EFEITOS DE DISPERSÃO EM PROJETOS FATORIAIS: UMA SIMULAÇÃO CONFIRMATÓRIA
|
|
- Eric Clementino Vidal
- 5 Há anos
- Visualizações:
Transcrição
1 ! "#$ " %'&)(*&)+,.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?<>=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007 EFEITOS DE DISPERSÃO EM PROJETOS FATORIAIS: UMA SIMULAÇÃO CONFIRMATÓRIA Vvane Lete Das de Mattos (UCPel) vldm@atlas.ucpel.tche.br Pedro Alberto Barbetta (UFSC) barbetta@nf.ufsc.br Mauríco Malan Lange (UCPel) mmalange@yahoo.com.br Suélen dos Santos Hernandes (UCPel) ssh@yahoo.com.br O presente estudo fo realzado com o objetvo de reavalar o desempenho de alguns métodos usados para dentfcar efetos de dspersão em projetos fatoras com poucas replcações, consderando os efetos de locação dentfcados a partr dos própros dados. Utlzando smulações de Monte Carlo para gerar respostas de projetos fatoras do tpo 4 em váras condções expermentas, fo possível encontrar evdêncas de melhor desempenho (maor sensbldade e maor especfcdade) do método proposto em Box e Meyer (1986), adaptado à stuação de expermentos com replcações, prncpalmente se exstr só um efeto de dspersão e forem usadas só duas replcações. Palavras-chaves: Projeto de expermentos; Efetos de dspersão; Varabldade; Qualdade
2 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y jk% h l'mmn?mio p?qrsut9m vwjx*myr z9o w9{?t9 ~}~w??t?v {9q~ w?p9wƒ~w9?o myqno mmp9o r~ u}~w9 >z?o wo ˆm NwmyƒIt?ƒN mmnj rm?q q{?r~{9m Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de Introdução Conhecer o comportamento de um sstema produtvo é de fundamental mportânca num programa de melhora da qualdade. A metodologa de planejamento estatístco de expermentos é um nstrumento bastante poderoso no estudo deste comportamento, possbltando a dentfcação de fatores do processo produtvo que afetam a méda e a varabldade de característcas de qualdade. Em Mattos (004) fo proposta uma estratéga para dentfcar efetos de dspersão em expermentos com poucas replcações, sendo avalado o desempenho de alguns métodos descrtos na lteratura. Nesse estudo, entretanto, o desempenho dos métodos que utlzam resíduos de um modelo ajustado para a méda da resposta fo superestmado, pos os fatores com efetos de locação foram consderados conhecdos a pror. Como a correta dentfcação dos efetos de locação pode nterferr na dentfcação dos efetos de dspersão, no presente trabalho, a dentfcação dos efetos de locação passou a ser feta com os própros dados. O trabalho fo desenvolvdo sob a metodologa de smulações de Monte Carlo e os métodos foram comparados em termos da sensbldade em detectar os efetos verdaderos e da especfcdade, no sentdo de não dentfcar efetos falsos.. Fundamentação teórca Os prmeros métodos para dentfcar efetos de dspersão foram desenvolvdos para expermentos com replcações, sendo a varabldade avalada por meo da varânca amostral, calculada em cada ponto do projeto expermental. Embora estes métodos apresentem a vantagem de não depender do ajuste de algum modelo para a méda do processo, suas efcêncas são baxas em expermentos com poucas replcações, conforme mostra o artgo clássco de Bartlett e Kendall (1946). Por outro lado, o uso de mutas replcações (acma de 9, como sugerdo por Bartlett e Kendall, 1946) aumenta demasadamente o custo do projeto expermental. A estratéga proposta em Mattos (004) tem por objetvo dentfcar efetos de dspersão em expermentos com poucas replcações, mas também pode ser utlzada para construr modelos de locação e dspersão. Incalmente, ajusta-se um modelo de locação por meo do método dos mínmos quadrados ordnáros (MQO), avalando-se a qualdade deste e a possbldade de utlzação de transformações matemátcas. Se o modelo de locação estver bem ajustado aos dados, estmam-se os efetos de dspersão pelo método BM (BOX e MEYER, 1986). Se forem dentfcados mas de um efeto de dspersão, refaz-se a análse pelo método H (HARVEY, 1976). Estes métodos, propostos ncalmente para expermentos não-replcados, baseam-se na análse dos resíduos de um modelo ajustado aos dados expermentas (modelo da méda). Sendo ŷ o valor predto pelo modelo da méda no -ésmo ponto do projeto expermental e y o valor observado nesse ponto ( = 1,,..., N), calculam-se os resíduos por: r = y yˆ (1) Em projetos de expermentos fatoras do tpo K ou K-p, Box e Meyer (1986) propuseram estudar os efetos de dspersão a partr da razão entre médas artmétcas. Para o cálculo do k- ésmo efeto (consderando a tabela de snas usual de um projeto K ou K-p ), a estatístca deste método é dada por:
3 œ Ž ŒŒ Ÿ ž ž Š œ Œ Ž Œ Œ Ÿ ž Š P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y jk% h l'mmn?mio p?qrsut9m vwjx*myr z9o w9{?t9 ~}~w??t?v {9q~ w?p9wƒ~w9?o myqno mmp9o r~ u}~w9 >z?o wo ˆm NwmyƒIt?ƒN mmnj rm?q q{?r~{9m Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007 onde: ( k + ) 1 r () BM 1 ( k + ) Dk = log r log r = log ( k + ) ( k ) r ( k ) ndca os ensaos com snal postvo no k-ésmo efeto; ( k ) ndca os ensaos com com snal negatvo no k-ésmo efeto (k = 1,,..., K); r ( =1,,..., N) são os resíduos do modelo da méda, equação (1). Harvey (1976) fez uma adequação da abordagem de Bartlett e Kendall (1946) para estudar heterocedastcdade em análse de regressão. Sob a suposção de um modelo log-lnear para a varânca, a avalação de cada efeto é feta pela razão entre médas geométrcas. Mas especfcamente, a estatístca é dada por: 1 Π 1 r H D k = log r log r = log (3) n n ( k + ) ( k ) ( k + ) Π r k ( ) Nesses métodos, a dentfcação dos efetos de dspersão é feta por meo dos resíduos, apresentando o nconvenente de depender da qualdade da modelagem do valor médo. Portanto, se houver dúvdas quanto à adequação do modelo de locação, a estratéga proposta em Mattos (004) sugere estmar os efetos de dspersão pelo método R (NAIR e PREGIBON, 1988). Se for dentfcado mas de um efeto de dspersão, refaz-se a análse pelo método S (NAIR e PREGIBON, 1988). Esses métodos, propostos para expermentos replcados, baseam-se em varâncas amostras, as quas são calculadas sobre as replcações de cada ponto do projeto expermental. No método R é calculado o logartmo da razão entre médas artmétcas das varâncas amostras nos dferentes níves de cada fator, enquanto que no método S, calcula-se o logartmo da razão entre médas geométrcas das varâncas amostras. Assm, o efeto do k-ésmo efeto é calculado pelas seguntes expressões (métodos R e S, respectvamente): onde: 1 s (4) R 1 ( k + ) Dk = log s log s = log ( k + ) ( k ) s ( k ) Π s 1 1 S ( k + ) D k = log s log s = log (5) N ( k + ) ( k ) N Π s k ( ) ž ž s é a varânca amostral no -ésmo ponto do projeto expermental ( =1,,..., N). Em qualquer um dos métodos, a dentfcação dos efetos de dspersão é feta pelo gráfco de probabldade normal dos efetos. Quando houver efetos de dspersão aparentemente sgnfcatvos, pode-se construr um modelo para predzer as varâncas e o modelo de locação é refeto pelo método dos mínmos quadrados generalzados (MQG), consderando o nverso das varâncas como pesos na expressão dos mínmos quadrados. 3
4 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y jk% h l'mmn?mio p?qrsut9m vwjx*myr z9o w9{?t9 ~}~w??t?v {9q~ w?p9wƒ~w9?o myqno mmp9o r~ u}~w9 >z?o wo ˆm NwmyƒIt?ƒN mmnj rm?q q{?r~{9m Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de Metodologa Este estudo fo realzado segundo a metodologa de planejamento de expermentos e smulações de Monte Carlo, utlzando como projeto foco um expermento com quatro fatores (K = 4): x 1, x, x 3 e x 4, ensaados a dos níves (-1 e +1), segundo um projeto fatoral completo do tpo 4, com duas ou quatro replcações, contendo efetos de locação e efetos de dspersão. As respostas do expermento foram geradas de acordo com uma dstrbução normal com méda µ y, descrta por uma função lnear, e varânca σ y, descrta por uma função log-lnear. Assm como em Mattos (004), para o estudo não se restrngr a um únco contexto, foram consderadas váras alternatvas expermentas, tas como: dferente quantdade de efetos de locação, de efetos de dspersão e de replcações; varando conforme projeto fatoral fraconado do tpo 6-1, com ses fatores (codfcados por A, B, C, D, E e F e sntetzados na Tabela 1) ensaados em dos níves. Fator Descrção Nível ( 1) Nível (+1) A Fatores com efetos de locação β 1 e β (dos efetos prncpas) β 1, β, β 3, β 1 e β 13 (três efetos prncpas e duas nterações) B Intensdade dos efetos de locação β = e β j = 1 para e j guas aos índces especfcados no fator A β = 0 e β j = 0 para e j dferentes dos índces especfcados no fator A β = 4 e β j = para e j guas aos índces especfcados no fator A β = 0 e β j = 0 para e j dferentes dos índces especfcados no fator A C Fatores com efetos de dspersão θ k (um efeto de dspersão), sendo θ = 0 θ k e θ = 43 (dos efetos de dspersão) D Nível de concdênca entre efeto de locação e θ k = θ 1 θ k = θ 4 dspersão E Intensdade dos efetos de θ k = 49 e θ = 0 para k e θ k = 96 e θ = 0 para k e dspersão F Quantdade de replcações 4 Tabela 1 - Descrção dos fatores do projeto de smulação Para cada uma das 3 condções expermentas foram geradas respostas para.000 expermentos, sendo os efetos de dspersão dentfcados pelos métodos R, S, H e BM, comentados na seção anteror. Os resultados foram analsados pela sensbldade, equvalente à proporção de dentfcações corretas (quocente entre a quantdade de expermentos que dentfcou corretamente todos os efetos de dspersão e o total de smulações) e pela especfcdade, equvalente à proporção de não ocorrênca de dentfcações falsas (quocente entre a quantdade de expermentos que dentfcou falsamente pelo menos um efeto de dspersão e o total de smulações). 4. Resultados A sensbldade e a especfcdade foram analsadas separadamente. Incalmente fo utlzada uma análse de varânca para detectar os efetos de locação. Após, foram usados contrastes com o objetvo de avalar o desempenho de métodos que usam dferentes meddas para avalar varabldade (varânca e resíduos quadrátco) e que fazem uso de dferentes tpos de méda para estmar o efeto de dspersão (méda artmétca e méda geométrca). 4
5 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y jk% h l'mmn?mio p?qrsut9m vwjx*myr z9o w9{?t9 ~}~w??t?v {9q~ w?p9wƒ~w9?o myqno mmp9o r~ u}~w9 >z?o wo ˆm NwmyƒIt?ƒN mmnj rm?q q{?r~{9m Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007 Com relação à sensbldade, foram encontradas evdêncas de que os métodos apresentam dferentes comportamentos (F = 0,178; gl 1 = 3; gl = 85; p = 0,00000), conforme evdencado na Fgura 1, que sugere a exstênca de superordade dos métodos H e BM. Além dsso, confrma-se a exstênca de nteração entre o método empregado na dentfcação de efetos de dspersão com a quantdade de tas efetos (F = 0,064; gl 1 = 3; gl = 85; p = 0,00000), assm como com a quantdade de replcações (F = 0,100; gl 1 = 3; gl = 85; p = 0,00000). De acordo com a Fgura, quando exstem menos efetos de dspersão, exste uma maor varabldade entre os métodos no que se refere à sensbldade, o mesmo acontecendo quando exstem menos replcações, conforme o evdencado na Fgura 3. Em ambas as stuações os métodos H e BM parecem apresentar melhores resultados. Na análse realzada por contrastes, fo possível constatar a dferença no desempenho de métodos que fazem uso de dferentes formas de mensuração da varabldade (F = 14,58; gl 1 = 1; gl = 85; p = 0,000000). Os métodos usuáros de resíduos quadrátcos (8) apresentaram maor sensbldade em relação aos que fazem uso da varânca (1). Com relação à utlzação de dferentes tpos de méda na estmatva do efeto de dspersão, também foram encontradas evdêncas de dferença sgnfcatva (F = 15,71; gl 1 = 1; gl = 85; p = 0,000153). Os métodos que utlzam a méda artmétca (5) apresentaram maor sensbldade do que os que fazem uso da méda geométrca (3). Com relação à especfcdade, também foram encontradas evdêncas de que os métodos apresentam dferentes comportamentos (F = 0,098; gl 1 = 3; gl = 85; p = 0,000003), conforme evdencado na Fgura 4, sugerndo exstênca de superordade dos métodos BM e R. Também confrma-se a exstênca de nteração entre o método empregado com a quantdade de efetos de dspersão (F = 0,068; gl 1 = 3; gl = 85; p = 0,00000), assm como com a quantdade de replcações (F = 0,038; gl 1 = 3; gl = 85; p = 0,00000), conforme o evdencado nas Fguras 5 e 6. Quando exstem menos efetos de dspersão, exste uma dferença maor entre os métodos no que se refere à especfcdade, o mesmo acontecendo quando exstem menos replcações. Nestas stuações, os métodos BM e R parecem apresentar melhor desempenho. Na análse realzada por contrastes, não fo possível constatar a dferença na especfcdade de métodos que fazem uso de dferentes formas de mensuração da varabldade (F = 7; gl 1 = 1; gl = 85; p = 5101). Com relação à utlzação de dferentes tpos de méda na estmação dos efetos de dspersão, foram encontradas evdêncas de dferença sgnfcatva (F = 31,070; gl 1 = 1; gl = 85; p = 0,000000): os métodos que utlzam a méda artmétca (5) apresentaram maor especfcdade do que os que fazem uso da méda geométrca (). 5
6 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y jk% h l'mmn?mio p?qrsut9m vwjx*myr z9o w9{?t9 ~}~w??t?v {9q~ w?p9wƒ~w9?o myqno mmp9o r~ u}~w9 >z?o wo ˆm NwmyƒIt?ƒN mmnj rm?q q{?r~{9m Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007 Sensbldade (%) 0, Fgura 1 Sensbldade esperada de alguns métodos que dentfcam efetos de dspersão Sensbldade (%) 0, Efetos de dspersão um dos Fgura Sensbldade esperada, por quantdade de efetos de dspersão, de alguns métodos que dentfcam efetos de dspersão Sensbldade (%) 0, Replcações duas quatro 6
7 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y jk% h l'mmn?mio p?qrsut9m vwjx*myr z9o w9{?t9 ~}~w??t?v {9q~ w?p9wƒ~w9?o myqno mmp9o r~ u}~w9 >z?o wo ˆm NwmyƒIt?ƒN mmnj rm?q q{?r~{9m Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007 Fgura 3 Sensbldade esperada, por quantdade de replcações, de alguns métodos que dentfcam efetos de dspersão Especfcdade (%) 0, Fgura 4 Especfcdade esperada de alguns métodos que dentfcam efetos de dspersão Especfcdade (%) 0, Efetos de dspersão um dos Fgura 5 Especfcdade esperada, por quantdade de efetos de dspersão, de alguns métodos que dentfcam efetos de dspersão 7
8 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y jk% h l'mmn?mio p?qrsut9m vwjx*myr z9o w9{?t9 ~}~w??t?v {9q~ w?p9wƒ~w9?o myqno mmp9o r~ u}~w9 >z?o wo ˆm NwmyƒIt?ƒN mmnj rm?q q{?r~{9m Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007 Especfcdade (%) 0, Replcações duas quatro Fgura 6 Especfcdade esperada, por quantdade replcações, de alguns métodos que dentfcam efetos de dspersão 5. Consderações fnas A estratéga defnda em Mattos (004) avalou o desempenho de alguns métodos dentfcadores de efetos de dspersão em expermentos com poucas replcações, encontrando que os métodos propostos para dentfcar tas efetos em expermentos não-replcados, adaptados para a stuação de poucas replcações, apresentavam melhor desempenho (maor sensbldade e maor especfcdade), em relação aos métodos típcos de expermentos com replcações. Nesta análse, entretanto, o desempenho dos métodos que dentfcam tas efetos por meo de resíduos quadrátcos fo superestmado por consderar os efetos de locação conhecdos a pror. No presente estudo, que adotou um projeto fatoral do tpo 4 como projeto foco e um projeto fatoral fraconado do tpo 6-1 como projeto de smulação, a dentfcação dos efetos de locação fo feta a partr dos própros dados. Em relação à sensbldade, os métodos H e BM apresentaram melhores resultados, enquanto em relação à especfcdade, os métodos BM e R. Isto sugere que o método BM, que avala os efetos de dspersão por meo de médas artmétcas de resíduos quadrátcos apresenta melhor desempenho por estar entre os que acertam mas e entre os que erram menos, prncpalmente quando exstrem poucos efetos de dspersão e poucas replcações. Tal fato, além de concordar com a estratéga já proposta para dentfcar efetos de dspersão em expermentos com poucas replcações, evdenca o bom desempenho do método usado para dentfcar os efetos de locação (Anova), tendo em vsta a mportânca da correta dentfcação de tas efetos para o bem desempenho de métodos que fazem uso de resíduos quadrátcos. 7. Agradecmentos Este trabalho contou com apoo da Fundação de Amparo à Pesqusa do Ro Grande do Sul Fapergs. Referêncas 8
9 P PQ RSRUT8V W XYVAZ\[ XVA]W RSXYVA]^F_Y`6`.aYbY`8aYcY% dye %f_y`6gud hy_y jk% h l'mmn?mio p?qrsut9m vwjx*myr z9o w9{?t9 ~}~w??t?v {9q~ w?p9wƒ~w9?o myqno mmp9o r~ u}~w9 >z?o wo ˆm NwmyƒIt?ƒN mmnj rm?q q{?r~{9m Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007 BARBETTA, P.A.; RIBEIRO, J.L.D. & SAMOHYL, R.W. Varance Regresson Models n Experments wth Few Replcatons. Qualty Relablty Engneerng, v.16, p , 000. BARTLETT, M.S. & KENDALL, D.G. The Statstcal Analyss Varance-Heterogenety and the Logarthmc Transformaton. Journal of the Royal Statstcs Socety, Ser.B, 8, p , MATTOS, V.L.D; BARBETTA, P.A. & SAMOHYL, R.W. Identfcação de Efetos de Dspersão em Expermentos Fatoras K e K-p. Produção. Vol. 14, n.4, p.36-46, 004. BOX, G.E.P. & MEYER, R.D. Dsperson Effects from Fractonal Desgn. Technometrcs, v.8, n.1, 19-7, HARVEY, A.C. Estmatng Regresson Models wth Multplcatve Heterocedastcty. Econometrca, v.44, n.3, p , NAIR, V. N. & PREGIBON, D. Analysng Dsperson Effects from Replcated Factoral Experments. Technometrcs, v.30, n.3, p.47-57, MATTOS, V. L. D. Identfcação de Efetos de Dspersão em Expermentos com Poucas Replcações. Tese (Engenhara de Produção). Floranópols, p. 9
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia mais4 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 mais3 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 maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisÉ 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 mais3 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 maisProf. 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 maisO USO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA PARA ADEQUAR OS PARÂMETROS DE ENTRADA DE UM ALGORITMO GENÉTICO
O USO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA PARA ADEQUAR OS PARÂMETROS DE ENTRADA DE UM ALGORITMO GENÉTICO Pedro Alberto Barbetta Departamento de Informátca e de Estatístca CTC UFSC Caxa Postal 476
Leia maisRegressão 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 maisCORRELAÇÃO 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 mais2 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 maisEstatística 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 maisCapítulo 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 maisUNIDADE 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 maisOs 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 mais1. 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 maisAplicação de um modelo simulado na formação de fábricas
Aplcação de um modelo smulado na formação de fábrcas Márca Gonçalves Pzaa (UFOP) pzaa@ldapalm.com.br Rubson Rocha (UFSC) rubsonrocha@eps.ufsc.br Resumo O objetvo deste estudo é determnar a necessdade de
Leia maisProf. 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 maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisAnálise 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 mais5 Análise Conjunta da Média e da Dispersão
5 Análse Conjunta da Méda e da Dspersão Neste capítulo vamos apresentar métodos de dentfcação dos fatores que afetam a méda e a varânca da resposta, em expermentos fatoras não replcados. Na otmzação de
Leia maisModelo 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 maisModelagem conjunta da média e variância utilizando GLM
XXIV Encontro Nac. de Eng. de Produção - Floranópols, SC, Brasl, 03 a 05 de nov de 004 Modelagem conjunta da méda e varânca utlzando GLM Patríca Klaser Basol ( UFRGS ) patybasol@producao.ufrgs.br Flávo
Leia maisAssociação 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 maisO 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 maisMétodos de identificação de efeitos na dispersão em experimentos fatoriais não replicados
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
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisNOÇÕES 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 maisRegressão 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 maisCurso 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 maisCap. 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 maisMOQ-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 maisModelo 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 maisRISCO. 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 maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisO 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 maisAula 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 mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisMODELOS 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 maisFigura 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 maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisX = 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 mais8.16. 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 maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisO PROBLEMA DA MODELAGEM DA VARIÂNCIA NA OTIMIZAÇÃO EXPERIMENTAL DE PRODUTOS OU PROCESSOS
O PROBLEMA DA MODELAGEM DA VARIÂNCIA NA OTIMIZAÇÃO EXPERIMENTAL DE PRODUTOS OU PROCESSOS Pedro Alberto Barbetta Departamento de Informátca e de Estatístca Unversdade Federal de Santa Catarna Antono Cezar
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisTermo-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 maisModelo 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 maisDepartamento de Produção, UNESP, Campus de Guaratinguetá Av. Ariberto Pereira da Cunha, 333, Guaratinguetá, S.P. CEP
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 3, Natal-RN MONITORAMENTO DA MÉDIA E DA VARIABILIDADE DE UM PROCESSO POR MEIO DA ESTATÍSTICA DE QUI-QUADRADO NÃO- CENTRALIZADA Antôno Fernando
Leia maisAlgarismos 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 maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ ERRO DE DIAGNÓSTICO EM AMOSTRAGEM ZERO-DEFEITOS COM RETIFICAÇÃO: DETERMINAÇÃO DO TAMANHO ÓTIMO DE INSPEÇÃO Roberto da
Leia maisVariação 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 maisProf. 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 mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisAULA 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 maisPrograma 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 maisREGRESSÃO 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 maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisGRÁFICOS DE CONTROLE PARA MÉDIA E DESVIO-PADRÃO COM TAMANHO DE AMOSTRA VARIÁVEL: UMA APLICAÇÃO EM UMA INDÚSTRIA DO SETOR METALÚRGICO
! "#$ " %'&)(*&)+,.- /0.*&4365879&4/:.+58;.*=?5.@A*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007 GRÁFICOS
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia maisMODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO GLM
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO
Leia maisCAPÍTULO 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 mais3.6. 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 maisMétodos para Determinação do Valor Característico da Resistência à Compressão Paralela às Fibras da Madeira
Voltar MADEIRA arqutetura e engenhara nº 4 artgo 4 Métodos para Determnação do Valor Característco da Resstênca à Compressão Paralela às Fbras da Madera Edna Moura Pnto, Unversdade de São Paulo, Interundades
Leia maisMOQ-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 maisA redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução da
Leia maisAPLICAÇÕES DE PLANEJAMENTO DE EXPERIMENTO PARA DADOS NÃO NORMAIS
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO Centro de Cêncas Matemátcas e da Natureza Insttuto de Matemátca Departamento de Métodos Estatístcos Dogo da Hora Elas APLICAÇÕES DE PLANEJAMENTO DE EXPERIMENTO PARA
Leia maisModelagem da proporção de produtos defeituosos usando Modelo de Quase-verossimilhança
XXV Encontro Nac. de Eng. de Produção Porto Alegre, RS, Brasl, 29 out a 01 de nov de 2005 Modelagem da proporção de produtos defetuosos usando Modelo de Quase-verossmlhança Ângelo Márco O. Sant Anna (UFRGS)
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisDelineamento Aleatorizado em Blocos Completos (DABC)
Delneamento Aleatorzado em Blocos Completos (DABC) Motvação Por que planear um expermento? Como dmnur o efeto resdual? Como controlar o efeto de fontes de varação conhecdas mas que não são de nteresse
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisAo 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 maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisTENDENCIAS CLIMÁTICAS DA PRECIPITAÇÃO PLUVIAL NO ESTADO DO MARANHÃO
TENDENCIAS CLIMÁTICAS DA PRECIPITAÇÃO PLUVIAL NO ESTADO DO MARANHÃO Danelson Jorge Delgado Neves 13, Jeane Rafaele Araúo Lma 1, Lncoln Elo de Araúo 2, Pedro Vera de Azevedo 1 1 UFCG DCA, Campna Grande
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisUNIDADE VIII ENSAIOS FATORIAIS
UNIDADE VIII ENSAIOS FATORIAIS CUIABÁ, MT 015/ PROF.: RÔMULO MÔRA 1. INTRODUÇÃO Ensaos fatoras são aqueles em que se estudam smultaneamente dos ou mas fatores, cada um deles com dos ou mas níves. O fatoral
Leia mais5 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 mais4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia mais1ª PROVA DE ESTATÍSTICA EXPERIMENTAL
UNIVERSIAE ESTAUAL PAULISTA FACULAE E CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS E JABOTICABAL ª PROVA E ESTATÍSTICA EXPERIMENTAL - MEICINA VETERINÁRIA NOME: ATA / / ª QUESTÃO (5,5): Vnte suínos foram dstrbuídos
Leia maisEletroquímica 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 maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisEstudo 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