4 Experimentos Mistura-Processo

Tamanho: px
Começar a partir da página:

Download "4 Experimentos Mistura-Processo"

Transcrição

1 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 5 4 Epermentos Mstura-Processo Em certas stuações podem estr outros fatores, aém das proporções dos componentes, ue afetem as característcas da mstura. Tas fatores são denomnados aráes de processo, as uas são freüentemente ncuídas no epermento na forma de proetos fatoras. Assm sendo, é de nteresse determnar não só as proporções ótmas dos componentes da mstura, mas também os níes ótmos das aráes de processo. Ta epermento é denomnado Epermento Mstura-Processo (EMP). Corne (), ue é a prncpa referênca sobre EM, dedca o Capítuo 7 aos casos de EMP. Myers & Montgomery () dedcam os Capítuos e a EM e EMP, consttundo uma boa ntrodução ao assunto. Kowas et a. (), Prescott (4) e Sahn et a. (9) anasaram a modeagem de EMP. Godfarb et a. (4a) propõem um método gráfco (gráfco de dspersão de arânca) para o paneamento de EMP. O gráfco de dspersão de arânca apresenta uma manera sua de aaar as propredades da arânca de um EMP dentro do espaço combnado de aráes de mstura e de processo. Essa nformação pode ser utada para seeconar epermentos com um perf de arânca acetáe. Godfarb et a. (), Godfarb et a. (4b) e Chung et a. (7) consderam o caso em ue, aém dos componentes da mstura e de aráes de processo (fatores controados), há fatores ue não são controados no processo produto (aráes de ruído), embora possam ser controados em epermentos de aboratóro. Os autores tratam de modeos ue permtem escoher os aores das aráes controáes (de mstura e de processo) ue tornam o processo mas robusto em reação às aráes de ruído.

2 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras Modeo para Varáes de Processo Um modeo adeuado para r aráes de processo,,..., r, enoendo termos de segunda ordem é (Corne, ): r (, ) δ δ δ r Qδ δ (4.) onde os δ s são os coefcentes dos parâmetros do modeo para aráes de processo. O epermento para as aráes de processo pode ser um proeto fatora em dos ou mas níes. Para ncur no modeo os termos com a aráe r m m m é necessáro um epermento com, peo menos, três níes de cada aráe de processo e um número tota de pontos ue sea sufcente para austar e testar o modeo. Para austar um modeo sem a aráe, consderando apenas os efetos prncpas das aráes de processo e nterações entre eas, são necessáros apenas dos níes de cada aráe (Myers & Montgomery, ). 4.. Modeos para Mstura ncundo Varáes de Processo Em EMP, o paneamento epermenta é estabeecdo por meo de uma combnação do paneamento assocado às aráes de mstura com um paneamento assocado às aráes de processo, estabeecendo-se um paneamento de msturas para cada combnação dos níes das aráes de processo. Na Fgura 7 é apresentado um paneamento epermenta para um caso de mstura de três componentes e duas aráes de processo. Os pontos dos trânguos representam o paneamento assocado às aráes de mstura e os 4 értces de um suposto uadrado representam o paneamento assocado às aráes de processo.

3 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 5 Fgura 7 - Mstura de componentes com aráes de processo Para representar probemas do tpo mstura-processo, pode-se combnar adtamente uauer dos modeos para mstura stos no Capítuo com o modeo para as aráes de processo. Sea f() o modeo para mstura e g() o modeo para as aráes de processo apresentado na Euação (4.). Então, o modeo adto combnado para o caso mstura-processo é (Prescott, 4) C (, ) f() g() (4.) Por eempo, a forma do modeo adto combnado, ue ncu o modeo cúbco de Scheffé para mstura apresentado na Euação (.) e o modeo uadrátco redudo, consderando apenas os efetos prncpas das aráes de processo e nterações entre eas, é C ( β,δ,, ) ( δ β ) β r r ( ) δ β m δ m m β (4.) Note ue o modeo combnado apresentado na Euação (4.) não possu o termo ndependente proenente do modeo para as aráes de processo. O termo ndependente é emnado do modeo combnado, uma e ue possu uma dependênca near com os termos Euação (.). β, dedo à restrção apresentada na

4 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 5 Pode-se também combnar adtamente o modeo cúbco especa para EM com aráe de foga, apresentado na Euação (.), com os efetos prncpas das aráes de processo e nterações entre eas. ( ) ( ) ( ) r m m m r C δ δ α α α α α δ α,, α,δ (4.4) Esses modeos adtos não eam em consderação os efetos das aráes de processo sobre as propredades near e não near dos componentes da mstura. Modeos aternatos foram sugerdos, com a ntrodução de termos cruados em f() e g(). O modeo cruado competo é (Prescott, 4) C (, ) f() g() (4.5) A forma do modeo mutpcato combnado ue ncu o modeo cúbco de Scheffé para mstura e apenas os efetos prncpas das aráes de processo é ( ) ( ) ( ) r C,, (4.6) onde os s são os parâmetros do modeo combnado de mstura ncundo aráes de processo. Os índces nferores de referem-se às aráes de mstura e os superores referem-se às aráes de processo. Uma outra forma do modeo mutpcato combnado é o ue ncu o modeo cúbco de Scheffé para mstura e o modeo uadrátco redudo para as aráes de processo. Este modeo combnado é representado da segunte forma:

5 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 54 ( ) ( ) ( ) ( ) m r m r C,, (4.7) Pode-se também ter combnações mutpcatas dos modeos para EM com aráe de foga com os modeos para as aráes de processo. Segue um eempo de combnação mutpcata do modeo cúbco especa com aráe de foga com o modeo uadrátco redudo para as aráes de processo. ( ) ( ) ( ) ( ) m r m m m m m m m r C,, (4.8) No entanto, pode-se também consderar os modeos combnados ue ncuem termos de modeos adtos e mutpcatos smutaneamente. Na Seção 4.4. serão apresentados os modeos obtdos com a ntrodução smutânea de termos de modeos adtos e mutpcatos.

6 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras Epermento Mstura-Processo D-ótmo Quando há restrções nas proporções dos componentes da mstura é recomendáe a utação de epermentos gerados segundo agum crtéro de otmação (Corne, ). Conforme apresentado na Seção.4., Corne () descree uatro crtéros de otmação afabétca (A-otmação, D-otmação, G-otmação e V-otmação) para a escoha dos pontos epermentas. Tas crtéros são baseados na otmação de aguma função da matr de nformação ( W W), onde W é uma matr (n p), n é o número de obserações do epermento e p é o número de parâmetros do modeo, cuos eementos são as proporções dos componentes da mstura,, os níes das aráes de processo,, e funções de e, tas como nterações. O modeo gera combnado de mstura com ncusão de aráes de processo é representado na forma matrca: y y w y w y w M M yn wn w w w w M n W L L L O L w w w w p p p M np β ε β ε β ε β ε M M β p ε n (4.9) Para n obserações, y é um etor (n ) das obserações, β é um etor (p ) dos coefcentes e ε é um etor (n ) dos erros aeatóros. No modeo near cássco, ε é consderado com dstrbução norma mutarada, ou sea, (, I ) ε N. O etor de estmata dos coefcentes é ( W W) W y ~ σ matr de arânca-coarânca é ( ) arβ σ ( W W) ˆ β ˆ e a. O aor da presão da resposta no ponto w (w é uma nha da matr W) é ŷ ( w) e sua arânca é [ ˆ( w) ] σ w ( W W) w ar y (4.) O software Desgn-Epert, desenodo e dstrbuído pea empresa Stat- Ease, uta o crtéro D-otmação para a escoha dos pontos epermentas. Myers & Montgomery () defnem o crtéro D-otmação utando a matr de momento M W W n. Segundo estes autores, um epermento D- ótmo é auee ue fa com ue o determnante da matr de momento, M, sea

7 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 56 mamado. Ees demonstram ue o determnante da matr de momento possu a segunte propredade: W W M (4.) p n Com sso, e supondo ue os erros são normamente dstrbuídos, ndependentes e com arânca constante, o determnante W W é nersamente proporcona ao uadrado do oume da regão de confança sobre os coefcentes regressores. Quando W W é peueno, sgnfca ue o nerso de W W é grande, sendo, então, o oume da regão de confança grande e, portanto, a estmata de β não é consderada boa (Myers & Montgomery,, Apêndce 7). Portanto, o proeto de epermento D-ótmo é auee ue mnma o oume do epsóde de confança sobre β, o ue é consegudo mamando o determnante W W. Anasando a Euação (4.), pode-se concur ue mamar o determnante W W é euaente a mamar o determnante da matr de momento, M Eempo Os componentes da mstura são Zarfes ( ), Vdro Moído ( ) e Ntroceuose ( ), com as seguntes restrções nas proporções:,77,4,5,8,8,7 Aém das aráes de mstura, foram consderadas outras duas aráes ue também podem afetar as característcas da mstura. A prmera é a granuometra ( ), a ua pode ser consderada como uma aráe categórca de processo e terá dos níes. A granuometra atuamente utada na produção do msto de retardo é a - (níe [-]), no entanto, a granuometra 5- (níe []) pode proporconar uma redução na arabdade dos tempos de uema. A segunda aráe ( ) pode ser consderada uma aráe de proeto, pos consste

8 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 57 em uma modfcação do proeto orgna do mecansmo de retardo. Fo sugerda a ntrodução de um orfíco para escape de gases durante a reação de uema do msto de retardo, faendo com ue esta reação sempre ocorra a uma pressão apromadamente gua à pressão atmosférca. Atuamente, a reação de uema ocorre em um ambente confnado, faendo com ue esta ocorra a uma pressão em regme transente. A ntrodução do orfíco para escape de gases pode contrbur para a redução da arabdade da resposta. Essa aráe de proeto pode ser tratada como uma aráe de processo categórca, a ua será epermentada também em dos níes (sem orfíco [-] e com orfíco []). Dessa forma, o probema do msto de retardo pode ser tratado como um epermento de mstura com três componentes, ncundo duas aráes categórcas de processo, as uas podem ser representadas da forma, ;,. Com as restrções nos componentes da mstura, a regão epermenta resutante passa a ser uma sub-regão do espaço epermenta orgna. Nestas condções, Corne () recomenda a utação de agum agortmo computacona para a escoha dos pontos epermentas segundo agum crtéro de otmação, partndo de aguns pontos canddatos preamente seeconados. O software Desgn-Epert 7 oferece a opção de panear epermentos com mstura com restrções nas proporções dos componentes e ncundo aráes de processo. Para a escoha dos pontos epermentas, partndo de um conunto de pontos canddatos preamente seeconados, o software uta o crtéro D-otmação, o ua fo apresentado na Seção 4.. Conforme apresentado na Seção., uando há a presença de restrções superores e nferores smutaneamente em um EMP, escohe-se os L- pseudocomponentes se ( ) ( U ) L L, onde L e U U. No caso em uestão, optou-se peos L-pseudocomponentes, á ue ( L ), 4 e ( U ), 6. Para o probema do msto de retardo, o Desgn-Epert gerou um epermento D-ótmo conforme apresentado na Tabea 7, onde estão os resutados obtdos na seüênca aeatóra de eecução em ue foram reaados os epermentos.

9 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 58 Tabea 7 - Epermento do msto de retardo D-ótmo com L-pseudocomponentes Run Tempo (s),77,8,5,9,79,6,5,5,5 7,,77,8,5,7 4,8,4,5-4,4 5,77,6,7,5,5-6, 6,77,8,5 -, 7,785,55,65,5,5, ,5 8,8,4,5 7, 9,8,4, ,,77,7,6,75,5 - -,,77,6,7,5, ,9,785,55,65,5,5,75,7,79,6,5,5,5 8,7 4,79,4,7,5,5 5,9 5,8,4,6,75,5-5,6 6,79,4,7,5,5-5, 7,8,4,5 5,6 8,79,4,7,5, ,9 9,77,7,6,75, ,9,79,6,5,5, ,5,79,4,7,5,5 6,,8,4,6,75,5 6,,79,4,7,5,5-5,9 4,77,7,6,75,5-4,6 5,8,4,5-7,9 6,77,6,7,5,5 7, 7,77,8,5 - -,5 8,7975,475,55,6875,875, , 9,77,8,5 - -,7,785,55,65,5,5,75 -,9,77,7,6,75, ,5,8,4, ,,79,6,5,5,5-7, 4,77,6,7,5,5-8, 5,79,6,5,5,5-8,7 6,8,4,6,75,5 6,8 7,77,6,7,5,5 5,6 8,77,8,5 -,9 9,785,55,65,5,5,75 -,

10 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 59 A Fgura 8 apresenta grafcamente o paneamento epermenta da Tabea 7. -; ; -; - ; - Fgura 8 - Epermento do msto de retardo D-Ótmo com L-pseudocomponentes O prómo passo consste em austar um modeo adeuado. Serão anasadas as combnações adta e mutpcata do modeo de mstura de Scheffé e com aráe de foga com o modeo para as aráes de processo Combnação Adta: Modeos de Scheffé e com Varáe de Foga Incamente, será anasada a combnação adta do modeo cúbco de Scheffé para mstura e o modeo uadrátco redudo para as aráes de processo. A forma do modeo competo fo apresentada na Euação (4.). Partndo do modeo competo, fo austado o segunte modeo: yˆ 5,99 7,,74 88,9 9,7 78,97,6 6,5 ( ) (4.)

11 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 6 Obsere ue este modeo não ncu a aráe de processo. Na Tabea 8 são apresentados os resutados do teste t para o Modeo (4.). Utando os resíduos studented, foram construídos os gráfcos de dagnóstco (Fguras 9 a ) para a erfcação da adeuação do modeo. Tabea 8 - Teste do Modeo (4.) estmata dos deso-padrão t-aor p-aor coefcentes 5,9855,544 6,99,,7444,45 7,9, -9,669,668 -,888,,665,465 4,6, -7,454,759-4,44, 88,987 7,97,668, 78,9747 6,569,7, ( ) -6,546 7,8-8,4, No gráfco de probabdade norma dos resíduos studented, mostrado na Fgura 9, pode-se obserar ue não há ndcação de ue a suposção de normadade não dea ser aceta, á ue não há pontos muto fora do anhamento. 99 % Probabdade Norma Resíduos Studented Fgura 9 - Gráfco de probabdade norma dos resíduos studented Para erfcar a suposção de ndependênca, há o gráfco de resíduos studented das obserações na ordem em ue foram reaados os epermentos (er Fgura ).

12 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 6 Como os resíduos do gráfco mostrado na Fgura estão aeatoramente dstrbuídos e sem uauer tendênca edente ue os correacone, não há raão para se suspetar ue a suposção de ndependênca não sea áda.. Resíduos Studented Run Number Fgura - Gráfco de resíduos studented ersus run number Para erfcar a adtdade do modeo nerente ao modeo near, há o gráfco dos resíduos studented ersus aores austados, mostrado na Fgura.. Resíduos Studented Vaor Austado Fgura - Gráfco de resíduos studented ersus aor austado

13 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 6 Como os resíduos mostrados no gráfco da Fgura seguem dstrbuídos aeatoramente em torno de ero, não há raão para se suspetar ue a suposção de adtdade não dea ser aceta. Para erfcar a suposção de constânca da arânca é construído o gráfco do aor absouto dos resíduos studented esus aor austado, o ua é mostrado na Fgura. Neste gráfco pode-se erfcar ue não há a ndcação de crescmento da arânca com o aumento do aor austado. Ademas, utando a Euação (.), tem-se ue ET,4. Na dstrbução u-uadrado com um grau de berdade, ET,4 corresponde a um p-aor de,. Então, não se reeta a hpótese de ue a arânca não aumente uando a méda aumenta. Fgura - Gráfco para erfcação de não constânca da arânca Com sso, fo erfcada a adeuação do Modeo (4.). O obeto do epermento é encontrar a formuação dea de forma ue o aor esperado do tempo de uema sea gua a 8 segundos. Ta tempo é o ue mama o acance do foguete. Nas Fguras e 4 são apresentados os gráfcos de contorno da presão da resposta e do deso-padrão da méda de futuras respostas em função dos L- pseudocomponentes, consderando o Modeo (4.) com. Váras formuações podem resutar em futuras presões da resposta gua a 8 segundos. Por consegunte, um obeto deseáe é mnmar a arânca de uma futura resposta entre as combnações de formuações e aráes categórcas de processo ue resutam num aor esperado da resposta gua a 8 segundos. Com

14 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 6 sso, dee-se reaar um procedmento de otmação mas rgoroso, o ua será descrto a segur Fgura - Gráfco de contorno da presão da resposta para o Modeo (4.) Fgura 4 - Gráfco de contorno do deso-padrão para o Modeo (4.) β ˆ e a matr de O etor de estmata dos coefcentes é ( W W) W y arβˆ σ W W arânca-coarânca é ( ) ( ). O aor da presão da resposta no

15 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 64 ponto w (w é uma nha da matr W) é representado por ŷ ( w) e sua arânca é [ ˆ( w) ] σ w ( W W) w ar y. Supondo um ponto uauer w no espaço dos componentes da mstura e das aráes de processo, o modeo no ponto pode ser y. representado da segunte forma: ( w ) w β ε méda: A estmata de uma noa resposta neste ponto é a mesma estmata da [ y( w )] w βˆ ˆ E (4.) A arânca de uma noa resposta neste ponto é então: Ou então: ar σ [ y( w )] ar( w β ˆ ε ) ar( w ˆ β) ar( ε ) w ( WW) σ w [ W W ] w [ ( w )] σ w ( ) (4.4) ar y (4.5) Pode-se então formuar o probema da segunte forma: [ W W ] w [ y( w )] σ w ( ) mn ar Sueto a: E [ y( w )] ; ;,,5;. w β 8; ; Como não fa parte do modeo, a soução do probema não depende do níe desta aráe de processo. Usando uma rotna de busca eausta codfcada em Matab, foram encontradas as seguntes souções:,56 ;, 69 ;, 494 ;. [ y ( w )] 894 ar, E [ y( w )] 8, Utando a Euação (.8), tem-se a segunte soução fna em termos de componentes reas:,795 ;, 48;, 668 ;.

16 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 65 Pode-se também austar os modeos combnados cúbco de mstura com aráe de foga com o modeo uadrátco redudo para as aráes de processo. Admtndo como aráe de foga, austou-se o segunte modeo: yˆ 6,6 4,4 6,8,9 8,,57 4,6,66 79,65 (4.6) Com os gráfcos de dagnóstco (Fguras 5 a 8) fo possíe erfcar as suposções de normadade, ndependênca, adtdade do modeo nerente ao modeo near. Com a Euação (.), ET,6, ue na dstrbução u-uadrado com um grau de berdade corresponde a um p-aor de,4. Então, não se reeta a hpótese de ue a arânca não aumente uando a méda aumenta. A mnmação da arânca de uma futura resposta conduu ao segunte resutado:,74 ;, 5445 ;, 448 ;. [ y ( w )] 8 ar, E [ y( w )] 8, Utando a Euação (.8), tem-se a segunte soução fna em termos de componentes reas:,77 ;, 68;, 679 ;. 99 % Probabdade Norma Resíduos Studented Fgura 5 - Gráfco de probabdade norma dos resíduos studented

17 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 66. Resíduos Studented Run Number Fgura 6 - Gráfco de resíduos studented ersus run number. Resíduos Studented Vaor Austado Fgura 7 - Gráfco de resíduos studented ersus aor austado

18 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 67 Fgura 8 - Gráfco para erfcação de não constânca da arânca Admtndo agora como aráe de foga, fo austado o segunte modeo: yˆ,9,66 7,7 65, 9,9 4,49,8 5,,6 (4.7) Com os gráfcos de dagnóstco (Fguras 9 a ) foram também erfcadas as suposções de normadade, ndependênca, adtdade do modeo nerente ao modeo near e arânca constante do Modeo (4.7). Utando a Euação (.), tem-se ue ET,. Na dstrbução u-uadrado com um grau de berdade, ET, corresponde a um p-aor de,44. Então, não se reeta a hpótese de ue a arânca não aumente uando a méda aumenta. A mnmação da arânca de uma futura resposta conduu ao segunte resutado:,486 ;, 5;, 4 ; ;. [ y ( w )] 78 ar, E [ y( w )] 8, Utando a Euação (.8), tem-se a segunte soução fna em termos de componentes reas:,7875 ;, 46 ;, 665 ; ;.

19 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras % Probabdade Norma Resíduos Studented Fgura 9 - Gráfco de probabdade norma dos resíduos studented. Resíduos Studented Run Number Fgura - Gráfco de resíduos studented ersus run number

20 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 69. Resíduos Studented Vaor Austado Fgura - Gráfco de resíduos studented ersus aor austado Fgura - Gráfco para erfcação de não constânca da arânca Por fm, admtndo como aráe de foga, austou-se o segunte modeo: yˆ 5,9 7, 7,4 95,4 8, 6,88 9,9 7, 98,9,6,6 (4.8)

21 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 7 Com os gráfcos de dagnóstco (Fguras a 6), não mostrados au, fo erfcada a adeuação do Modeo (4.8). Utando a Euação (.), tem-se ue ET,7. Na dstrbução u-uadrado com um grau de berdade, ET,7 corresponde a um p-aor de,. Então, não se reeta a hpótese de ue a arânca não aumente uando a méda aumenta. A mnmação da arânca de uma futura resposta conduu ao segunte resutado:,6 ;, 589 ;, 465 ; ;. [ y ( w )] 786 ar, E [ y( w )] 8, Utando a Euação (.8), tem-se a segunte soução fna em termos de componentes reas:,77 ;, 66 ;, 684 ; ;. Dentre todos os modeos combnados adtos anasados, o ue proporconou a menor arânca de uma futura resposta no ponto de nteresse fo o modeo adto combnado com aráe de foga, conforme a Euação (4.7). 99 % Probabdade Norma Resíduos Studented Fgura - Gráfco de probabdade norma dos resíduos studented

22 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 7. Resíduos Studented Run Number Fgura 4 - Gráfco de resíduos studented ersus run number. Resíduos Studented Vaor Austado Fgura 5 - Gráfco de resíduos studented ersus aor austado

23 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 7 Fgura 6 - Gráfco para erfcação de não constânca da arânca Combnação Mutpcata: Modeos de Scheffé e com Varáe de Foga Será consderada agora a combnação mutpcata do modeo cúbco de Scheffé para mstura com o modeo uadrátco redudo para as aráes de processo, conforme a Euação (4.7). Partndo do modeo competo, fo austado o segunte modeo: yˆ 5,99,94 58,94,5 78,55 8,48,57 6,47 ( ),5,5,7 87,4 (4.9) Na Tabea 9 são apresentados os resutados do teste t para o Modeo (4.9). Utando os resíduos studented, foram construídos os gráfcos de dagnóstco (Fguras 7 a 4) para erfcar as suposções de normadade, ndependênca, adtdade do modeo nerente ao modeo near e arânca constante. Com os gráfcos de dagnóstco, fo possíe erfcar as suposções de normadade, ndependênca, adtdade do modeo nerente ao modeo near e arânca constante, sendo, portanto, erfcada a adeuação do Modeo (4.9).

24 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 7 Ademas, utando a Euação (.), ET,, ue na dstrbução u-uadrado com um grau de berdade corresponde a um p-aor de,54. Então, não se reeta a hpótese de ue a arânca não aumente uando a méda aumenta. Tabea 9 - Teste do Modeo (4.9) estmata dos deso-padrão t-aor p-aor coefcentes 5,998, 9,5,,544,86 8,764, -8,4797,8 -,957, -6,465,5786-4,97, 87,7 6,776,9,,968,5476,976,5 78,548 5,874,7,,5664,4996,,75,6986,85,7,9 ( ) -58,959 6,485-9,9, -,558,4788 -,48,6 -,4956,644 -,56,6 99 % Probabdade Norma Resíduos Studented Fgura 7 - Gráfco de probabdade norma dos resíduos studented

25 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 74. Resíduos Studented Run Number Fgura 8 - Gráfco de resíduos studented ersus run number. Resíduos Studented Vaor Austado Fgura 9 - Gráfco de resíduos studented ersus aor austado

26 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 75 Fgura 4 - Gráfco para erfcação de não constânca da arânca Nas Fguras 4 e 4 são apresentados os gráfcos de contorno da presão da resposta e do deso-padrão da méda de futuras respostas em função dos L- pseudocomponentes, consderando o Modeo (4.9) com Fgura 4 - Gráfco de contorno da presão da resposta para o Modeo (4.9)

27 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras Fgura 4 - Gráfco de contorno do deso-padrão para o Modeo (4.9) Ao mnmar a arânca de uma futura resposta, foram encontradas as seguntes souções:,56 ;, 855 ;, 49 ; ;. [ y ( w )] 666 ar, E [ y( w )] 8, Utando a Euação (.8), tem-se a segunte soução fna em termos de componentes reas:,79;, 44 ;, 665 ; ;. Pode-se também austar os modeos mutpcatos combnados cúbco de mstura com aráe de foga com o modeo uadrátco redudo das aráes de processo. Admtndo como aráe de foga, fo austado o segunte modeo: yˆ 6,5 4,4 9,,4,49, 68,59,,6 9,7 8,5,5 (4.) Com os gráfcos de dagnóstco (Fguras 4 a 46) fo possíe erfcar as suposções de normadade, ndependênca, adtdade do modeo nerente ao modeo near e arânca constante, sendo, portanto, erfcada a adeuação do Modeo (4.). Ademas, utando a Euação (.), ET,84, ue na

28 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 77 dstrbução u-uadrado com um grau de berdade corresponde a um p-aor de,6. Então, não se reeta a hpótese de ue a arânca não aumente uando a méda aumenta. 99 % Probabdade Norma Resíduos Studented Fgura 4 - Gráfco de probabdade norma dos resíduos studented. Resíduos Studented Run Number Fgura 44 - Gráfco de resíduos studented ersus run number

29 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 78. Resíduos Studented Vaor Austado Fgura 45 - Gráfco de resíduos studented ersus aor austado Fgura 46 - Gráfco para erfcação de não constânca da arânca

30 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 79 A mnmação da arânca de uma futura resposta conduu aos seguntes resutados:, ;, 567 ;, 47 ; ;. [ y ( w )] 5948 ar, E [ y( w )] 7, 9999 Utando a Euação (.8), tem-se a segunte soução fna em termos de componentes reas:,77;, 64 ;, 675 ; ;. Admtndo agora como aráe de foga austou-se o segunte modeo: yˆ,67,57,67, 7,94,5 9,6 6,5 5,74,54,66,66 4,99,,4,88 (4.) Com os gráfcos de dagnóstco (Fguras 47 a 5) fo possíe erfcar as suposções de normadade, ndependênca, adtdade do modeo nerente ao modeo near e arânca constante. Ademas, utando a Euação (.), ET,79, ue na dstrbução u-uadrado com um grau de berdade corresponde a um p-aor de,8. Então, não se reeta a hpótese de ue a arânca não aumente uando a méda aumenta. 99 % Probabdade Norma Resíduos Studented Fgura 47 - Gráfco de probabdade norma dos resíduos studented

31 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 8. Resíduos Studented Run Number Fgura 48 - Gráfco de resíduos studented ersus run number. Resíduos Studented Vaor Austado Fgura 49 - Gráfco de resíduos studented ersus aor austado

32 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 8 Fgura 5 - Gráfco para erfcação de não constânca da arânca Com a mnmação da arânca de uma futura resposta, chegou-se ao segunte resutado:,59 ;, 9 ;, 96 ; ;. [ y ( w )] 688 ar, E [ y( w )] 8, Utando a Euação (.8), tem-se a segunte soução fna em termos de componentes reas:,796 ;, 46 ;, 658 ; ;. Fnamente, admtndo como aráe de foga, austou-se o segunte modeo: yˆ 5, 7,5 44,56,45 4,57,4 9,9 5,6,6 56,98 7,6,5,7 (4.) Com os gráfcos de dagnóstco (Fguras 5 a 54) não mostrados au, fo erfcada a adeuação do Modeo (4.). Utando a Euação (.), ET,9, ue na dstrbução u-uadrado com um grau de berdade corresponde a um p- aor de,4. Então, não se reeta a hpótese de ue a arânca não aumente uando a méda aumenta.

33 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 8 99 % Probabdade Norma Resíduos Studented Fgura 5 - Gráfco de probabdade norma dos resíduos studented. Resíduos Studented Run Number Fgura 5 - Gráfco de resíduos studented ersus run number

34 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 8. Resíduos Studented Vaor Austado Fgura 5 - Gráfco de resíduos studented ersus aor austado Fgura 54 - Gráfco para erfcação de não constânca da arânca

35 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 84 Mnmando a arânca de uma futura resposta, foram encontradas as seguntes souções:,57 ;, 7 ;, 47 ; ;. [ y ( w )] 69 ar, E [ y( w )] 7, 9999 Utando a Euação (.8), tem-se a segunte soução fna em termos de componentes reas:,799 ;, 48;, 66 ; ;. Dentre todos os modeos combnados mutpcatos anasados, o ue proporconou a menor arânca de uma futura resposta no ponto de nteresse fo o modeo adto combnado com aráe de foga, apresentado na Euação (4.) Comparação dos Modeos Combnados Adtos e Mutpcatos Apesar de se ter o conhecmento dos modeos combnados ue proporconaram a menor arânca no ponto de nteresse, dee-se seeconar o modeo ue representa mehor os dados em toda regão epermenta. As estatístcas PRESS (Predcted Resdua Sum of Suares) e MSE (Mean Suare Error) têm sdo utadas para comparação e seeção de modeos. O PRESS (Aen, 97) é uma medda de uão bem um modeo partcuar austa cada ponto do epermento. Os coefcentes do modeo são cacuados sem o prmero ponto. Este noo modeo é então utado para estmar o prmero ponto e cacuar o respecto resíduo. Este procedmento é repetdo para cada ponto epermenta e cacua-se a soma dos uadrados dos resíduos. Sem consderar a -ésma obseração, cacua-se a dferença entre o aor rea, ˆ presto, y,, utando (n ) obserações. ˆ, y y, y, e e (4.) Ou então, e e, (4.4) h

36 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 85 onde e y yˆ e h são os eementos da dagona da matr chapéu H W(W' W) W'. Com sso (Aen, 97), n n e (, ) PRESS e (4.5) h Note ue, uando a aaancagem (eerage) é gua a (h ), o PRESS é ndefndo. A aaancagem é um aor entre e e ndca o potenca de um ponto epermenta de nfuencar o auste do modeo. O aaancagem gua a sgnfca ue o aor austado será forçado a ser eatamente gua ao aor obserado, ou sea, o resíduo é gua a ero. A soma dos aores de aaancagem de todas as obserações é gua ao número de parâmetros (p) austados peo modeo. Portanto, a aaancagem méda é gua a p/n, sendo n o número de obserações. Dee-se ter atenção com aores de aaancagem maores do ue p/n. Um ponto com aaancagem ata dee ser etado, pos se houer agum erro nesperado no ponto, ta erro poderá nfuencar fortemente o auste do modeo. Pode-se demonstrar (Myers & Montgomery, ) ue o MSE é SSE MSE (4.6) n p onde SSE é a soma dos uadrados dos resíduos, defnda da segunte forma: SSE n ( y y ) ˆ (4.7) Na Tabea é apresentado um comparato de todos os modeos do tpo Mstura-Processo anasados neste capítuo, contendo as estatístcas PRESS e MSE e a arânca de uma futura resposta no ponto. Tabea - Comparato dos Modeos Mstura-Processo Modeo Euação PRESS MSE [ y ( )] ar w Adto Scheffé (4.) 5,6,7468,894 Adto Sac- (4.6) ndefndo,6898,8 Adto Sac- (4.7),,659,78 Adto Sac- (4.8) ndefndo,668,786 Mutpcato Scheffé (4.9),57,595,666 Mutpcato Sac- (4.) ndefndo,4964,5948 Mutpcato Sac- (4.),,564,688 Mutpcato Sac- (4.) ndefndo,549,69

37 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 86 Obserando a Tabea, pode-se concur ue as combnações mutpcatas dos modeos de mstura e processo proporconam uma redução no PRESS, MSE e na arânca de uma futura resposta no ponto. Há, portanto, a ndcação de ue os modeos combnados mutpcatos podem ser mehores do ue os adtos. Pode-se também obserar ue o PRESS dos modeos combnados mutpcatos e adtos com aráe de foga e é ndefndo, o ue ndca a presença de pontos de aaancagem ao utar estes modeos. Com sso, dentre os modeos com aráe de foga anasados é preferíe a utação do modeo com aráe de foga. Comparando o modeo combnado mutpcato de Scheffé com o modeo combnado mutpcato com aráe de foga, pode-se concur ue este útmo proporcona uma redução nas estatístcas PRESS e MSE e na arânca de uma futura resposta no ponto. No entanto, um ponto negato é ue o modeo com aráe de foga possu 5 termos e mas um termo ndependente, contra termos do modeo combnado mutpcato de Scheffé Combnação Smutânea Adta e Mutpcata: Modeo de Scheffé A utação de modeos ue ncuem termos de modeos adtos e mutpcatos smutaneamente pode proporconar um PRESS e um MSE menores do ue os obtdos com os modeos de EMP adtos ou mutpcatos. Cabe regstrar ue em todas as referêncas de EMP pesusadas não fo obserada a utação de combnações adtas e mutpcatas de termos de modeo de mstura e de processo smutaneamente. Consderando a combnação adta e mutpcata smutaneamente do modeo cúbco de Scheffé para mstura com o modeo uadrátco redudo para as aráes de processo, a forma do modeo competo é:

38 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 87 ( ) ( ) ( ) ( ) m r m r r m m m r C δ δ,, δ, (4.8) Partndo do modeo competo, austou-se o segunte modeo: ( ),48,55 59,6,74 79,85 88,74 6,47,6 9,6,5 5,99 ˆ y (4.9) Na Tabea são apresentados os resutados do teste t para o Modeo (4.9). Tabea - Teste do Modeo (4.9) estmata dos coefcentes deso-padrão t-aor p-aor 5,998,7 9,67,,55, 8,89, -9,64,79 -,4,,6894,67 4,899, -6,46559,5754-4,9, 88,74 6,49 4,7, 79,856 5,859,64,,7675,486,98,9 ( ) -59,678 6,4584-9,5, -,555,497 -,479,94 -,489,586 -,56,6 Utando os resíduos studented, foram construídos os gráfcos de dagnóstco (Fguras 55 a 58) para erfcar as suposções de normadade, ndependênca, adtdade do modeo nerente ao modeo near e arânca constante.

39 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras % Probabdade Norma Resíduos Studented Fgura 55 - Gráfco de probabdade norma dos resíduos studented. Resíduos Studented Run Number Fgura 56 - Gráfco de resíduos studented ersus run number

40 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 89. Resíduos Studented Vaor Austado Fgura 57 - Gráfco de resíduos studented ersus aor austado Fgura 58 - Gráfco para erfcação de não constânca da arânca

41 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 9 Com os gráfcos de dagnóstco (Fguras 55 a 58), fo possíe erfcar a adeuação do Modeo (4.9). Ademas, utando a Euação (.), tem-se ue ET,. Na dstrbução u-uadrado com um grau de berdade, ET, corresponde a um p-aor de,5. Então, não se reeta a hpótese de ue a arânca não aumente uando a méda aumenta. Nas Fguras 59 e 6 são apresentados os gráfcos de contorno da presão da resposta e do deso-padrão da méda de futuras respostas em função dos L- pseudocomponentes, consderando o Modeo (4.9) com. A mnmação da arânca de uma futura resposta conduu ao segunte resutado:,5 ;, 77 ;, 4 ; ;. [ y ( w )] 664 ar, E [ y( w )] 8, Utando a Euação (.8), tem-se a segunte soução fna em termos de componentes reas:,795 ;, 4;, 664 ; ; Fgura 59 - Gráfco de contorno da presão da resposta para o Modeo (4.9)

42 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras Fgura 6 - Gráfco de contorno do deso-padrão para o Modeo (4.9) Na Tabea é apresentado um comparato de todos os modeos do tpo Mstura-Processo de Scheffé, contendo as estatístcas PRESS e MSE e a arânca de uma futura resposta no ponto. Tabea - Comparato dos Modeos Mstura-Processo de Scheffé Modeo Euação PRESS MSE [ y ( )] ar w Adto Scheffé (4.) 5,6,7468,894 Mutpcato Scheffé (4.9),57,595,666 Adto-Mutpcato Scheffé (4.9),4,5886,664 Anasando a Tabea, pode-se concur ue, para o caso em uestão, as combnações adtas e mutpcatas de termos de aráes de mstura e de processo smutaneamente proporconam uma gera redução no PRESS e no MSE. Já a arânca de uma futura resposta no ponto é menor do ue a obtda com o modeo adto e fca pratcamente no mesmo patamar da obtda com o modeo mutpcato. Para o caso de modeos de mstura com aráe de foga, as supostas combnações adtas e mutpcatas de termos de aráes de mstura e de processo smutaneamente resutaram em um modeo combnado gua ao modeo combnado mutpcato com aráe de foga.

43 Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 9 Anasando a Tabea, a mehor opção dentre as possbdades de modeos combnados com aráe de foga é a do modeo mutpcato com aráe de foga. Com este modeo, o MSE e a arânca de uma futura resposta no ponto são menores do ue com o modeo adto-mutpcato de Scheffé (er Tabeas e ). No entanto, o PRESS do modeo adto-mutpcato de Scheffé é menor do ue o do modeo mutpcato com aráe de foga. Ademas, com reação ao número de termos do modeo, o modeo adtomutpcato de Scheffé é mehor do ue o modeo mutpcato com aráe de foga, pos são termos contra 5 termos mas termo ndependente do modeo combnado com aráe de foga. Com sso, fo decddo nesta etapa segur a pesusa apenas com os modeos combnados de Sheffé, á ue a seeção de modeos com um grande número de termos, utando crtéros baseados na teora da nformação, reuer um esforço computacona bastante eeado.

2 Experimentos com Mistura

2 Experimentos com Mistura Modelagem em Expermentos com Mstura e Mstura-Processo Expermentos com Mstura Formulações de Expermentos com Mstura (EM) são freuentemente encontradas nas ndústras uímcas, farmacêutcas, de almentos e em

Leia mais

2 Experimentos com Mistura

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

Leia mais

c (1) OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedito Silva Neto

c (1) OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedito Silva Neto OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedto Sva Neto Um dos pressupostos normamente adotados quando se anasa um projeto é que a rentabdade dos nvestmentos deve orentar

Leia mais

Análise de Agrupamentos (Clusters) Marcelo Lauretto

Análise de Agrupamentos (Clusters) Marcelo Lauretto Anáse de Agrupamentos (Custers) Marceo Lauretto Introdução Anáse de Agrupamentos (Custer Anayss) é um conunto de técncas com o obetvo prncpa de dentfcar obetos/entdades com característcas smares. Obetvo:

Leia mais

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

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

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

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

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

Flambagem por Compressão

Flambagem por Compressão Unvesdade Santa Cecía Fambagem por Compressão Conceto de estabdade do equíbro. De forma bastante comum ocorre confusão entre o que são equíbro e estabdade. Uma estrutura pode ser nstáve estando em equíbro.

Leia mais

3 Classificação Supervisionada

3 Classificação Supervisionada 3 Cassfcação Supervsonada 3.. Aprendzado de Máquna A aprendzagem de máquna é uma área da ntegênca artfca que estuda métodos computaconas, a fm de obter um determnado conhecmento específco através de experêncas.

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

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

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

Gráficos de Controle para Processos Autocorrelacionados

Gráficos 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 mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - 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 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

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

Testes não-paramétricos

Testes 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 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

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

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

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

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

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

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

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

DELINEAMENTOS EXPERIMENTAIS

DELINEAMENTOS 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 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

ANEXO I RISCO DOS SORTEIOS A REALIZAR

ANEXO I RISCO DOS SORTEIOS A REALIZAR Contnuação da Resoução CNSP N o 84, de 013. ANEXO I RISCO DOS SORTEIOS A REALIZAR Art.1 o Consdera-se, para os fns deste anexo, os concetos e notações abaxo: I R. sorteos : montante de capta, referente

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

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

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si.

A análise de variância de uma classificação (One-Way ANOVA) verifica se as médias de k amostras independentes (tratamentos) diferem entre si. Prof. Lorí Va, Dr. http://www. ufrgs.br/~va/ va@mat.ufrgs.br aáse de varâca de uma cassfcação (Oe-Way NOV) verfca se as médas de amostras depedetes (tratametos) dferem etre s. Um segudo tpo de aáse de

Leia mais

5 Aplicação do GFMM no BEM

5 Aplicação do GFMM no BEM 38 5 Apação do GFMM o BEM esse apítuo os desevovmetos apresetados o apítuo 4 são apados ao BEM pea expasão das souções fudametas utzadas as tegrações sobre os segmetos do otoro. É apresetada a formuação

Leia mais

c (1) OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedito Silva Neto

c (1) OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedito Silva Neto OS PREÇOS E A RENTABILIDADE DOS INVESTIMENTOS NA ANÁLISE DE PROJETOS Benedto Sva Neto Um dos pressupostos normamente adotados quando se anasa um proeto é que a rentabdade dos nvestmentos deve orentar a

Leia mais

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2) Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,

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

TEORIA CINÉTICA DOS GASES

TEORIA CINÉTICA DOS GASES TEORIA CIÉTICA DOS GASES Hpóteses: y t A z ; V ta q = m de uma molécula antes da colsão q = -m depos da colsão q m De todas as moléculas V taˆ V m Atˆ p F A A q t V m ou que pv m em todas as moléculas

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

Análise de Regressão Linear Múltipla IV

Análise de Regressão Linear Múltipla IV Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do

Leia mais

Análise de Regressão Linear Múltipla VII

Análise de Regressão Linear Múltipla VII Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto

Leia mais

Cap. 11 Correlação e Regressão

Cap. 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 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

ALGORITMOS PARA DADOS AUMENTADOS

ALGORITMOS PARA DADOS AUMENTADOS ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os

Leia mais

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos. Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda

Leia mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 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 mais

Métodos Avançados em Epidemiologia

Métodos 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 mais

a média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ

a média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): Vnte e cnco

Leia mais

Análise de Regressão

Análise 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 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

CURSO A DISTÂNCIA DE GEOESTATÍSTICA

CURSO 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 mais

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

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

Leia mais

Capítulo 2. Modelos de Regressão

Capítulo 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 mais

Delineamento Aleatorizado em Blocos Completos (DABC)

Delineamento 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 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

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

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

REGRESSÃO E CORRELAÇÃO

REGRESSÃO E CORRELAÇÃO Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é

Leia mais

Neste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais.

Neste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais. 1 1Imagem Dgtal: Estatístcas INTRODUÇÃO Neste capítulo abordam-se os prncpas concetos relaconados com os cálculos de estatístcas, hstogramas e correlação entre magens dgtas. 4.1. VALOR MÉDIO, VARIÂNCIA,

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

ϕ ( + ) para rotações com o Flechas e deflexões

ϕ ( + ) para rotações com o Flechas e deflexões Fechas e defeões Seja uma barra reta, em euiíbrio, apoiada em suas etremidades, submetida a uma feão norma. Esta barra fetida, deia de ser reta assumindo uma forma, como a mostrada na figura. figura barra

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. 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 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

MAE 317 Planejamento e Pesquisa I Profa. Júlia Maria Pavan Soler

MAE 317 Planejamento e Pesquisa I Profa. Júlia Maria Pavan Soler MAE 317 Planeamento e Pesqusa I Profa. Júla Mara Pavan Soler pavan@me.usp.br IME/USP 1º Semestre/019 Delneamento Aleatorzado em Blocos Completos (DABC) Motvação Por que planear um expermento? Como dmnur

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

CAPÍTULO 2 - Estatística Descritiva

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

Leia mais

4 Autovetores e autovalores de um operador hermiteano

4 Autovetores e autovalores de um operador hermiteano T (ψ) j = ψ j ˆT ψ = k ψ j ˆT φ k S k = k,l ψ j φ l T (φ) S k = k,l φ l ψ j T (φ) S k = k,l SljT (φ) S k. Após todos esses passos vemos que T (ψ) j = k,l S jl T (φ) S k ou, em termos matrcas T (ψ) = S

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

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

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

Leia mais

Teoria dos Jogos. Prof. Maurício Bugarin ECO/UnB 2015-II

Teoria dos Jogos. Prof. Maurício Bugarin ECO/UnB 2015-II Teora dos Jogos Pro. Mauríco Bugarn ECO/UnB 5-II Cap. 3: Jogos Estátcos com Inormação Incompeta Rotero Capítuo : Jogos Estátcos com Inormação Competa Cap do Gbbons Capítuo 3: Jogos Estátcos com Inormação

Leia mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

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 mais

FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES

FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES Edmlson Rodrgues Pnto Leandro Alves Perera Faculdade de Matemátca Faculdade de Matemátca Unversdade Federal de Uberlânda

Leia mais

FUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores

FUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores FUNDMENTO DE ROBÓTI Modeo nemátco de Robôs Manpuadores Modeo nemátco de Robôs Manpuadores Introdução Modeo nemátco Dreto Modeo nemátco de um Robô de GDL Representação de Denavt-Hartenberg Exempos de pcação

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

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

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

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

4.1 Modelagem dos Resultados Considerando Sazonalização

4.1 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 mais

ESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012

ESTATÍSTICA 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 mais

Análise Exploratória de Dados

Análise 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 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

Cálculo Numérico BCC760 Interpolação Polinomial

Cálculo Numérico BCC760 Interpolação Polinomial Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.

Leia mais

APLICAÇÕES DE PLANEJAMENTO DE EXPERIMENTO PARA DADOS NÃO NORMAIS

APLICAÇÕES 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 mais

Identidade dos parâmetros de modelos segmentados

Identidade dos parâmetros de modelos segmentados Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos

Leia mais

Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis

Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,

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

Ajuste de um modelo linear aos dados:

Ajuste de um modelo linear aos dados: Propagação de erros Suponhamos que se pretende determnar uma quantdade Z, a partr da medda drecta das grandezas A, B, C,, com as quas se relacona através de Z = f(a,b,c, ). Se os erros assocados a A, B,

Leia mais

2. Departamento de Engenharia Elétrica, Universidade de São Paulo São Carlos, São Paulo, Brasil. s:

2. Departamento de Engenharia Elétrica, Universidade de São Paulo São Carlos, São Paulo, Brasil.  s: SINTONIA SIMULTÂNEA, PARALELA E COORDENADA DE PSSS UTILIZANDO OTIMIZAÇÃO POR COLÔNIA DE FORMIGAS SERGIO C. MAZUCATO JR., BRUNO L. G. COSTA, MARCELO F. CASTOLDI, BRUNO A. ANGELICO, DANILO S. SANCHES, RODRIGO

Leia mais

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

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

Leia mais

BEM -ESTAR SOCIAL. Referências Deaton ( 1997 ), Capítulo 3, seção 3.1 baseado no Trabalho Clássico de Atkinson (1970) On The Measurement of Inequality

BEM -ESTAR SOCIAL. Referências Deaton ( 1997 ), Capítulo 3, seção 3.1 baseado no Trabalho Clássico de Atkinson (1970) On The Measurement of Inequality Curso Bem-Estar Socal - Marcelo er - www.fgv.brcps BEM -ESTAR SOCAL Referêncas Deaton 997, Capítulo 3, seção 3. baseado no Trabalho Clássco de Atknson 970 On The Measurement of nequalty Função Bem-Estar

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

3 Algoritmos propostos

3 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 mais

AULA Espaços Vectoriais Estruturas Algébricas.

AULA Espaços Vectoriais Estruturas Algébricas. Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os

Leia mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA 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 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

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

UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS

UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o

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