ÍNDICES DE CAPACIDADE COMBINADOS
|
|
- Luana Pedroso
- 5 Há anos
- Visualizações:
Transcrição
1 ÍNDICES DE CAPACIDADE COMBINADOS Edvaldo Antono Bulba Depto. Eng. Produção EPUSP Caxa Postal 6548 CEP SP Lnda Lee Ho Depto. Eng. Produção EPUSP Caxa Postal 6548 CEP SP Abstract Here we present methods to determne capablty ndces such as Cp and Cpk when the qualty characterstcs of nterest s unobservable and gven by = f(,, 3,... k ), and ' s are random varables wth means and varance respectvely equal to µ and σ ; lower and upper specfcatons lmts respectvely L and U, =,,3,... k and functon f are known. The determnaton s based on Taylor s seres and we llustrate the procedure wth a practcal example. Key words combned capablty ndex,uncertanty propagaton, Taylor seres Introdução A avalação de quão adequado é um processo a fm de cumprr determnadas especfcações de engenhara através dos índces de capacdade tem sdo aplcada com ntensdade crescente desde que JURAN (974) ntroduzu o conceto básco de índce de capacdade. Dada a mportânca destes índces, o períodco JOURNAL OF QUALIT TECHNOLOG (99) dedcou um número especal a este tópco e o mesmo peródco (00) fez uma revsão de cerca de 70 publcações sobre os índces de capacdade entre 99 a 000 relatvo a este tema. KOTZ e JOHNSON(993), BOTHE(997), entre outros, publcaram lvros que tratam exclusvamente deste tema. Não obstante, os índces de capacdade combnados, objeto do trabalho que ora apresentamos fo muto pouco explorado e não é menconado nas referêncas acma. Comumente na engenhara ocorrem stuações onde uma característca de qualdade é obtda ndretamente por outras característcas. Isto é, a característca de qualdade não observável é dependente de um certo número de varáves de entrada ; ; 3;... k, relaconados através de uma função conhecda = f(,, 3,... k ), onde f pode ser uma relação funconal lnear ou não. Nas stuações onde obtemos ndretamente a característca de qualdade da varável resultante através de váras varáves de entrada, haverá um acúmulo de tolerâncas de projeto e consequentemente acúmulo de ncertezas decorrentes dos processos de fabrcação. Do ponto de vsta da qualdade, este aspecto é de grande mportânca, pos a soma resultante destas tolerâncas e ncertezas produzrá amplas faxas de varação que por sua vez acarretará numa função perda sgnfcatva.[taguchi(99) e ROSS (99)] Ressalta-se como condções de contorno deste trabalho que os erros para aplcação da prmera ordem da sére de Taylor são consderados desprezíves e as varáves de entrada assumem dstrbução normal. ENEGEP 00 ABEPRO
2 Na seção apresentamos respectvamente os índces de capacdade Cp e Cpk combnados. Na seção 3 apresentamos um exemplo e fnalmente temos a conclusão na seção 4. Índce de capacdade combnado Cp O parâmetro do índce de capacdade Cp é defndo como [JURAN(974)] T Cp = onde T é a tolerânca de projeto e é a tolerânca natural de processo [BANKS(989)], [BURR(976)]. No caso de váras varáves de entrada, =,,3,... k, que defnem um modelo matemátco f = (,, 3,... k), onde E( ) = µ e Var( ) = σ, o parâmetro do índce de capacdade combnado Cp é dado pela segunte relação T Cp = sendo que T é dado por k T = =µ T = e expressa a tolerânca acumulada de projeto na varável de resposta e é dada pelo método determnístco do por caso de acúmulo das tolerâncas de entrada, através de uma combnação lnear obtda pela lnearzação da varáves de entrada por meo da aplcação da prmera ordem da sére de Taylor [CREVELING (997)] Por sua vez é a tolerânca natural da varável de resposta onde K K K = = µ + j, j = = j= + j σ σ σ σ ρ e corresponde ao desvo padrão de expresso estatstcamente pela prmera ordem da sére de Taylor na forma de le de propagação de ncertezas onde ρ, j é o coefcente de correlação entre varáves de entrada,. É mportante lembrar que a combnação lnear de varáves com dstrbuções normas ndependentes entre sí ou não resulta em uma varável de resposta também com dstrbução normal. [DIETRICH (99)]. Neste caso teremos os índces de capacdade combnados respetando a normaldade na varável de resposta, o que é uma condção básca. Deve-se ressaltar que a expansão de Taylor até a prmera ordem somente pode ser aplcada quando os erros de segunda ordem forem desprezíves, não obstante [ULLMAN (997)] confrma que na maora dos casos prátcos esta condção é alcançada. Na Fgura representamos gráfca e analtcamente o parâmetro do índce de capacdade combnado Cp para duas varáves ndependentes, onde as duas varáves de entrada estão com índces de capacdade gual a, proporconando um índce de capacdade na varável de resposta maor que j ENEGEP 00 ABEPRO
3 A y B y Fgura - Acúmulo de tolerâncas e ncertezas num modelo não lnear com duas varáves de entrada Na Fgura as tolerâncas nas varáves de entrada são respectvamente BC = T e BC = Te a contrbução destas tolerâncas na varável de resposta são obtdas pela técnca de lnearzação, aproxmadamente dada por AB = T e A B = T. A tolerânca na varável de resposta será T = AB = A B + A B que portanto corresponde a T = T + T Consderando os índces de capacdade CP = CP = temos T = e T = daí a tolerânca natural na resposta será.,, f f A B 6 σ 6 6 σ σ = = + e o índce de capacdade nesta resposta será obtdo por T A B CP = =,, A B,, Nota-se que AB A B portanto Cp é maor do que. Isto é devdo a soma quadrátca das tolerâncas naturas de entrada, portanto quanto maor for o número de varáves de entrada o ganho em Cp será cada vez mas sgnfcatvo. Na fase posteror de manufatura devemos utlzar as estmatvas do desvo padrão σ, da méda µ e do coefcente de correlação ρ, j dsponíves através de controles estatístcos ENEGEP 00 ABEPRO 3
4 de processo. Desta forma obteremos uma estmatva pontual do índce de capacdade combnado estmado Cp. Smlar ao Cp, podemos obter o índce de capacdade combnado Cpk que expressa concomtantemente erros de precsão ou aleatóros (varabldade medda pelo desvo padrão σ ) e erros de posconamento ou sstemátcos (expressos pela méda µ ), seja µ m k = ( LSE LIE) onde m é o valor central de projeto, µ m corresponde ao erro sstemátco em valor absoluto e o fator k expressa quanto o processo está descentralzado para determnado lado da especfcação. Por exemplo, k = 0,5 corresponde a uma descentralzação de 5% para dreta ou para a esquerda. Daí temos que Cpk = Cp ( k ). Substtundo K a relação entre os dos índces é dada por µ LIE LSE µ Cpk = mn ; 3σ 3σ A mportânca de se prever erros sstemátcos antes de ocorrer a manufatura (projeto dos processos) envolvendo acúmulo de tolerâncas fo abordada por [EVANS (975)] que propõe um fator de segurança de,5 no desvo padrão da varável de resposta, assm, segundo esta abordagem, obteríamos um Cp com margem de segurança substtundo o valor de Cpk. Segundo outros autores [BREFOGLE (999)], [HARR (987)] o modo de se levar em conta os erros sstemátcos nas crcunstâncas envolvendo acúmulo de tolerâncas sera estabelecer um erro sstemátco e smétrco nas varáves de entrada correspondente a ±, 5σ em torno da méda. [WILSON ( 000 )] entretanto crtca este procedmento, argumentando que o erro sstemátco não pode ser fxado arbtraramente em ±, 5σ. Portanto, apresentamos aqu um procedmento onde podemos estabelecer no projeto qualquer valor de erro sstemátco smétrco para cada varável de entrada, o que conduzrá ao valor do erro sstemátco na varável de resposta. Para podermos obter o fator k da varável devemos novamente aplcar a expansão da prmera ordem da sére de Taylor junto aos erros sstemátcos estabelecdos para as varáves de entrada. O erro sstemátco smétrco confere um comportamento semelhante ao do acúmulo das tolerâncas. Devdo a sto, as dferencas parcas na expansão de Taylor devem aparecer em valor absoluto e os erros sstemátcos ou de posção de cada varável também. A dferença entre o parâmetro da méda da dstrbução µ e o valor médo de projeto m P = µ m corresponde ao erro sstemátco obtdo em cada varável de entrada. Aplcando-se a lnearzação de Taylor, teremos o erro sstemátco na varável de resposta K P = =µ. P = Obtdo P, temos condção de determnar o fator k µ m P k = = T T Daí, podemos determnar Cpk Cpk = Cp k. ( ) ENEGEP 00 ABEPRO 4
5 3 Exemplo de aplcação Consderemos uma stuação onde chapas são cortadas prmeramente na largura e depos no comprmento e a área resultante é uma característca crítca de qualdade. No projeto devemos determnar qual deve ser a máxma varação para cada processo de corte a ser escolhdo a fm de ndretamente controlarmos a área lustrada na Fgura Fgura - Exemplo de controle da área de um retângulo Os valores nomnas e tolerâncas de e são respectvamente = 00mm =± 0, T = 0. = 00 = 00mm =± 0, T = 0. = 00 E a função que relacona a varável respostal e as varáves de entrada é =. Para determnar a tolerânca da varável resposta, vamos aplcar a prmera ordem da sére de Taylor,utlzando-se das tolerâncas das varâncas de entrada, obtendo-se T = T + T = 00.0, , = 60 Em seguda, vamos determnar o parâmetro da tolerânca natural ( ) na varável de resposta, aplcando também a prmera ordem da sere de Taylor na forma de le de propagação de ncertezas, tendo como dados as tolerâncas naturas das varáves de entrada. Tomando por base as tolerâncas determnístcas de entrada, T =, obtemos 6 σ f ( 6 ) ( 6 ) ( 00) ( 0,) ( 00) ( 0,) 44,7 σ = + σ = + = E o índce de capacdade na varável de resposta ( Cp ) será gual a Cp T 60 = = =, 34 44,7 ENEGEP 00 ABEPRO 5
6 De modo smlar vamos determnar a tolerânca do erro sstemátco na varável de resposta aplcando a prmera ordem da sére de Taylor. Dado que P = ± 0,0 e P = ± 0,0, portanto P =. P +. P = 00. 0, ,0 = 4 E determnando o fator k na varável de resposta, temos Segue-se que o valor de k Cpk P 4 = = = T / 60/ 0,33 Cpk = Cp ( k ) =,34( 0,33) =,6 y y y 4 Conclusões Apresentamos um trabalho que proporcona um melhor controle de qualdade sobre uma varável de resposta dependente de váras varáves de entrada por ntermédo dos índces de capacdade combnados, que por sua vez se apoam na le de propagação de ncertezas e na lnearzação através da expansão de Taylor. Exstem outros tópcos relaconados aos índces de capacdade combnados e de relevânca não abrangdos por este trabalho, como por exemplo a quantfcação dos erros de segunda ordem a fm de testar se são desprezíves, a aplcação destes índces no controle de processos e a obtenção de ntervalos de confança para as estmatvas destes índces de capacdade combnados, os quas apresentamos em outro trabalho. Bblografa Banks J.- Prncples of Qualty Control, New ork, John Wley & Sons, Frst Edton, Georga Insttute of Technology, 989 Burr, I. W. Statstcal Qualty Control Methods, New ork, Marcel Dekker, 976 Breyfogle III, F. W. Implementng Sx Sgma New ork, Ed. John Whley & Sons, 999. Crevelng, C.M. Tolerance Desgn, Massachusetts, Addson Wesley Longman, Inc, 997 Detrch, C. F. Uncertanty, Calbraton and Probablty, New ork, Adam Hlger, Second Edton, 99 Evans, D. H. Statstcal Tolerancng The State of the Art, Part III. Shfts and Drfts., Journal of Qualty Technology, Mlwaukee, vol.7, n., p.7-76, 975 Harry, M.; Stewart R. Sx Sgma Mechancal Desgn Tolerancng, Motorola Unversty Press, Schaumburg, IL, 988. Juran, J. M.- Qualty Control Handbook, New ork, Mc Graw-Hll, 974. Journal of Qualty Technology Specal Issue,, Mlwaukee, 99 Kotz S.; Johnson, N. L. Process Capablty Indces, New ork, Ed. Chapman & Hall, 993. ENEGEP 00 ABEPRO 6
7 Kotz S.; Johnson, N. L. Process Capablty Indces- A Revew, , Journal of Qualty Technology, Mlwaukee, vol.34, n., p.-53, 00 Ross, P. J. - Aplcações das Técncas Taguch na Engenhara da Qualdade - São Paulo, Makron Books, 99 Taguch, G. - Robust Qualty - Harvard Busness Revew Paperback Ed. Harvard, USA, 99 Ullman, D. G.- The Mechancal Desgn Process, Oregon State Unversty, Second Edton, Mc Graw-Hll Internatonal Edtons, 997. Wlson, M. P. Ses Sgma- Compreendendo o Conceto, As Implcações e os Desafos, Ro de Janero, Ed. Qualtymark, 000 ENEGEP 00 ABEPRO 7
GARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS
GARANIA DE EXCELENE INERCAMBIALIDADE E REDUÇÃO DE CUSOS ARAVÉS DA ANÁLISE ESAÍSICA DE OLERÂNCIAS Edvaldo Antono Bulba* *Prof. Dr. da Fatec SP FEI e Unversdade São Judas E mal: bulba@fe.edu.br Resumo Numa
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 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 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 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 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 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 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 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 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 mais3.6. 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 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 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 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 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 mais7 - 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 maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
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 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 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 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 maisCovariância 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 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 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 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 maisAnálise Descritiva com Dados Agrupados
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 descrtvas
Leia maisESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012
ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
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 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 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 maisUma proposta de modificação do índice de capacidade multivariado de Cheng
Uma proposta de modfcação do índce de capacdade multvarado de heng Suel Aparecda Mngot (UFMG) - suel@est.ufmg.br Fernando Augusto Alves Glóra (UFMG) - bodmufmg@yahoo.com.br Resumo Neste artgo apresentamos
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 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 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 maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia mais1. 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 maisVariável discreta: X = número de divórcios por indivíduo
5. 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 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 maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia 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 mais3 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 maisDIAGNÓSTICO 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 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 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 maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
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 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 maisEstatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
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 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 mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisAULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.
Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.
Leia maisMETODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO
Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento
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 maisCapítulo 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 maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER. Reinaldo Bomfim da Silveira 1 Juliana Maria Duarte Mol 1 RESUMO
ALTERNATIVA PARA DETERMINAR ACURÁCIA DA PREVISÃO DO MBAR UTILIZANDO ÍNDICE DE BRIER Renaldo Bomfm da Slvera 1 Julana Mara Duarte Mol 1 RESUMO Este trabalho propõe um método para avalar a qualdade das prevsões
Leia maisPrograma 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 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 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 maisÍNDICE 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 mais7 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 maisDados 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 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 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 mais4 Análise de confiabilidade de estruturas
4 Análse de confabldade de estruturas Nos prmórdos da engenhara cvl, o desconhecmento técnco-centífco conduza a proetos excessvamente seguros, mas em contrapartda de custo muto elevado. Hoe em da, o progresso
Leia maisExercícios de CPM e PERT Enunciados
Capítulo 7 Exercícos de CPM e PERT Enuncados Exercícos de CPM e PERT Enuncados 106 Problema 1 O banco TTM (Tostão a Tostão se faz um Mlhão) decdu transferr e amplar a sua sede e servços centras para a
Leia maisAVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO RESUMO ABSTRACT
AVALIAÇÃO NA PRECISÃO DE RECEPTORES GPS PARA O POSICIONAMENTO ABSOLUTO Rodrgo Mkosz Gonçalves John Alejandro Ferro Sanhueza Elmo Leonardo Xaver Tanajura Dulana Leandro Unversdade Federal do Paraná - UFPR
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisEstatística 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 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 maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
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 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 maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia mais2. 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 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 maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisUNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara
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 maisProcedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vtóra-ES, 015. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs Procedmento Recursvo do Método dos Elementos de Contorno Aplcado em Problemas
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 mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia maisTeoria 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 mais2ª Atividade Formativa UC ECS
I. Explque quando é que a méda conduz a melhores resultados que a medana. Dê um exemplo para a melhor utlzação de cada uma das meddas de localzação (Exame 01/09/2009). II. Suponha que um professor fez
Leia maisDESENVOLVIMENTO 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 mais37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8
Resposta da questão 1: [C] Calculando:,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 8, 8,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 5, x = 9,9 Moda = 8 8+ 8 Medana = = 8,5 + 10 + 8 + 9,4 + 8 +,4 + 7,4 Méda das outras
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 maisPRESSUPOSTOS 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 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 maisAtividade 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 maisCONTROLADORES 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 maisVariáveis 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 maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia mais2 - Análise de circuitos em corrente contínua
- Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;
Leia mais