CARTA DE CONTROLE PARA MONITORAMENTO DE FRAÇÃO DE CONFORMES UTILIZANDO UM NOVO ESTIMADOR
|
|
- Benedito Carreira
- 5 Há anos
- Visualizações:
Transcrição
1 XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. CARTA DE CONTROLE PARA MONITORAMENTO DE FRAÇÃO DE CONFORMES UTILIZANDO UM NOVO ESTIMADOR Ruth Pereira Loureço (USP) Lida Lee Ho (USP) Roberto da Costa Quiio (UFMG) Cartas de cotrole têm sido umas das ferrametas mais utilizadas para moitorar o processo. No caso de moitorar a proporção de ites coformes, tradicioalmete, o estimador proporção amostral tem sido utilizado, porém requer um tamaho raazoável de amostra para ter um bom desempeho. Este artigo apreseta e aalisa basicamete uma carta de cotrole empregado um ovo estimador para a proporção de coformidade que apresete bos ídices de desempeho mesmo para tamaho pequeo de amostras e alta qualidade. Para a aálise do comportameto do estimador proposto e do tradicioalmete utilizado foi desevolvido um programa em liguagem VBA para ser executado o Excel que permite e a comparação do desempeho dos estimadores através pricipalmete do parâmetro chamado ARL. Palavras-chaves: Proporção amostral; Carta de cotrole p; ovo estimador para proporção de coformidade; ARL
2 . Itrodução O moitorameto efetivo das características da qualidade de um processo de produção depede, a maioria das vezes, de ferrametas estatísticas para a detecção, idetificação e aálise das causas sigificates resposáveis por variações que afetam o comportameto do processo de forma imprevisível. Estas técicas podem ser utilizadas em processos idústrias que geram bes de cosumo, em processos de empresas que são prestadoras de serviços e até mesmo a área médica em testes clíicos. O iício formal do Cotrole Estatístico de Processo (CEP) deu-se por volta de 94, quado Walter A. Shewhart desevolveu e aplicou os gráficos de cotrole os Bell Telephoe Laboratories. De acordo com MONTGOMERY (004), a melhoria da qualidade em processos, de maeira geral, pode ser traduzida a redução da variabilidade os processos e produtos. Ela torou-se um dos potos decisivos a mauteção dos produtos o mercado devido, pricipalmete, a grade cocorrêcia e a maior exigêcia dos cosumidores. Além dos gráficos de cotrole, o CEP é formado por mais seis ferrametas que formam um cojuto de técicas estatísticas, orgaizadas de modo a proporcioar, através de suas aplicações, a mauteção e a melhoria dos íveis de qualidade de um processo. A carta de cotrole (ou gráfico de cotrole) é a apresetação gráfica de uma característica da qualidade que foi medida ou calculada a partir da amostra versus o úmero da amostra ou tempo. Ela cotém uma liha cetral (LC), que está associada ao valor esperado de uma estatística moitorada, e outras duas lihas horizotais, chamadas de limite superior de cotrole (LSC) e limite iferior de cotrole (LIC) que são obtidas somado e subtraido, respectivamete, k (costate) vezes o valor do desvio-padrão dessa estatística a LC. Ela pode ser basicamete de dois tipos: para atributos ou para variáveis. Os gráficos de cotroles para atributos avaliam parâmetros tais como proporção de coformidade ou taxa média de ocorrêcia de alguma quatidade de iteresse. De modo sucito, existem quatro subtipos de gráficos de cotrole para atributos mais utilizados, os quais são: Gráfico de Cotrole para a fração ão-coforme (p), Gráfico de Cotrole para o úmero de ão-coformidades (p), Gráfico de Cotrole para ão-coformidades (c) e Gráfico de Cotrole para ão-coformidades por uidade (u). (Maiores detalhes ver MONTGOMERY, 004 e COSTA et al, 004) Este projeto tem como base de estudo o primeiro tipo de gráfico, o gráfico p, cotudo, por ser mais coveiete, trabalha-se com a fração de ites coformes ao ivés de a fração de ites ão-coformes como é comumete ecotrado a literatura. A abordagem tradicioal, baseada os estimadores existetes, requer, porém um tamaho razoável de amostra para apresetar um bom desempeho. Portato, a proposição e a avaliação do ovo estimador para o parâmetro da proporção de uma distribuição de biomial que apresetam bos ídices de desempeho para amostras pequeas se fazem ecessárias para a cotiuidade da melhoria da qualidade os processos e a garatia de altas qualidades. Apesar desse tema ser atigo e já bastate estudado, é importate ressaltar que ele aida desperta iteresse etre muitos pesquisadores. Como exemplo disso, pode-se citar BÖHNING & VIWATWONGKASEM (005) que também estudaram uma ova maeira de calcular este estimador p.
3 . O Novo Estimador e suas propriedades Ites coformes são aqueles ites que satisfazem o padrão em todas as características aalisadas. O estimador tradicioal da fração de coformidade é a proporção amostral, defiida como a razão etre o úmero de ites coformes em uma população e o total de ites amostrados, deotado por : X, em que é o úmero total da amostra e X é o úmero de ites coformes da amostra. Este estimador é referido ao logo deste texto como estimador atigo já que é o tradicioalmete utilizado. Os pricípios estatísticos que evolvem este tipo de estimador estão baseados a Distribuição de Biomial. Cosiderado experimetos idepedetes de Beroulli (variável aleatória X), têm-se duas possibilidades: sucesso com probabilidade p e fracasso com complemetar probabilidade (-p). E, assim, a probabilidade do úmero total de sucessos de X em é dada! x x por: P( X x) p ( p). x!( x)! Duas características importates de são a sua média e a sua variâcia, as quais são p( p) calculadas, respectivamete por: p ;. Como a média é igual ao valor de p, pode-se dizer que o estimador apreseta a propriedade de ser ão viciado. Já o ovo estimador possui suas bases os mesmos pricípios estatísticos do estimador apresetado acima, ou seja, ele também está baseado a Distribuição Biomial. Cotudo, agora cosideram-se duas amostras de Beroulli e, ode e. Para o caso de =7 tem-se duas combiações possíveis, as quais são: = e =5, e =3 e =4. Para o cálculo efetivo desse ovo estimador, cosiderem as proporções amostrais obtidas com tamahos de amostras e (vide expressão.). Caso ambas forem diferetes de zero, o ovo estimador é defiida como a média poderada das proporções defiida em (.) com fator poderação igual à própria proporção amostral e zero quado ambas proporções forem iguais a zero, coforme expressão (.). X = ; = X (.) ~ p 0, se 0 (.) ~ p, caso cotrário É importate ressaltar que, a distribuição de probabilidade do estimador tradicioal é baseada uma uma distribuição biomial, equato que a distribuição de probabilidade do ovo ~ p é uma combiação de distribuições biomiais de ˆp e de ˆp. Este ovo estimador proposto apreseta algumas propriedades iteressates. Ele é a) Viciado, porém assitoticamete ão-viciado; 3
4 Razão etre os Erros Médios Quadráticos b) Cosistete. Como pode ser provado, o fato do estimador ser viciado sigifica que para razoavelmete pequeo, a média do estimador é diferete de p, ao cotrário do que acotece com o estimador atigo que é ão-viciado. Porém, ele também é assitoticamete ão-viciado, ou seja, quado o valor de tede ao ifiito, a sua média tede ao valor de p. E, por fim, ele também é cosistete, pois quado tete ao ifiito além de sua esperaça (média) teder a p, sua variâcia tede a zero. A partir dessas propriedades, pode-se dizer que o ovo estimador é meos eficiete que o de proporções amostrais. Cotudo, quado o critério de comparação etre ambos estimadores passa a ser o erro quadrático médio (MSE Mea Square Errors) pode-se otar que o ovo estimador é mais eficiete que o tradicioal (ou seja, quado o MSE de ~ p é meor que o de para uma faixa de valores de p). Para o caso do estimador atigo, o MSE é cohecido e p ( p) dado por, porém para o estimador ~ p, ão existe uma expressão fechada podedo ser calculado computacioalmete. Figura mostra a razão etre MSE das duas proporçoes ( e p~ ) para variado de a 00 e p etre 0 e para algus casos ode =. Pode-se observar que o MSE ( ~ p ) é meor que o MSE ( ) para p>0,75 e também que quato meor for o tamaho da amostra, mais favorável é para o MSE de ~ p. Isto os permite mostrar o quato o ovo estimator é iteressate para sistemas de alta qualidade quado ão permite usar amostras muito grades. Como exemplo, Tabela compara algus valores de MSE para os dois estimadores. (O valor apresetado a tabela é aproximado e, o caso do ovo estimador, é obtido para uma das possíveis combiações de.) Erro quadrático médio para os estimadores de p N= N=4 N=0 N=0 N=50 N=00 N= p 4
5 Figura Razão do Erro Quadrático Médio de e p ~ versus p Valores de e p MSE Atigo MSE Novo =4 e p=0,7 0,055 0,044 =4 e p=0,9 0,05 0,08 =8 e p=0,99 0,00 0,00 Tabela - Comparação do erro quadrático médio (MSE). Portato, o fato do ovo estimador apresetar melhores valores de erro quadrático médio para amostras pequeas vem de ecotro com o objetivo desse projeto. Amostras de tamaho reduzido são cada vez mais importates visto que, existem muitos casos em que o custo de ispeção é muito caro ou que o esaio para a ispeção é destrutivo e, por coseqüêcia, caro também. 3. As Cartas de Cotrole p As cartas de cotrole podem ser cosideradas um modelo de represetação de estimadores. Neste trabalho, elas serão utilizadas para mostrar o comportameto de cada estimador e poder-se fazer uma comparação etre ambos para valores de parâmetros determiados. Para auxiliar esta comparação foi desevolvido um programa o Office Excel utilizado a liguagem VBA (Visual Basic for Applicatios) (Maiores detalhes ver JELEN, 004 e GETZ, 000). Esse programa tem como objetivo a automatização de tarefas e rotias repetitivas a fim de poder simular e comparar o comportameto dos dois estimadores para variados parâmetros. Na literatura em geral, amostras meores 30 são cosideradas pequeas. Além do tamaho da amostra, outras parâmetros importates o plaejameto de uma carta de cotrole são os limites de cotrole e o itervalo de ispeção. A comparação do desempeho da carta de cotrole p utilizado dois estimadores diferetes para a fração de coformidade, será através do ARL (Average Ru Legths ou Comprimeto Médio da Seqüêcia - CMS). Ele represeta a quatidade média de amostras ou observações para que o gráfico sialize um estado fora de cotrole, ou seja, retora o úmero de amostras que são retiradas até a ocorrêcia de um alarme falso (para processo sob cotrole) ou o úmero esperado de amostras retiradas até a detecção do desvio (para processo fora de cotrole). Tradicioalmete, calculam-se a liha cetral e os limites de cotroles para os gráficos da seguite maeira: LSC p k LC p LIC p k p0( p0) p0( p0) (3.) ode p 0 é o valor de fração de coformidade quado o processo está sob cotrole e tradicioalmete emprega-se k=3 caso fosse adotar o erro do tipo I α= Cotudo, a atual proposição tato utilizado o estimador tradicioal como o ovo, os limites de cotrole ão podem ser determiados coforme (3.). No etato, os dois estimadores assume valores 5
6 discretos assim dificilmete os limites de cotrole serão determiados de modo a alcaçar o ível do erro do tipo I fixado em 0,7%. Desta forma serão aalisados dois casos: ) obter limites de cotrole tal que acumule valor do erro do tipo I imediatamete maiores que e o outro caso é determiar limites de cotrole tal que acumule valor do erro do tipo I com valores imediatamete abaixo da referêcia. Este risco alfa: erro do tipo I ( ) represeta a chace do gráfico de cotrole sializar causas especiais iexistetes. A partir desses valores, podem-se ser calculados os valores de ARL 0 (dada através da razão de /, cujo valor de referêcia, é de 370). Em cotrapartida, podem-se também ser calculados os valores de ARL para cada cojuto de valores de fração de coformidade p quado o processo está fora de cotrole. Este é um outro importate parâmetro de comparação que forece o poder de detecção do gráfico, isto é, quado o processo está fora de cotrole qual é o úmero de amostras ecessárias para isso ser detectado. Para exemplicar o que foi dito acima, Tabela foi costruída. Ela represeta a saída do programa em VBA e mostra o comportameto dos estimadores para =7 e p 0 =0,999. Algumas otações foram utilizadas esta tabela, como as palavras Old e New que represetam, respectivamete, o atigo e o ovo estimadores. A letra L ou M, presetes após estas palavras, sigificam qual foi o valor do erro do tipo I, admitido uma vez que ele pode estar acima ou abaixo do valor de referêcia escolhido, respectivamete (L, valores do erro de tipo I meores que o valor de referêcia e M, valores maiores). Além disto, o caso do ovo estimador um úmero foi adicioado a otação. Este foi istituído para se difereciar os ovos estimadores, já que, ormalmete, para um mesmo tamaho de amostra existe mais de uma combiação ( e ) possível. Ele represeta o tamaho da amostra adotado para. Por exemplo, New L3 sigifica que se tratada do ovo estimador adotado um valor abaixo do valor de referêcia para o error do tipo I e o tamaho de amostra igual a 3 para. Tabela permite comparar o desempeho dos dois estimadores. Pode-se otar que, para este caso, o ARL 0 é melhor, ou seja, mais próximo do valor de referêcia para algus casos do ovo estimador (como New_M e New_L3) equato que os ARL s obtidos com o estimador tradicioal ficam muito aquém do valor de referêcia. Para fazer comparação em relação ao ARL, algus cuidados a iterpretação dos resultados devem ser tomados. Não se pode fazer comparação direta etre valores de ARL, uma vez que os obtidos com o estimador tradicioal (o caso Old L) estão subestimados dado a falsa impressão de um melhor desempeho (uma detecção mais rápida) assim como o caso de OldM, os valores de ARL estão superestimados. p Old L Old M New L New M New L3 New M3 Sobcotrole 0,999 43, ,07 43,3 498,0 333, ,34 Fora de cotrole 0,99 4,7 (34.) 49,36 4,74 48,6 33,03 49,59 0,94,84 (6.60) 6,9,87 7,05 5,38 6,3 0,89,79 (4.6) 5,7,8 3,60,96 5,74 0,84,4 3,,44,4,09 3,4 0,79,4,,6,86,67,4 0,74,4,73,6,54,43,75 0,69,08,45,0,35,8,47 0,64,05,8,06,3,8,30 0,59,03,7,04,5,,9 6
7 0,54,0,0,03,09,08, 0,49,0,06,0,06,05,08 Limites de cotrole [;] [0,86;] [;] [0,9;] [0,89;] [0,87;] Tabela : Comportameto dos estimadores para =7 e p=0,999 Na Tabela, etre as alterativas do estimador tradicioal, a melhor opção é OldL e o caso do ovo estimador, o que apresetou o melhor ARL0 é o NewL3 com ARL0 de 333 (mais próximo de 370). E etre estas duas possibilidades, o que se aproxima mais do valor de referêcia é NewL3. Como uma tetativa de fazer uma comparação mais justa etre os ARL obtidos por diferetes estimadores uma possibilidade é ajustá-los liearmete (em iglês aively). Por exemplo, o valor atualizado de ARL 4.7 (a colua OldL, a base de ARL0 de 333) seria 34.;,84 seria 6.60 e assim sucessivamete. As Tabelas 3 e 4 apresetadas a seguir fazem uma comparação etre os estimadores para diferetes valores de sedo o valor de fração de coformidade p quado o processo está sob cotrole em p 0 =0,95 e p 0 =0,99, respectivamete. Para ambos os estimadores, apreseta-se a melhor opção (tato do estimador tradicioal como o ovo estimador) para um tamaho de amostra em questão. No caso do estimador ovo, escolheu-se também a melhor combiação e, (idetificada como observação as Tabelas 3 e 4). Pode-se observar que, para o caso do ovo estimador, com o aumeto do tamaho da amostra, o valor de ARL 0 tede a se aproximar do valor de referêcia 370 e apresetar uma estabilidade em toro desse valor. Já o estimador atigo apreseta uma istabilidade de valores priicpalmete o caso de p 0 =0,99, ou seja, para um valor mais alto de qualidade. ARL 0 Observação p ~ 5 44,6 43,7 = e =3 0 86,93 83,39 = e =8 5 8,9 37,7 =7 e = ,5 374,7 =3 e =7 5 39,57 379,45 =6 e = ,65 368,8 = e =8 Tabela 3 Comparação etre os estimadores para vários e p i cotrol=0,95 ARL 0 Observação p ~ 5 0,40 49,77 = e =3 0 34,40 347,4 =4 e =6 5 03,84 4,35 = e =3 0 59,3 397,6 =7 e =3 5 5,64 340,33 =7 e = ,4 370,97 = e =8 Tabela 4 Comparação etre os estimadores para vários e p i cotrol=0,99 Tabela 5 apreseta uma outra forma de comparação de desempeho feita etre os valores de ARL para um caso em que o valor da fração coforme p quado o processo sob cotrole é p0=0,99 e o fora de cotrole é p=0,95. Da mesma forma que as tabelas ateriores, para ambos os estimadores, utiliza-se a combiação que apreseta melhor valor de ARL0 já que 7
8 ele é o fator mais determiate este caso. Observa-se que, para o ovo estimador com um aumeto o tamaho da amostra, o valor de ARL tede a decrescer. Isso os permite cocluir que para amostras aida cosideradas pequeas (<30) o valor de ARL se tora costamete decrescete e estável, o que ão acotece o caso do outro estimador. ARL Observação p ~ 5 4,4 9,8 = e =3 0,6 6,4 =4 e =6 5 5,85,60 = e =3 0 3,79,9 =7 e =3 5 7,87 9,64 =7 e =8 30 5,3 6,6 = e =8 Tabela 5 - Comparação etre os estimadores para vários tamahos de amostra ( p0=0,99 e p =0,95) 4. Coclusão A grade discussão que gira em toro deste projeto é a de saber o quato o ovo estimador se aproxima do atigo, podedo apresetar resultados melhores ou piores que este e quado (em que casos) estes resultados são mais favoráveis. Cotudo, apesar das possibilidades serem iúmeras, algus potos foram observados e mostram o comportameto positivo e egativo do estimador. Primeiramete, ota-se que para um mesmo valor de e da fração de coformidade quado o processo está sob cotrole, obtém-se melhores valores de ARL 0 com o ovo estimador. Cotudo, quado se compara os valores de ARL para vários valores de p fora de cotrole, algus cuidados devem ser tomados. Os valores obtidos utilizado o método tradicioal geralmete forecem valores de ARL0 muito meores que o valor de referêcia e como cosequêcia pode subestimar os valores de ARL ou o caso de ARL0 muito maiores que o valor de referêcia, os mesmos estão superestimados. Uma observação iteressate em relação ao ovo estimador: os valores de ARL dimiuem, coforme aumeta o tamaho da amostra os valores de ARL. Existem algus outros casos em que os estimadores se apresetaram bastate semelhates, tato quado se comparam os ARL 0 s quato os ARL s. Nestes casos, é idiferete a aplicação dos estimadores uma vez que ambos, em termos de custos, são iguais. É importate ressaltar que aálises estão sedo feitas para valores altos de p já que deseja-se ecotrar um melhor estimador para casos em que exige-se altos padrões de qualidade e o custo das amostras é alto também exigido baixos tamahos amostrais. Referêcias BÖHNING, D. & VIWATWONGKASEM, C. Revisitig proportios estimators. Statistical Methods i Medical Research; 005; 4: COSTA, A.F.B.; EPPRECHT, E.K. & CARPINETTI, L.C.R. Cotrole Estatístico de Qualidade. Atlas, São Paulo 004. GETZ, K. VBA Developer's Hadbook. Sybex, Sa Fracisco, 000. JELEN, B. Macros. VBA para Microsoft Excel. Elsevier Editora, Rio de Jaeiro, 004. MONTGOMERY, D.C. Itrodução ao Cotrole Estatístico da Qualidade. LTC, Rio de Jaeiro,
9 9
ENGENHARIA DA QUALIDADE A ENG AULA 6 CARTAS DE CONTROLE PARA ATRIBUTOS
ENGENHARIA DA QUALIDADE A ENG 09008 AULA 6 CARTAS DE CONTROLE PARA ATRIBUTOS PROFESSORES: CARLA SCHWENGBER TEN CATEN Tópicos desta aula Cartas de Cotrole para Variáveis Tipo 1: Tipo 2: Tipo 3: X X X ~
Leia mais10 - Medidas de Variabilidade ou de Dispersão
10 - Medidas de Variabilidade ou de Dispersão 10.1 Itrodução Localizado o cetro de uma distribuição de dados, o próximo passo será verificar a dispersão desses dados, buscado uma medida para essa dispersão.
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Itervalo Amostragem e iferêcia estatística População: cosiste a totalidade das observações em que estamos iteressados. Nº de observações a população é deomiado tamaho=n. Amostra:
Leia maisEstimadores de Momentos
Estimadores de Mometos A média populacioal é um caso particular daquilo que chamamos de mometo. Na realidade, ela é o primeiro mometo. Se X for uma v.a. cotíua, com desidade f(x; θ 1,..., θ r ), depededo
Leia mais6.1 Estimativa de uma média populacional: grandes amostras. Definição: Um estimador é uma característica amostral (como a média amostral
6 ESTIMAÇÃO 6.1 Estimativa de uma média populacioal: grades amostras Defiição: Um estimador é uma característica amostral (como a média amostral x ) utilizada para obter uma aproximação de um parâmetro
Leia maisIntervalos de Confiança
Itervalos de Cofiaça Prof. Adriao Medoça Souza, Dr. Departameto de Estatística - PPGEMQ / PPGEP - UFSM - 0/9/008 Estimação de Parâmetros O objetivo da Estatística é a realização de iferêcias acerca de
Leia maisEPR 007 Controle Estatístico de Qualidade
EP 7 Cotrole Estatístico de Qualidade Prof. Dr. Emerso José de Paiva Gráficos e tabelas origiadas de Costa, Epprecht e Carpietti (212) 1 Num julgameto, ifelizmete, um iocete pode ir pra cadeia, assim como
Leia maisCap. VI Histogramas e Curvas de Distribuição
TLF /11 Capítulo VI Histogramas e curvas de distribuição 6.1. Distribuições e histogramas. 6 6.. Distribuição limite 63 6.3. Sigificado da distribuição limite: frequêcia esperada e probabilidade de um
Leia maisSumário. 2 Índice Remissivo 19
i Sumário 1 Estatística Descritiva 1 1.1 Coceitos Básicos.................................... 1 1.1.1 Defiições importates............................. 1 1.2 Tabelas Estatísticas...................................
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 2
MAE 9 - Itrodução à Probabilidade e Estatística II Resolução Lista Professor: Pedro Moretti Exercício 1 Deotado por Y a variável aleatória que represeta o comprimeto dos cilidros de aço, temos que Y N3,
Leia mais1 Distribuições Amostrais
1 Distribuições Amostrais Ao retirarmos uma amostra aleatória de uma população e calcularmos a partir desta amostra qualquer quatidade, ecotramos a estatística, ou seja, chamaremos os valores calculados
Leia maisTeorema do limite central e es/mação da proporção populacional p
Teorema do limite cetral e es/mação da proporção populacioal p 1 RESULTADO 1: Relembrado resultados importates Seja uma amostra aleatória de tamaho de uma variável aleatória X, com média µ e variâcia σ.temos
Leia maisDETERMINANDO A SIGNIFICÂNCIA ESTATÍSTICA PARA AS DIFERENÇAS ENTRE MÉDIAS
DTRMINANDO A SIGNIFIÂNIA STATÍSTIA PARA AS DIFRNÇAS NTR MÉDIAS Ferado Lag da Silveira Istituto de Física - UFRGS lag@if.ufrgs.br O objetivo desse texto é apresetar através de exemplos uméricos como se
Leia maisEstimativa de Parâmetros
Estimativa de Parâmetros ENG09004 04/ Prof. Alexadre Pedott pedott@producao.ufrgs.br Trabalho em Grupo Primeira Etrega: 7/0/04. Plao de Amostragem - Cotexto - Tipo de dado, frequêcia de coleta, quatidade
Leia maisEstimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação
ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p 1 Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 1
MAE 229 - Itrodução à Probabilidade e Estatística II Resolução Lista 1 Professor: Pedro Moretti Exercício 1 (a) Fazer histograma usado os seguites dados: Distribuição de probabilidade da variável X: X
Leia maisNúmero-índice: Conceito, amostragem e construção de estimadores
Número-ídice: Coceito, amostragem e costrução de estimadores Objetivo Geral da aula Defiir o que são os úmeros-ídices, efatizado a sua importâcia para aálise ecoômica. Cosidere os dados apresetados a Tabela
Leia maisESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p
ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma amostra.
Leia mais5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO
5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO 5.1 INTRODUÇÃO Um sistema é defiido como todo o cojuto de compoetes itercoectados, previamete determiados, de forma a realizar um cojuto
Leia maisCAPÍTULO 6 ESTIMATIVA DE PARÂMETROS PPGEP. Introdução. Introdução. Estimativa de Parâmetros UFRGS
CAPÍTULO 6 Itrodução Uma variável aleatória é caracterizada ou descrita pela sua distribuição de probabilidade. ETIMATIVA DE PARÂMETRO URG Em aplicações idustriais, as distribuições de probabilidade são
Leia maisSumário. 2 Índice Remissivo 17
i Sumário 1 Itrodução à Iferêcia Estatística 1 1.1 Defiições Básicas................................... 1 1.2 Amostragem....................................... 2 1.2.1 Tipos de Amostragem.............................
Leia maisn ) uma amostra aleatória da variável aleatória X.
- Distribuições amostrais Cosidere uma população de objetos dos quais estamos iteressados em estudar uma determiada característica. Quado dizemos que a população tem distribuição FX ( x ), queremos dizer
Leia maisbinomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal.
biomial seria quase simétrica. Nestas codições será também melhor a aproximação pela distribuição ormal. Na prática, quado e p > 7, a distribuição ormal com parâmetros: µ p 99 σ p ( p) costitui uma boa
Leia maisProf. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL
Prof. Fabrício Maciel Gomes Departameto de Egeharia Química Escola de Egeharia de Lorea EEL Referêcias Bibliográficas Sistema de Avaliação Duas Provas teóricas Um Trabalho em Grupo MédiaFial 0,4 P 0,4
Leia maisLista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação
Assuto: Propriedade dos Estimadores e Métodos de Estimação. ANPEC 08 - Questão 6 Por regulametação, a cocetração de um produto químico ão pode ultrapassar 0 ppm. Uma fábrica utiliza esse produto e sabe
Leia maisO termo "linear" significa que todas as funções definidas no modelo matemático que descreve o problema devem ser lineares, isto é, se f( x1,x2
MÓDULO 4 - PROBLEMAS DE TRANSPORTE Baseado em Novaes, Atôio Galvão, Métodos de Otimização: aplicações aos trasportes. Edgar Blücher, São Paulo, 978..CONCEITOS BÁSICOS DE PROGRAMAÇÃO LINEAR É uma técica
Leia maisMaterial Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Soma de Elementos em Linhas, Colunas e Diagonais. Segundo Ano do Ensino Médio
Material Teórico - Módulo Biômio de Newto e Triagulo de Pascal Soma de Elemetos em Lihas, Coluas e Diagoais Segudo Ao do Esio Médio Autor: Prof Fabrício Siqueira Beevides Revisor: Prof Atoio Camiha M Neto
Leia maisMaterial Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Soma de Elementos em Linhas, Colunas e Diagonais. Segundo Ano do Ensino Médio
Material Teórico - Módulo Biômio de Newto e Triagulo de Pascal Soma de Elemetos em Lihas, Coluas e Diagoais Segudo Ao do Esio Médio Autor: Prof Fabrício Siqueira Beevides Revisor: Prof Atoio Camiha M Neto
Leia maisFundamentos de Estatística Aplicada. Módulo IV: Introdução à Inferência Estatística
Uiversidade Federal Flumiese Istituto de Matemática e Estatística Fudametos de Estatística Aplicada Módulo IV: Itrodução à Iferêcia Estatística Aa Maria Lima de Farias Departameto de Estatística Coteúdo
Leia maisInstruções gerais sobre a Prova:
DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2012/2013 Istruções gerais sobre a Prova: (a) Cada questão respodida corretamete vale 1 (um) poto. (b) Cada
Leia maisA finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra.
Jaete Pereira Amador Itrodução A aálise de regressão tem por objetivo descrever através de um modelo matemático, a relação existete etre duas variáveis, a partir de observações dessas viráveis. A aálise
Leia maisEstimação da média populacional
Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa
Leia maisFundamentos de Estatística Aplicada. Módulo IV: Introdução à Inferência Estatística
Uiversidade Federal Flumiese Istituto de Matemática e Estatística Fudametos de Estatística Aplicada Módulo IV: Itrodução à Iferêcia Estatística Aa Maria Lima de Farias Departameto de Estatística Coteúdo
Leia maisCONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA
1 CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA 1. Coceitos Básicos de Probabilidade Variável aleatória: é um úmero (ou vetor) determiado por uma resposta, isto é, uma fução defiida em potos do espaço
Leia maisESTATÍSTICA E PROBABILIDADES
ESTATÍSTICA E PROBABILIDADES Aluo(a): Turma: Professores: Data: Edu/Vicete Noções de Estatística Podemos eteder a Estatística como sedo o método de estudo de comportameto coletivo, cujas coclusões são
Leia maisComparação de testes paramétricos e não paramétricos aplicados em delineamentos experimentais
Comparação de testes paramétricos e ão paramétricos aplicados em delieametos experimetais Gustavo Mello Reis (UFV) gustavo_epr@yahoo.com.br José Ivo Ribeiro Júior (UFV) jivo@dpi.ufv.br RESUMO: Para comparar
Leia maisComparação entre duas populações
Comparação etre duas populações AMOSTRAS INDEPENDENTES Comparação etre duas médias 3 Itrodução Em aplicações práticas é comum que o iteresse seja comparar as médias de duas diferetes populações (ambas
Leia maisMATEMÁTICA MÓDULO 6 ESTATÍSTICA. Professor Haroldo Filho
MATEMÁTICA Professor Haroldo Filho MÓDULO 6 ESTATÍSTICA 1.1 ESTATÍSTICA É a ciêcia que utiliza a coleta de dados, sua classificação, sua apresetação, sua aálise e sua iterpretação para se tomar algum tipo
Leia maisVirgílio A. F. Almeida DCC-UFMG 1/2005
Virgílio A. F. Almeida DCC-UFMG 1/005 !" # Comparado quatitativamete sistemas eperimetais: Algoritmos, protótipos, modelos, etc Sigificado de uma amostra Itervalos de cofiaça Tomado decisões e comparado
Leia maisObtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n.
Vamos observar elemetos, extraídos ao acaso e com reposição da população; Para cada elemeto selecioado, observamos o valor da variável X de iteresse. Obtemos, etão, uma amostra aleatória de tamaho de X,
Leia maisDESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos:
48 DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL LEI DOS GRANDES NÚMEROS Pretede-se estudar o seguite problema: À medida que o úmero de repetições de uma experiêcia cresce, a frequêcia relativa
Leia mais4 Teoria da Probabilidade
48 4 Teoria da Probabilidade Apresetam-se este capítulo coceitos de probabilidade e de estimação de fuções desidade de probabilidade ecessários ao desevolvimeto e compreesão do modelo proposto (capítulo
Leia maisDURAÇÃO 1:30. (o teste consta de 3 páginas com questões, um formulário e uma tabela - 5 folhas no total)
DURAÇÃO 1:30 (o teste costa de 3 págias com questões, um formulário e uma tabela - 5 folhas o total) Leia atetamete o euciado ates de respoder a cada questão. as questões de escolha múltipla seleccioe
Leia maisCAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES
CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES 6. INTRODUÇÃO INFERÊNCIA ESTATÍSTICA Estimação por poto por itervalo Testes de Hipóteses População X θ =? Amostra θ Iferêcia Estatística X, X,..., X 6. ESTIMAÇÃO
Leia maisS E Q U Ê N C I A S E L I M I T E S. Prof. Benito Frazão Pires. Uma sequência é uma lista ordenada de números
S E Q U Ê N C I A S E L I M I T E S Prof. Beito Frazão Pires Uma sequêcia é uma lista ordeada de úmeros a, a 2,..., a,... ) deomiados termos da sequêcia: a é o primeiro termo, a 2 é o segudo termo e assim
Leia maisIntrodução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ...
Itrodução Exemplos Para curar uma certa doeça existem quatro tratametos possíveis: A, B, C e D. Pretede-se saber se existem difereças sigificativas os tratametos o que diz respeito ao tempo ecessário para
Leia maisIntrodução a Complexidade de Algoritmos
Itrodução a Complexidade de Algoritmos Estruturas de Dados Prof. Vilso Heck Juior Apresetação Revisão - O Algoritmo; A Complexidade; Exercício. Complexidade de Algoritmos REVISÃO - O ALGORITMO O Algoritmo
Leia maisUniversidade Federal de Mato Grosso Probabilidade e Estatística - Curso: Engenharia Civil Introdução à Inferência Estatística - Prof a Eveliny
1 Itrodução Uiversidade Federal de Mato Grosso Probabilidade e Estatística - Curso: Egeharia Civil Itrodução à Iferêcia Estatística - Prof a Eveliy Vimos o iício do curso como resumir descritivamete variáveis
Leia mais1. Dados: Deve compreender-se a natureza dos dados que formam a base dos procedimentos
9. Testes de Hipóteses 9.. Itrodução Uma hipótese pode defiir-se simplesmete como uma afirmação acerca de uma mais populações. Em geral, a hipótese se refere aos parâmetros da população sobre os quais
Leia maisCapítulo 5. CASO 5: EQUAÇÃO DE POISSON 5.1 MODELO MATEMÁTICO E SOLUÇÃO ANALÍTICA
Capítulo 5. CASO 5: EQUAÇÃO DE POISSON No presete capítulo, é abordado um problema difusivo uidimesioal com absorção de calor (Icropera e DeWitt, 199, o que resulta uma equação de Poisso, que é uma equação
Leia maisEstimação por Intervalo (Intervalos de Confiança):
Estimação por Itervalo (Itervalos de Cofiaça): 1) Itervalo de Cofiaça para a Média Populacioal: Muitas vezes, para obter-se a verdadeira média populacioal ão compesa fazer um levatameto a 100% da população
Leia maisObjetivo. Estimar a média µ de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra.
ESTIMAÇÃO PARA A MÉDIAM Objetivo Estimar a média µ de uma variável aleatória X, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Exemplos: µ : peso médio de homes
Leia maisDERIVADAS DE FUNÇÕES11
DERIVADAS DE FUNÇÕES11 Gil da Costa Marques Fudametos de Matemática I 11.1 O cálculo diferecial 11. Difereças 11.3 Taxa de variação média 11.4 Taxa de variação istatâea e potual 11.5 Primeiros exemplos
Leia maisINFERÊNCIA ESTATÍSTICA
i UNIVERSIDADE FEDERAL FLUMINENSE INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA INFERÊNCIA ESTATÍSTICA Aa Maria Lima de Farias Outubro 2008 Coteúdo 1 Iferêcia Estatística - Coceitos Básicos 1 1.1
Leia mais5 Teoria dos Valores Extremos
Teoria dos Valores Extremos 57 5 Teoria dos Valores Extremos A Teoria dos Valores Extremos vem sedo bastate utilizada em campos ligados a evetos raros. Sua estatística é aplicada a estimação de evetos
Leia maisObjetivo. Estimar a média de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra.
Objetivo Estimar a média de uma variável aleatória X, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Exemplos: : peso médio de homes a faixa etária de 20 a 30 aos,
Leia maisEstimação da média populacional
Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa
Leia maisStela Adami Vayego DEST/UFPR
Resumo 3 Resumo dos dados uméricos por meio de úmeros. Medidas de Tedêcia Cetral A tedêcia cetral da distribuição de freqüêcias de uma variável em um cojuto de dados é caracterizada pelo valor típico dessa
Leia maisAMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM
6 AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM Quado se pretede estudar uma determiada população, aalisam-se certas características ou variáveis dessa população. Essas variáveis poderão ser discretas
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) PROJETO FATORIAL 2 k COMPLETO E REPLICADO. Dr. Sivaldo Leite Correia
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) PROJETO FATORIAL 2 k COMPLETO E REPLICADO Dr. Sivaldo Leite Correia CONCEITOS, LIMITAÇÕES E APLICAÇÕES Nos tópicos ateriores vimos as estratégias geeralizadas para
Leia maisENGENHARIA DA QUALIDADE A ENG AULA 3 TEOREMA DO LIMITE CENTRAL INTRODUÇÃO AO CONTROLE ESTATÍSTICO DE PROCESSO
ENGENHARIA DA QUALIDADE A ENG 09008 AULA 3 TEOREMA DO LIMITE CENTRAL INTRODUÇÃO AO CONTROLE ESTATÍSTICO DE PROCESSO PROFESSOR: CARLA SCHWENGBER TEN CATEN Teorema do limite cetral A soma (e sua média) de
Leia maisEstimação de Parâmetros. 1. Introdução
Estimação de Parâmetros. Itrodução O objetivo da Estatística é a realização de iferêcia acerca de uma população, baseadas as iformações amostrais. Como as populações são caracterizados por medidas uméricas
Leia maisSéquências e Séries Infinitas de Termos Constantes
Capítulo Séquêcias e Séries Ifiitas de Termos Costates.. Itrodução Neste capítulo estamos iteressados em aalisar as séries ifiitas de termos costates. Etretato, para eteder as séries ifiitas devemos ates
Leia maisStela Adami Vayego DEST/UFPR
Resumo 3 Resumo dos dados uméricos por meio de úmeros 1. Medidas de Tedêcia Cetral A tedêcia cetral da distribuição de freqüêcias de uma variável em um cojuto de dados é caracterizada pelo valor típico
Leia maise, respectivamente. Os valores tabelados para a distribuição t-student dependem do número de graus de liberdade ( n 1 e
Prof. Jaete Pereira Amador 1 1 Itrodução Um fator de grade importâcia a pesquisa é saber calcular corretamete o tamaho da amostra que será trabalhada. Devemos ter em mete que as estatísticas calculadas
Leia maisEstimação de parâmetros da distribuição beta-binomial: uso do programa SAS e uma aplicação a dados obtidos da Escala P-DUREL
Estimação de parâmetros da distribuição beta-biomial: uso do programa SAS e uma aplicação a dados obtidos da Escala P-DUREL Diorgies Herculao da Silva Itrodução Edso Zagiacomi Martiez O modelo beta-biomial
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL 1. Itrodução. Teorema Cetral do Limite 3. Coceitos de estimação potual 4. Métodos de estimação potual 5. Referêcias Estatística Aplicada à Egeharia 1 Estatística
Leia maisLista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas
. ANPEC 8 - Questão Seja x uma variável aleatória com fução desidade de probabilidade dada por: f(x) = x, para x f(x) =, caso cotrário. Podemos afirmar que: () E[x]=; () A mediaa de x é ; () A variâcia
Leia maisO QUE HÁ DE ERRADO COM O MERCADO ACIONÁRIO BRASILEIRO? - COMPARAÇÃO ENTRE OS RETORNOS MÉDIOS DO IBOVESPA E DO CDI NO PERÍODO DE 1986 A 2004
V I I S E M E A D P E S Q U I S A Q U A N T I T A T I V A F I N A N Ç A S O QUE HÁ DE ERRADO COM O MERCADO ACIONÁRIO BRASILEIRO? - COMPARAÇÃO ENTRE OS RETORNOS MÉDIOS DO IBOVESPA E DO CDI NO PERÍODO DE
Leia maisCAPÍTULO 8 - Noções de técnicas de amostragem
INF 6 Estatística I J.I.Ribeiro Júior CAPÍTULO 8 - Noções de técicas de amostragem. Itrodução A Estatística costitui-se uma excelete ferrameta quado existem problemas de variabilidade a produção. É uma
Leia maisObjetivos. Testes não-paramétricos
Objetivos Prof. Lorí Viali, Dr. http://www. ufrgs.br/~viali/ viali@mat.ufrgs.br Testar o valor hipotético de um parâmetro (testes paramétricos) ou de relacioametos ou modelos (testes ão paramétricos).
Leia maisO teste de McNemar. A tabela 2x2. Depois - Antes
Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br O teste de McNemar O teste de McNemar para a sigificâcia de mudaças é particularmete aplicável aos experimetos do tipo "ates e depois"
Leia maisCÁLCULO I. Exibir o cálculo de algumas integrais utilizando a denição;
CÁLCULO I Prof Edilso Neri Júior Prof Adré Almeida Aula o 9: A Itegral de Riema Objetivos da Aula Deir a itegral de Riema; Exibir o cálculo de algumas itegrais utilizado a deição; Apresetar fuções que
Leia mais; 2N 2N.! " j %.(1 & q)2 N & j.q j. j!(2n & j)!
DERIVA GENÉTICA Seja uma população de tamaho fiito N, costate ao logo das gerações; sejam aida p e q as freqüêcias dos alelos A e a de um loco autossômico a geração ; como o tamaho da população é costate,
Leia maisESTATÍSTICA. PROF. RANILDO LOPES U.E PROF EDGAR TITO
ESTATÍSTICA PROF. RANILDO LOPES http://ueedgartito.wordpress.com U.E PROF EDGAR TITO Medidas de tedêcia cetral Medidas cetrais são valores que resumem um cojuto de dados a um úico valor que, de alguma
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL E MEDIDAS DE DISPERSÃO Í N D I C E
MEDIDAS DE TENDÊNCIA CENTRAL E MEDIDAS DE DISPERSÃO Í N D I C E Medidas de Tedêcia Cetral Itrodução... 1- Média Aritmética... - Moda... 3- Mediaa... Medidas de Dispersão 4- Amplitude Total... 5- Variâcia
Leia mais3 Técnica de Traçado de Raios 3.1. Introdução
3 Técica de Traçado de Raios 3.. Itrodução Uma técica de traçado de raios aplicada à rádio-propagação cosiste a aálise, com base os resultados da ótica geométrica, da propagação de odas de rádio-freqüêcia
Leia maisMaterial Teórico - Módulo de ESTATÍSTICA. As Diferentes Médias. Primeiro Ano do Ensino Médio
Material Teórico - Módulo de ESTATÍSTICA As Diferetes Médias Primeiro Ao do Esio Médio Autor: Prof Atoio Camiha Muiz Neto Revisor: Prof Fracisco Bruo Holada Nesta aula, pausamos a discussão de Estatística
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UB FUB/0 fa 5 4 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B correspode ao quartil cetral (Q ) da distribuição A.
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Teste de Hipótese
Estatística: Aplicação ao Sesoriameto Remoto SER 4 - ANO 18 Teste de Hipótese Camilo Daleles Reó camilo@dpi.ipe.br http://www.dpi.ipe.br/~camilo/estatistica/ Estimação de Parâmetros Como já foi visto,
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Esperaça de uma Variável Aleatória 1 1.1 Variáveis aleatórias idepedetes........................... 1 1.2 Esperaça matemática................................. 1 1.3 Esperaça de uma Fução de
Leia maisDistribuições de Estatísticas Amostrais e Teorema Central do Limite
Distribuições de Estatísticas Amostrais e Teorema Cetral do Limite Vamos começar com um exemplo: A mega-sea de 996 a N 894 úmeros de a 6: Média: m 588 Desvio padrão: 756 49 amostras de 6 elemetos Frequêcia
Leia maisEstudando complexidade de algoritmos
Estudado complexidade de algoritmos Dailo de Oliveira Domigos wwwdadomicombr Notas de aula de Estrutura de Dados e Aálise de Algoritmos (Professor Adré Bala, mestrado UFABC) Durate os estudos de complexidade
Leia maisExercício: Mediu-se os ângulos internos de um quadrilátero e obteve-se 361,4. Qual é o erro de que está afetada esta medida?
1. Tratameto estatísticos dos dados 1.1. TEORIA DE ERROS O ato de medir é, em essêcia, um ato de comparar, e essa comparação evolve erros de diversas origes (dos istrumetos, do operador, do processo de
Leia maisAmostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?
Amostras Aleatórias e Distribuições Amostrais Probabilidade e Estatística: afial, qual é a difereça? Até agora o que fizemos foi desevolver modelos probabilísticos que se adequavam a situações reais. Por
Leia maisAvaliação de Desempenho de Sistemas Discretos
Distribuições Comus Avaliação de Desempeho de Sistemas Discretos Probabilidade e Estatística 2 Uiforme Normal Poisso Hipergeométrica Biomial Studet's Geométrica Logormal Expoecial Beta Gamma Qui-Quadrado
Leia maisPROVA 1 27/10/ Os dados apresentados na seqüência mostram os resultados de colesterol
PROVA 1 7/10/009 Nome: GABARITO 1. Os dados apresetados a seqüêcia mostram os resultados de colesterol mg /100ml em dois grupos de aimais. O grupo A é formado por 10 total ( ) aimais submetidos a um cotrole
Leia maisINFERÊNCIA. Fazer inferência (ou inferir) = tirar conclusões
INFERÊNCIA Fazer iferêcia (ou iferir) = tirar coclusões Iferêcia Estatística: cojuto de métodos de aálise estatística que permitem tirar coclusões sobre uma população com base em somete uma parte dela
Leia maisIntervalos Estatísticos para uma única Amostra - parte II
Itervalos Estatísticos para uma úica Amostra - parte II Itervalo de cofiaça para proporção 2012/02 1 Itrodução 2 3 Objetivos Ao fial deste capítulo você deve ser capaz de: Costruir itervalos de cofiaça
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Teoria da amostragem
Estatística: Aplicação ao Sesoriameto Remoto SER 04 - ANO 017 Teoria da amostragem Camilo Daleles Reó camilo@dpi.ipe.br http://www.dpi.ipe.br/~camilo/estatistica/ Algumas Cosiderações... É importate ter
Leia maisAnálise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos
Aálise de Algoritmos Aálise de Algoritmos Prof Dr José Augusto Baraauskas DFM-FFCLRP-USP A Aálise de Algoritmos é um campo da Ciêcia da Computação que tem como objetivo o etedimeto da complexidade dos
Leia maisMétodos de Amostragem
Métodos de Amostragem Amostragem aleatória Este é o procedimeto mais usual para ivetários florestais e baseia-se o pressuposto de que todas as uidades amostrais têm a mesma chace de serem amostradas a
Leia maisIntrodução ao Qui-Quadrado
Técicas Laboratoriais de Física Lic. Física e g. Biomédica 007/08 Capítulo X Teste do Qui-quadrado, Itrodução ao qui-quadrado Defiição geral do qui-quadrado Graus de liberdade e reduzido abilidade do 66
Leia maisA DESIGUALDADE DE CHEBYCHEV
A DESIGUALDADE DE CHEBYCHEV Quado se pretede calcular a probabilidade de poder ocorrer determiado acotecimeto e se cohece a distribuição probabilística que está em causa o problema, ão se colocam dificuldades
Leia maisLista 9 - Introdução à Probabilidade e Estatística
Lista 9 - Itrodução à Probabilidade e Estatística Desigualdades e Teoremas Limites 2.=000. 1 Um ariro apota a um alvo de 20 cm de raio. Seus disparos atigem o alvo, em média, a 5 cm do cetro deste. Assuma
Leia maisO PROBLEMA DE TRANSPORTES SOB A ÓTICA DOS MODELOS DE EQUILÍBRIO ESPACIAL DE MERCADO
O PROBLEMA DE TRANSPORTES SOB A ÓTICA DOS MODELOS DE EQUILÍBRIO ESPACIAL DE MERCADO Sérgio Ferado Mayerle, Dr. UFSC / CTC / EPS - mayerle@eps.ufsc.br - Floriaópolis - SC Thiago Dedavid de Almeida Bastos
Leia maisd) A partir do item c) encontre um estimador não viciado para σ 2.
Uiversidade de Brasília Departameto de Estatística 6 a Lista de PE 1 Seja X 1,, X ) uma AAS tal que EX i ) = µ e VarX i ) = σ 2 a) Ecotre EXi 2 ) e E X 2) b) Calcule EX i X) X i X) 2 c) Se T =, mostre
Leia mais3. Seja C o conjunto dos números complexos. Defina a soma em C por
Eercícios Espaços vetoriais. Cosidere os vetores = (8 ) e = ( -) em. (a) Ecotre o comprimeto de cada vetor. (b) Seja = +. Determie o comprimeto de. Qual a relação etre seu comprimeto e a soma dos comprimetos
Leia maisO PARADOXO DE SIMPSON
O PARADOXO DE SIMPSON Valmir R. Silva Adre Toom PIBIC-UFPE-CNPq Itrodução A aálise cietífica de dados através da modelagem matemática é uma atividade idispesável a Teoria de Decisão. O mesmo coceito é
Leia maisCritérios de correção e orientações de resposta p-fólio
Miistério da Ciêcia, Tecologia e Esio Superior U.C. 037 Elemetos de Probabilidade e Estatística de Juho de 0 Critérios de correção e orietações de resposta p-fólio Neste relatório apresetam-se os critérios
Leia mais