Universidade Federal de Alfenas - Unifal-MG Departamento de Ciências Exatas

Tamanho: px
Começar a partir da página:

Download "Universidade Federal de Alfenas - Unifal-MG Departamento de Ciências Exatas"

Transcrição

1 Uversdade Federal de Alfeas - Ufal-MG Departameto de Cêcas Exatas Apostla Laboratóro de Físca I Prof. Dr. Célo Wsewsk Alfeas 05. oções geras sobre meddas de gradezas e avalação de certezas.. Medção (measuremet)..... Mesurado (measurad) Valor verdadero ou valor do mesurado Erro (error) Icerteza (ucertaty) pos de Icerteza Lmte de operação (LO) e lmte de detecção (LD) Icertezas combadas Icerteza relatva (Xr) e Icerteza percetual (X%) Acuráca ou exatdão ( accuracy ) Precsão ( precso) Medção de gradezas pos de meddas Algarsmos sgfcatvos Propagação de certezas ratameto estatístco e cálculo dos desvos 0.. Peso ou méda poderada..... Comparação etre duas meddas Método Cetífco (Galleu) Gráfcos Regras para costrução de um gráfco Crtéros para traçar a reta mas provável Método dos Mímos Quadrados (MMQ) Qualdade do auste...

2 . oções geras sobre meddas de gradezas e avalação de certezas Os trabalhos de laboratóro ormalmete são realzados com o obetvo de detfcar, quatfcar e estabelecer possíves relações etre duas ou mas gradezas, que tervêm em um feômeo ou processo... Medção (measuremet) A palavra medção é a recomedada para o ato de medr, coforme dcoáro. A palavra medda tem mutos sgfcados o cotdao, como por exemplo, medda sóco-educatva e deve ser evtada... Mesurado (measurad) Mesurado é defdo como a gradeza específca submetda à medção, tas como volume, área, tempo, comprmeto, temperatura, etc. O mesurado pode ser úco ou depeder de outras gradezas correlacoadas. Por exemplo, o volume de um paralelepípedo depederá da medção do comprmeto, da largura e da altura do obeto..3. Valor verdadero ou valor do mesurado É o valor mas próxmo da realdade. ormalmete é o valor da lteratura para um determado mesurado. Por exemplo, se fzermos a medção da carga do elétro (mesurado), para fs ddátcos o valor verdadero será o valor cohecdo da lteratura. a maor parte dos expermetos, o valor verdadero é descohecdo e é o obetvo do expermeto. Em algus expermetos o obetvo é ustamete melhorar o valor cohecdo da gradeza. este caso o que dfereca a medção do valor verdadero é a acuráca ou exatdão do resultado obtdo..4. Erro (error) O erro η é a dfereça etre o resultado y da medção e o valor do mesurado y v (valor verdadero). η = y y v Se o valor do mesurado é uma quatdade descohecda, etão o erro de medção também é uma quatdade descohecda..5. Icerteza (ucertaty) Icerteza é um coceto qualtatvo defdo como parâmetro assocado ao resultado de uma medção que caracterza a dspersão de valores que pode ser fudametadamete atrbuídos ao mesurado. Por

3 exemplo, quado fazemos a medção de tempo utlzado um relógo de poteros, a medção possurá uma certeza de o mímo 0,5 segudos, sto é, a metade da meor escala. Por exemplo: 35,0(5) segudos, ode o úmero etre parêtess dca a certeza assocada de 0,5 s à medção de 35,0 s. Expressões tas como erro aleatóro, erro sstemátco, certeza aleatóra e certeza sstemátca são tradcoalmete usados em físca. Etretato, esta omeclatura ão é recomedada, exceto para fs ddátcos. A ustfcatva para sto é o caráter relatvo do que sea efeto sstemátco ou efeto aleatóro. Um exemplo smples é a certeza cometda o auste de zero de um strumeto, que pode ser sstemátco (quado mprecsamete executado ou esquecdo) para uma sére de medções. Etretato, se o zero é austado para cada medção, a certeza se tora aleatóra. Etretato, deve sempre fcar claro o caráter relatvo da dstção etre certeza aleatóra e certeza sstemátca..5.. pos de Icerteza Icerteza é um coceto qualtatvo defdo como parâmetro assocado ao resultado de uma medção que caracterza a dspersão de valores que pode ser fudametadamete atrbuídos ao mesurado. Como pode ser vsto, erro e certeza são cocetos bastate dferetes. Exstem dos tpos báscos de certeza, a certeza do tpo A e do tpo B. Icerteza tpo A A certeza tpo A é a certeza erete a qualquer expermeto, ão cotrolável, mas que pode ser mmzada. Pode ser avalada a partr da aálse de uma sére de observações, realzada coforme os métodos da estatístca clássca. A certeza padrão (μ A ) pode ser detfcada com o desvo padrão expermetal que é uma estmatva ão-tedecosa da medção. o caso mas smples, a medção é repetda vezes obtedo-se os resultados y, y,..., y. A melhor estmatva para o valor do mesurado é a méda: y = y = A estmatva ão-tedecosa para a certeza tpo A é: µ A = = ( y y ) Icerteza tpo B A certeza tpo B é a certeza avalada por quasquer outros métodos, que ão os métodos estatístcos clásscos. Em geral, para estmar a certeza tpo B, os métodos empregados correspodem á estatístca bayesaa. 3

4 Avalação da certeza tpo B A certeza padrão tpo B também deve ser dada a forma de desvo padrão. Etretato, ão exste a estatístca covecoal para fazer sto, smplesmete porque ão exstem váras observações: Se uma quatdade de etrada X ão é determada por meo de observações repetdas, a certeza tpo B é avalada pelo ulgameto cetífco baseado em toda formação dspoível sobre a varabldade da quatdade de etrada. O couto de formações pode clur dados de experêcas prévas, experêca ou cohecmeto geral do comportameto e propredades dos materas e strumetos relevates, especfcações de fabrcates, dados forecdos em certfcados de calbração e outros certfcados e certezas atrbuídas a dados de referêca obtdos em mauas. Um dos problemas é que a avalação da certeza tpo B é bastate subetva, pos depede, em grade parte, o grau de cohecmeto do avalador sobre o mesurado e a medção. O procedmeto para determação da certeza tpo B cosste em admtr, para os valores possíves de X, uma dstrbução de probabldades que estea de acordo com todo cohecmeto e formação dspoíves sobre a varabldade desta quatdade. O termo varabldade se refere a valores possíves de X, que tem valor úco. A avalação de certeza tpo B correspode ao prcípo cal da estatístca bayesaa, que cosste em admtr uma dstrbução de probabldades a pror para a varável aleatóra. A segur, são dscutdos algus exemplos. etre Dstrbução retagular Como exemplo, uma quatdade de etrada Y está um tervalo Y a Y Y + a, sedo que sto é tudo o que se sabe sobre a varabldade de Y. A úca alteratva acetável é admtr que Y pode estar em qualquer poto do tervalo com gual probabldade. Assm, a melhor estmatva para Y é a méda padrão: ( Y + a) + ( Y a) Y = = Y E a certeza padrão é o desvo padrão da dstrbução retagular: ( + ) ( ) Y a Y a a a = = = 58% da área a partr do valor médo 3 3 Por exemplo: ao fazer uma medda com uma régua de um corpo que tem aproxmadamete 5 mm, o valor pode estar etre 4 e 6 (um traço a dreta ou a esquerda de 5 mm). O tervalo é 5 < Y < 5 +, o valor da medda será 5 (valor médo) e a certeza é 4

5 meddas. = 0,58 (ou 0,58 m) 3 Portato cosdera-se o valor meddo Y = 5, 0 0(0,5 8). Esta certeza estará presete em todas as Dstrbução de Laplace-Gauss (ormal) A dstrbução de Laplace-Gauss, também chamada de gaussaa ou ormal, é bastate usada para represetar a dspersão de valores possíves de uma quatdade. Dferete da dstrbução retagular, os lmtes do tervalo tedem a fto, com a probabldade tededo a zero. Portato, devemos tegrar a fução de probabldade F(k) de x-k até x+k, ode k é a quatdade de desvos padrões a partr do valor médo. a fgura, para o tervalo (x-, x+), sto é k = correspoderá a 95,44% de certeza que a próxma medda está este tervalo, este caso se k = a, a certeza é: a a = =, para uma probabldade de 95% k Este é a abordagem clássca de que a certeza etre duas escalas cosecutvas (como a régua mlmetrada) é gual à metade da escala. Depededo do strumeto, sto ão é verdade. Os strumetos dgtas podem apresetar uma certeza maor, pos além da escala, os equpametos tem o auste de zero e este auste também é uma fote de certeza. Para fs ddátcos, adotaremos essa abordagem de que a certeza é metade da meor escala (95%, de acordo com a dstrbução ormal)..5.. Icertezas combadas será: a maora das vezes um mesurado possurá certezas do tpo A e do tpo B combadas. A certeza X = X + X A B ote que as certezas são sempre em módulo e somadas. ão exste subtração de certezas!!! Quado se faz uma úca medção, X A = 0. 5

6 Por exemplo, se forem fetas medções com uma régua mlmetrada, o resultado será Y = Y ± ( + ) = Y ± ( + 0,5), ode A é a certeza do tpo A (estatístca) e 0,5 a certeza da régua (0,5 A A mm) Icerteza relatva (Xr) e Icerteza percetual (X%) São úmeros puros, admesoas, que caracterzam a exatdão do mesurado: X X X r = X % = 00 = 00 X X X r v 0,5 Exemplo: v = 4,3 ± 0,5 m / s vr = = = 0, e v% = % v 4,3 Em geral, depededo da dfculdade de medção, as certezas acetáves do poto de vsta cetífcos são aquelas abaxo de %..6. Acuráca ou exatdão ( accuracy ) A acuráca (ou exatdão) dca a qualdade do resultado da medção o que se refere á certeza fal, sto é, quado á se sabe o resultado obtdo e qual a certeza deste resultado..7. Precsão ( precso) A precsão é uma dcação parcal da qualdade da medção, que se refere apeas a flutuações aleatóras. Além de boa precsão, é ecessáro que os efetos sstemátcos (certezas costates em todas as medções) seam pequeos para se ter boa acuráca. A palavra precsão (precso) é uversalmete aceta com este sgfcado. Por sso, embora exsta cotrovérsa etre os termos acuráca e exatdão, é admssível traduzr accuracy como precsão ou usar esta palavra para dcar a qualdade da certeza fal de um resultado, o que felzmete tem ocorrdo com freqüêca em mauas téccos e até mesmo em textos cetífcos. Um exemplo é um atrador usado um rfle em dsparos em um alvo. o prmero alvo temos baxa exatdão e baxa precsão, sto é, o rfle é rum e há muta dspersão dos tros. a seguda fgura o rfle é excelete porém as codções de tro e do atrador ão são boas. o caso 3, o rfle ão é muto bom, porém o atrador compesa o tro. o últmo, o atrador é bom e o rfle também. O mesmo ocorre com um strumeto. Se utlzarmos um 6

7 paquímetro (alta precsão) para medr um bloco rregular, o valor do volume terá baxa exatdão devdo ustamete a rregulardade do bloco. Se utlzarmos uma régua para medr um cubo perfeto, teremos baxa precsão do strumeto, porém exatdão o valor do volume. Agora, utlzado um paquímetro para medr este cubo teremos alta precsão e excelete exatdão a medda do volume..7.. Lmte de operação (LO) e lmte de quatzação (LQ) Além da certeza do strumeto de medção, temos ada dos outros lmtes para o strumeto: Lmte de Quatzação (LQ) = é a meor quatdade que pode ser detectada. Lmte de Operação (LO) são os valores máxmos e mímos que o equpameto cosegue medr detro de um tervalo lear. Por exemplo, a balaça do laboratóro tem as segutes especfcações: P máxmo : 400 g P mímo : 0,5 g d: 0,00 g e: 0, g Isto é, o lmte de uso ou operação (LO) da balaça é para massas etre 0,5 e 400 g. O lmte de detecção é de 0, g, que este caso cocde com a certeza (e) da medção, embora a balaça possua 3 dígtos (d: 0,00 g) após a vírgula e capaz de forecer 0,00 g o vsor..7.. Medção de gradezas Medr é comparar com uma udade padrão. Desta forma ao represetar uma gradeza escalar ou vetoral ecesstamos especfcar:. um símbolo ou ome para a gradeza. um úmero (ou módulo) que especfca a quatdade em termos do padrão; 3. dreção e setdo, quado se tratar de uma gradeza vetoral. 4. uma udade padrão; Por exemplo, ao se medr a velocdade de um obeto v = 0ι( ˆ m / s), devemos ter um ome ou símbolo (velocdade ou v ), um úmero (0), uma udade (m/s) e dreção e setdo ( ˆ +ι ). 7

8 O valor umérco em uma medda expermetal será sempre um valor aproxmado, pos é evtável a ocorrêca de certezas, seam aleatóras, devdo ao expermetador, ao strumeto utlzado ou de gradezas que ão podem ser efcetemete cotroladas durate o expermeto. Por exemplo: ao medr a velocdade precsamos medr o tempo, com um croômetro acoado por um observador, para percorrer uma dstâca medda com um metro, trea ou régua. eremos mprecsão o acoameto do croômetro, a medda da dstâca, o strumeto utlzado, e em outras gradezas que ão podem ser dretamete avaladas como a ação das forças de atrto, resstêca do ar, etc. Portato, além da apresetação do valor e padrões, devemos especfcar a cofabldade ou precsão da medda. A apresetação da certeza ão sgfca ecessaramete que o expermetador ão fo cudadoso, mas que a strumetação tem uma precsão tríseca assocada e é uma garata ou margem de seguraça que deve ser respetada ao se utlzar este úmero. Portato, deve-se apresetar o valor da gradeza medda a forma: v = ( 0, 0 ± 0,03) ˆι m / s (valor ± certeza) dreção udade v = (00 ± 3)x0 ˆι m / s v = 0, 0(0, 03)ι ˆ m / s v = 0, 0(3)ι ˆ m / s formato mas compacto, padrão da dscpla odas estas formas são adequadas e a escolha depede das ormas do edtor ou ormas padrão (AB) pos de medção Medda dreta: aquela obtda dretamete do vsor do equpameto ou observação da escala. Ex.: comprmeto, tempo, massa, temperatura. Medda dreta: aquela obtda através de cálculos matemátcos a partr de outras gradezas. Ex.: velocdade (tempo e dstâca), volume (comprmeto, altura, largura), desdade (massa e volume), etc..8. Algarsmos sgfcatvos São cosderados algarsmos sgfcatvos de uma medção todos aqueles que dvdualmete tem algum sgfcado. ão exste uma regra geral para o úmero de úmeros sgfcatvos, mas, em geral adota se algarsmos sgfcatvos, va de regra. a) X = 3, 456 X =,345 X = 3,5 ±,4 ou X = 3,5 (,4) b) X = 0, 48 X = 0,3 X = 0, 48 ± 0, 3 ou X = 0, 48( 3) ( ) c) X = 03,45 X = 67, X =, 0 ± 0, 7 0 ou X =, 0( 3)

9 ote que o úmero prcpal acompaha a mesma estrutura da certeza, sto é, o tem a, a certeza tem uma casa decmal e úmeros sgfcatvos, logo o valor de X possurá casa decmal, como a certeza. Quato ao arredodameto, deve se observar as segutes regras: A certeza (ΔX) deve ser arredodada para cma O valor médo (X) deve ser arredodado para o úmero mas próxmo. Exste uma dscussão sobre a valdade destas regras, porém em ível ddátco atedem as expectatvas..9. Propagação de certezas Ao realzar uma medda dreta, devemos levar em cota a certeza de cada gradeza medda. Esta certeza rá se propagar em todos os cálculos matemátcos. Se uma gradeza dreta Q depeder de váras varáves meddas a ± a, b ± b, c ± c,..., com suas respectvas certezas, podemos escrever: Q = f ( a ± a, b ± b, c ± c,...) Por exemplo, a área de um retâgulo de lados a = a ± a e b = b ± b é A = ab, qual a certeza A assocada a medda da área?? Para calcular, cosderemos que a certeza Q assocada à gradeza Q pode ser calculado a partr do cálculo dferecal, sto é, calculado-se a dervada parcal de Q em relação a cada uma das varáves. Q Q Q dq = da + db + dc +... a b c Q Q Q Ode,,,... são as dervadas parcas de Q em relação a cada uma das varáves. a b c Se as certezas forem sufcetemete pequeas, podemos substtur a dervada de cada varável pelas respectvas certezas, sto é, dq Q, da a, db b, dc c,... E como as certezas sempre se somam, tomamos o módulo de cada termo Q Q Q Q = a + b + c +... a b c Por exemplo: 9

10 Área A = ab A A A A da = da + db A = a + b a b a b Fazedo a dervada da área em relação a a e b : A A = b e = a A = b a + ab a b Portato: A = ab ± b a + ab [ ] A certeza relatva da área é: A a b Arel = = + A a b Se a gradeza Q depeder de váras varáves a forma: m k Q( a, b, c,...) = Aa b c... Q a b c a b c = m + + k +... ou Q = m k... Q Q a b c a b c Exemplo: calcule o volume de uma esfera de rao R = 34,5 ± 0, O volume da esfera é V = π R = 5475,5π V = AR V = V R 0, V = 3 V = ,5π = 95,5π V = 9, 6π 0 R 34,5 ( ) V = 547, 9,6 π 0 R R. ratameto estatístco e cálculo dos desvos Em um expermeto, do poto de vsta estatístco, todas as meddas tem a mesma mportâca. O tratameto estatístco mas comum é a determação da méda artmétca dos dados. Se meddas são fetas, etão o valor médo de uma gradeza X é: X X = = Ex.: X = ( ) = 4, para 3 valores de x (5,3 e 4) 3 O desvo estatístco (certeza) assocado a cada medda é: X = X X ( est) o exemplo acma: X ( ) = X X { } est ; ; 0 para os valores 5, 3 e 4 0

11 O desvo médo absoluto é: X = X = X X ( ) est est = = Ex.: para o exemplo ateror, X = , = 3 A certeza é obtda a partr do desvo padrão X A = X X ( ) = para o exemplo ateror, X A = ( 5 4) + ( 3 4) + ( 4 4) 3 ote que o valor é meor que o desvo médo absoluto. Portato a gradeza X podera ser represetada como X = 4± ou X = 4().. Peso ou méda poderada Em algumas stuações, o valor da certeza assocado a medções dvduas é dferete para cada medda, por exemplo, meddas fetas com equpametos dferetes ou expermetadores. este caso utlzamos a méda poderada com a qual podemos atrbur um grau de mportâca a cada medda. A méda poderada e o desvo absoluto de uma gradeza X serão calculados pelas expressões: p X p X + p X p X X = = e X = ode, p = p + p + + p p X =... p = = X ( X ) = ou X = e X = ( X ) ( X ) = = ( ) X = X ± X ote que o peso p é versamete proporcoal ao desvo ao quadrado de cada medda, sto é, quato mas precsa a medda, maor o peso. Ex.: supoha que o comprmeto de um láps teha sdo obtdo por uma régua mlmetrada e por uma trea cetmetrada. A certeza da régua é 0,5 mm equato que a medção com trea é de 0,5 cm = 5 mm. Os dos valores meddos, portato, são: Régua c = 50,5 ± 0,5 e rea c = 50 ± 5 mm (ou 5,0 ± 0,5 cm).

12 Portato, a méda poderada é: p = = 4 p = = 0,04 rea ( 0,5) ( 5) R égua prégua X Régua + prea X rea 4.50,5 + 0,04.50 X = = 50, 495 p + p 4 + 0,04 Régua rea A certeza da medção é : X = = 0, 498 p + p 4 + 0,04 Régua rea Como X r 0, 0033 < 0, 0 etão : X = 50,50 ± 0,50.. Comparação etre duas medções ou valores Quado queremos comparar um resultado expermetal X com um valor da lteratura L (valor verdadero), devemos calcular o desvo relatvo ou percetual, sto é: D r X L X L = D% = 00 L L X L A cocordâca etre os dos valores é dado por: C = 00 D% = 00 L.3. Método Cetífco (Galleu??) O Método Cetífco, para um sstema com varáves, cosste em fxar (-) varáves e determar o comportameto das duas varáves restates. Por exemplo, se uma gradeza dreta a ser determada F depeder explctamete de x, y e z, a forma: L M K F( x, y, z) = Ax y z A = Cte Podemos fxar as varáves y e z e determar F em fução de X. Faz-se o mesmo para as demas varáves. Para learzar os dados e determar o valor da potêca, podemos calcular o l da fução e obter uma equação de reta. L M K F = Bx B = Ay z = Cte l F = l B + L l x y = ax + b ode y = l F, a = L, b = l B E assm obter, a partr do gráfco da reta y = ax + b, os valores das potêcas de cada varável.

13 3. Gráfcos A melhor maera de vsualzar o comportameto de uma gradeza e se obter o seu valor é através da costrução de uma gráfco. uma fgura mostra mas do que palavras Para se costrur um gráfco devemos prmero verfcar o tpo de gráfco que melhor represeta uma medda. Em geral, um gráfco de lhas é utlzado, mas podemos utlzar coluas, pzza, etc. Além dsso, devemos destacar sempre as meddas e ão a fgura como um todo. Por exemplo: velocdade (m/s). 0.9 Sére tempo (s) Velocdade (m/s) Velocdade do Carrho x empo empo (s) A fgura da dreta evdeca a curva. O gráfco é lmpo, sem efetes e sem chamar ateção para detalhes rrelevates. O gráfco da esquerda, por outro lado, abusa de cores, peca por usar legeda muto destacada, lhas de grade que escodem a curva e as escalas do gráfco (valores umércos) são apresetados em excesso. 3.. Regras para costrução de um gráfco Prmeramete devemos escolher os exos: ormalmete colocamos a varável o exo horzotal (abscssas) e a gradeza medda o exo vertcal (ordeada), como mostrado a fgura acma. A escala do gráfco deve ser escolhda de forma que os valores colocados em cada exo teham poucos algarsmos e seam, sempre que possível, arredodados. Por exemplo: dada a tabela abaxo, empo (s) Velocdade (m/s) 0,34,54 0,3 3 30,3 4 56,7 5 0,3 6 -, 7-0,54 3

14 O tempo (varável) será colocado o exo das abscssas. Devemos colocar 4 ou 5 valores as escalas do gráfco. Se dvdrmos 7 por 4 ou 5 ão coseguremos úmeros redodos, logo procuramos um úmero maor que 7 que possa ser dvddo por 4 ou 5. este caso, o úmero 8 é o deal e dvddo por 4 é gual a. Já o valor da velocdade vara de -0 a 56,7, sto é, uma varação de 66,7. arredodar para 80, sto é, -0 a 70. O gráfco etão é: este caso devemos o gráfco acma temos duas costates mportates:. Degrau: a dfereça etre dos valores cosecutvos a escala. O degrau da escala y é 0 e da escala x é Passo: a dstâca em escala de comprmeto. O passo as duas escalas é de,5 cm. Os dados expermetas devem ser colocados o gráfco com as marcas, ou outros tpos de marcas. O tamaho da marca pode especfcar a certeza assocada àquela medda, como o gráfco abaxo. 5 Velocdade x empo 0 Velocdade (m/s) empo (s) 4

15 A barra colocada sobre o poto expermetal dca a certeza cometda a medção. ote que a certeza aumeta, este caso, com o aumeto da velocdade. O últmo poto possu valor de velocdade gual a m/s, mas a certeza assocada é de aproxmadamete 5 m/s, sto é, v = ± 5 m/s. o gráfco abaxo é mostrado um outro tpo de escala. A escala logarítmca. Ambos os exo apresetam a escalas em múltplos de Quado a somete uma escala é logarítmca, dzemos que o gráfco é moo-log, mas se ambas forem logarítmcas, o gráfco é chamado de d-log. Este tpo de gráfco é útl para demostrar uma gradeza que cresce expoecalmete. O equvalete do gráfco acma em escala lear é: ote que o uso da escala logarítmca torou a lha de dados uma reta. A colocação do valores se faz utlzado a segute dstrbução. O valor x =,3 e y = 7 é mostrado através da bolha preta. ote que a escala logarítmca ão começa em zero!! Porquê? 5

16 odos os dados que cuo gráfco é uma reta, podemos assocar uma equação de reta a forma y = ax + b, ode a é o coefcete agular da reta e b o coefcete lear. O coefcete lear é obtdo fazedo x = 0 o gráfco (e a equação) e aotado-se o valor de y = b. Já o coefcete agular é obtdo pegado-se a tagete do trâgulo formado etre a abscssa e dos potos o gráfco. oda fução que possua varáves com expoete dferete de zero, podem ser covertdos em uma reta tomado-se o logartmo da fução. Por exemplo: Q = Cz y = l Q = l z + l C = ax + b sto é x = l z, a =, b = l C Desta forma, podemos calcular o valor de colocado os dados em um gráfco d-log, a partr da reta obtda. 3.. Crtéros para traçar a reta mas provável Exstem dos métodos prcpas, o Vsual e o Método dos Mímos Quadrados.. Vsual: traçamos uma reta que mas se aproxme dos dados expermetas. este método, podemos observar se um poto está muto fora do comportameto dos demas e podemos descosderá-lo ao traçar a reta. 6

17 4. Método dos Mímos Quadrados (MMQ) a fgura abaxo, temos duas curvas, uma represetada por potos (bolhas) e outra por uma lha cotíua. As bolhas são os dados expermetas e a lha é o auste de uma curva aos dados expermetas. Yexpermetal, Yauste 8 7,5 7 6,5 6 Chamamos o dado expermetal de Y, ode = até, o úmero de potos ou de medções. A curva austada é uma fução da varável medda, sto é, Y Y ( x) =. Mas como obter essa fução a partr dos dados expermetas? Para determar a curva, prmeramete defmos o tpo de curva. o exemplo da fgura, é uma reta a forma Y ( x) = ax + b. Como temos x e y, as coordeadas de cada poto, temos que calcular os coefcetes a (coefcete agular) e b (coefcete lear). Para obter os coefcetes, utlzamos o Método dos Mímos Quadrados (MMQ). Este método cosste em fazer o quadrado da dfereça etre o valor expermetal e o valor obtdo pela curva austada mímo. Portato a determação dos coefcetes da curva deve ser tal que o quadrado da dfereça, ou a certeza sea míma. Portato, somado todos os quadrados das certezas = Y = dado expermetal Y Y ( x ) sea mímo Y ( x ) = valor calculado pela fução austada Para calcular o valor de máxmo ou mímo devemos dervar esta expressão e gualar a zero. ( ) Y Y x = 0, ode a é o coefcete a ser calculado. a = Portato, ao dervar em relação à varável a e gualar a zero, ecotramos o valor de a para que a dfereça das certezas ao quadrado sea míma ou a fução que mas se aproxma aos dados expermetas. Para smplfcar, vamos cosderar o caso mas smples ou uma reta. este caso Y ( x ) = ax + b. Logo, temos dos valores a serem determados, a e b. Portato: Dados Expermetas Curva Austada 5, ( ) ( ) y y x = y ax + b = = X Esta equação possu duas varáves, logo temos duas dervadas: 7

18 a y ( ax + b) = 0 e y ( ax + b) = 0 = b = Quado dervamos em relação a a, b é uma costate, e em relação a b, a é uma costate. d d formulas: para f ( x) f = f f dx dx d d e ( ax) = a x = a dx dx em relação a a a = ( ) y ax + b = 0 y ( ax + b) = y ( ax + b) y ( ax + b) = 0 = a = a ( ) ( ) ( ) y ax + b x = x y + x ax + b = 0 = = = + = = = = a x b x x y em relação a b b = ( ) y ax + b = 0 () = b = b = y a x b = 0, mas = = = = = y ( ax + b) = y ( ax + b) y ( ax + b) = y ( ax + b) = 0 a x + b = y = = () De () e de () solamos a e b x y x y x y x y x a = = = = = = = = = e b x x x x = = = = a = e b = x y x y x y x y x = = = = = = = = = = x x 8

19 Através de tratametos estatístcos, podemos obter as cetezas. O desvo padrão de cada coefcete pode ser escrto como: ( y y) =, mas ( ) desvo padrão, a b a = y e b = y y = y = = = y y = = a b e, portato a = ( a), b = ( b) ou ( a) = e ( b) = y y Somado os desvos de todos os potos temos: a ( a) = e ( b) = y b y Como = x x ão depede explctamete de y, etão é uma costate e: = = a b y y y y Porém y = 0 para e y =, y y = x y x y e = x y x y x = = = = = = = Etão x y = x pos para as demas dervadas são ulas, e portato: y a b = x x = x x x y ( a) = = e, e: = y = = x x e ( b) = x, x x = = = = = sabedo que x = x, () = e x x = = = = = = ( a) = x x x + x = = = ( a) = x x ( ) x x b x x x x + = + x = = = = = = = = = ( a) = x x = = ( a) = a = ( b) = x x x = = = x ( b) = x x x = = = ( b) = x = b = x = a = 9

20 ( y y) a b a = y e b = y y = y = = = y y =, mas ( ) desvo padrão, = = a b e, portato a = ( a), b = ( b) ou ( a) = e ( b) = y y Somado os desvos de todos os potos temos: a ( a) = e ( b) = y b y Como = x x ão depede explctamete de y, etão é uma costate e: = = a b y y y y Porém y = 0 para e y =, y y Etão x y = x pos para as demas dervadas são ulas, e portato: y a b = x x = x x x y ( a) = e, e: = y = = = x y x y e = x y x y x = = = = = = = = x x e ( b) = x, x x = = = = = sabedo que x = x, () = e x x = = = = = = ( a) = x x x + x ( b) = x = = = x = = = ( a) = x x x + x = = = = ( a) = x x = = ( a) = a = ( b) = x x x x + x x = = = = = ( b) = x x x = = = ( b) = x = b = x a x = = = x Se a equação de reta passar obrgatoramete pelo zero (orgem), sto é, b=0, etão podemos smplfcar para: 0

21 x y ( ax y ) = = e a x ( ) x = = a = = 4.. Qualdade do auste A qualdade do auste é obtda pelo coefcete de determação R : ( ax + b y ) = ( y y ) = R =, ode y é o valor médo y = y = ote que o cálculo é feto em toro do valor médo, o umerador em fução da equação calculada (ax +b) e o deomador em fução dos dados expermetas y. Sabedo que: ( ) = ( ) + ( + ) y y y ax b a x b y e = = = y y = y y y + y = y y y + y ( ) = = = = = = A equação para R pode ser escrta: R = = ( y ax b) y y = = O auste deal ocorre quado R =. Um bom auste R > 0,9 etre F e x? Por exemplo, fo feta a medda da força F para estcar uma mola de uma quatdade x. Qual a relação medda x (m) F () x F x ,0 0, 0,00 0, ,04 0,9 0,0076 0, ,06 0,3 0,09 0, ,08 0,38 0,0304 0, , 0,0594 0,0 =

22 Supodo que a relação é uma equação de reta, a fução é: F( x ) = ax com b = 0. ote que este caso a reta passa obrgatoramete pelo zero, etão: xf = 0,0594 a = = = 4,95 0,0 x = Portato, F( x) = 4,95x Comparado com a equação de restauração da mola F( x) elástca k=4,95. = kx, verfcamos que a mola possu uma costate O cálculo pode ser geeralzado para qualquer polômo, utlzado o cálculo matrcal, sto é: ( ) X X C = ode: X Y C é a matrz de coefcetes da equação a serem determados; X é a matrz da varável e potecas da var ável e X a matraz trasposta de X; Y é a matrz de valores da varável depedete. 0 0 Por exemplo, o caso do auste de uma reta a forma y = ax + b etão, y = ax + bx x = x x x y 0 0 a x x x y C =, X = = e Y = b 0 x x x y Desta forma, para determar C X Y C = = X Y( X X), ode ( X X) é a matrz versa de X X X X Por exemplo, se cosderarmos os dados da tabela ateror, temos: 0 0 0,0 0, a 0,04 C =, X = e 0,9 b Y = 0,06 0,3 0,08 0,38 0 x x

23 A matrz trasposta de X é a troca de lha por colua : X 0 0,0 0,04 0,06 0,08 = O produto X X é 0 0,0 0 0,0 0,04 0,06 0,08 0,0 0, X X = 0,04 = 0, 5 0,06 0,08 A matrz versa de X X é : ( X X) 50 0 = 0 0,6 O produto X Y é: 0 0, 0 0, 0 0, 04 0, 06 0, 08 0, , , , , 0594 X Y = 0,9 = 0,3 0,38 logo, a matrz dos coefcetes C é a , , , , , ,85 C = = ( X X) X Y = = b 0 0, 6 0, 006 ou y = 4,85x + 0, 006 3

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS ANÁLISE DE ERROS A oservação de um feómeo físco ão é completa se ão pudermos quatfcá-lo. Para é sso é ecessáro medr uma propredade físca. O processo de medda cosste em atrur um úmero a uma propredade físca;

Leia mais

Construção e Análise de Gráficos

Construção e Análise de Gráficos Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

Noções Básicas de Medidas e Algarismos Significativos

Noções Básicas de Medidas e Algarismos Significativos Noções Báscas de Meddas e Algarsmos Sgfcatvos Prof. Theo Z. Pava Departameto de Físca - Faculdade de Flosofa, Cêcas e Letras de Rberão Preto-USP Físca Acústca Motvações Quas são os padrões de meddas? Podemos

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL I

MEDIDAS DE TENDÊNCIA CENTRAL I Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE

Leia mais

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS 7 6 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS A medção dreta é aquela cuja dcação resulta aturalmete da aplcação do sstema de medção sobre o mesurado Há apeas uma gradeza de etrada evolvda

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

d s F = m dt Trabalho Trabalho

d s F = m dt Trabalho Trabalho UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução

Leia mais

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama

Conceitos básicos de metrologia. Prof. Dr. Evandro Leonardo Silva Teixeira Faculdade UnB Gama Prof. Dr. Evadro Leoardo Slva Teera Faculdade UB Gama Metrologa: Cêca que abrage os aspectos teórcos e prátcos relatvos a medção; Descreve os procedmetos e métodos para determar as certezas de medções;

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. É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. val@mat.ufrgs.r http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

Difusão entre Dois Compartimentos

Difusão entre Dois Compartimentos 59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão

Leia mais

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:

Leia mais

MÉTODO DOS MÍNIMOS QUADRADOS

MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS MÍNIMOS QUADRADOS I - INTRODUÇÃO O processo de medda costtu uma parte essecal a metodologa cetífca e também é fudametal para o desevolvmeto e aplcação da própra cêca. No decorrer do seu curso

Leia mais

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato

Leia mais

Apêndice 1-Tratamento de dados

Apêndice 1-Tratamento de dados Apêdce 1-Tratameto de dados A faldade deste apêdce é formar algus procedmetos que serão adotados ao logo do curso o que dz respeto ao tratameto de dados epermetas. erão abordados suctamete a propagação

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

Cap. 5. Testes de Hipóteses

Cap. 5. Testes de Hipóteses Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Métodos iterativos. Capítulo O Método de Jacobi

Métodos iterativos. Capítulo O Método de Jacobi Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método

Leia mais

Distribuições de Probabilidades

Distribuições de Probabilidades Estatístca - aulasestdstrnormal.doc 0/05/06 Dstrbuções de Probabldades Estudamos aterormete as dstrbuções de freqüêcas de amostras. Estudaremos, agora, as dstrbuções de probabldades de populações. A dstrbução

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Confiabilidade Estrutural

Confiabilidade Estrutural Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz

Leia mais

7 Análise de covariância (ANCOVA)

7 Análise de covariância (ANCOVA) Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se

Leia mais

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.

Leia mais

Avaliação da qualidade do ajuste

Avaliação da qualidade do ajuste Avalação da qualdade do ajuste 1 Alguma termologa: Modelo ulo: é o modelo mas smples que pode ser defdo, cotedo um úco parâmetro ( µ) comum a todos os dados; Modelo saturado: é o modelo mas complexo a

Leia mais

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual Estatístca: Aplcação ao Sesorameto Remoto SER 04 - ANO 08 Estmação Potual Camlo Daleles Reó camlo@dp.pe.br http://www.dp.pe.br/~camlo/estatstca/ Iferêca Estatístca Cosdere o expermeto: retram-se 3 bolas

Leia mais

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø. Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e

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 etre duas ou mas varáves. Pode ser: correlacoal ou expermetal. Numa relação expermetal os valores de uma das varáves

Leia mais

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. val@mat.ufrgs.br http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com

Leia mais

Atividades Práticas Supervisionadas (APS)

Atividades Práticas Supervisionadas (APS) Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1 MÓDULO 8 REVISÃO REVISÃO MÓDULO A Estatístca é uma técca que egloba os métodos cetícos para a coleta, orgazação, apresetação, tratameto e aálse de dados. O objetvo da Estatístca é azer com que dados dspersos

Leia mais

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x

Leia mais

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das CORRELAÇÃO Nas Isttuções de Eso Superor(IES), há uma relação dreta etre a qualdade do eso e a taxa de admplêca. A taxa de admplêca das IES que obtveram cocetos A e B o Provão é,%, as que obtveram C é 6%

Leia mais

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA ESTATÍSTICA MÓDULO OS RAMOS DA ESTATÍSTICA Ídce. Os Ramos da Estatístca...3.. Dados Estatístcos...3.. Formas Icas de Tratameto dos Dados....3. Notação por Ídces...5.. Notação Sgma ()...5 Estatístca Módulo

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor

Leia mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados

CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal

Leia mais

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas Faculdade de cooma Uversdade Nova de Lsboa STTÍSTIC xame Fal ª Época de Juho de 00 às horas Duração : horas teção:. Respoda a cada grupo em folhas separadas. Idetfque todas as folhas.. Todas as respostas

Leia mais

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança Regressão Smples Parte III: Coefcete de determação, regressão a orgem e método de máxma verossmlhaça Coefcete de determação Proporção da varabldade explcada pelo regressor. R Varação explcada Varação total

Leia mais

Revisão de Estatística X = X n

Revisão de Estatística X = X n Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

Prof. Janete Pereira Amador 1

Prof. Janete Pereira Amador 1 Prof. Jaete Perera Amador 1 1 Itrodução Mutas stuações cotdaas podem ser usadas como expermeto que dão resultados correspodetes a algum valor, e tas stuações podem ser descrtas por uma varável aleatóra.

Leia mais

Universidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S

Universidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Uversdade Federal da Baha Isttuto de Físca Departameto de Físca da Terra e do Meo Ambete TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Físca I SALVADOR, BAHIA 011 Prefáco Esta apostla é destada aos aluos

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO

MEDIDAS DE DISPERSÃO 9. MEDIDAS DE DISPERSÃO Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, Medca Veterára, Muscoterapa, Odotologa, Pscologa MEDIDAS DE DISPERSÃO 9 9. MEDIDAS DE DISPERSÃO

Leia mais

ESTIMATIVA DA INCERTEZA DE MEDIÇÃO DE MÉTODOS ANALÍTICOS

ESTIMATIVA DA INCERTEZA DE MEDIÇÃO DE MÉTODOS ANALÍTICOS 1/15 1. CAMPO DE APLICAÇÃO 1.1. Este procedmeto se aplca aos laboratóros de cotrole de qualdade.. OBJETIVO.1. Defr a capacdade de medção para cada método aalítco.. DOCUMENTOS COMPLEMENTARES.1. Valdação

Leia mais

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que

Leia mais

Apostila de Introdução Aos Métodos Numéricos

Apostila de Introdução Aos Métodos Numéricos Apostla de Itrodução Aos Métodos Numércos PARTE III o Semestre - Pro a. Salete Souza de Olvera Buo Ídce INTERPOAÇÃO POINOMIA...3 INTRODUÇÃO...3 FORMA DE AGRANGE... 4 Iterpolação para potos (+) - ajuste

Leia mais

ESTATÍSTICA APLICADA À ZOOTECNIA

ESTATÍSTICA APLICADA À ZOOTECNIA ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o

Leia mais

Sumário. Mecânica. Sistemas de partículas

Sumário. Mecânica. Sistemas de partículas Sumáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - Sstemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. -

Leia mais

Modelo de Regressão Simples

Modelo de Regressão Simples Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

TEORIA DE ERROS MEDIDAS E GRÁFICOS

TEORIA DE ERROS MEDIDAS E GRÁFICOS Uversdade Federal de Juz de Fora Isttuto de Cêcas Eatas Departameto de Físca TEORIA DE ERROS MEDIDAS E GRÁFICOS Prof. Carlos R. A. Lma Edção Março de 010 ÌNDICE CAPÍTULO 1 - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA

Leia mais

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida . MODELO DETALHADO: Relações de Recorrêca Exemplo: Algortmo Recursvo para Cálculo do Fatoral Substtução Repetda T T ( ) ( ) t 1, T ( + t, > T ( ) T ( + t T ( ) ( T( ) + t + t ) + t T ( ) T ( ) T ( ) +

Leia mais

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo. 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 6 Equlíbro e o Potecal de Nerst Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte

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

Capítulo V - Interpolação Polinomial

Capítulo V - Interpolação Polinomial Métodos Numércos C Balsa & A Satos Capítulo V - Iterpolação Polomal Iterpolação Cosdere o segute couto de dados: x : x0 x x y : y y y 0 m m Estes podem resultar de uma sequêca de meddas expermetas, ode

Leia mais

Relatório 2ª Atividade Formativa UC ECS

Relatório 2ª Atividade Formativa UC ECS Relatóro 2ª Atvdade Formatva Eercíco I. Quado a dstrbução de dados é smétrca ou apromadamete smétrca, as meddas de localzação méda e medaa, cocdem ou são muto semelhates. O mesmo ão acotece quado a dstrbução

Leia mais

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição egressao Smples Parte II: Aova, Estmação Itervalar e Predção Aálse de Varâca Nem todos os valores das amostras estão cotdos a reta de regressão, e quato mas afastados estverem por, a reta represetará a

Leia mais

Estudo do intervalo de confiança da regressão inversa utilizando o software R

Estudo do intervalo de confiança da regressão inversa utilizando o software R Estudo do tervalo de cofaça da regressão versa utlzado o software R Llae Lopes Cordero João Domgos Scalo. Itrodução Na maora das aplcações evolvedo regressão, determa-se o valor de Y correspodete a um

Leia mais

50 Logo, Número de erros de impressão

50 Logo, Número de erros de impressão Capítulo 3 Problema. (a) Sedo o úmero médo de erros por pága, tem-se: 5 + + 3 + 3 + 4 33,66 5 5 Represetado o úmero medao de erros por md, tem-se, pela ordeação dos valores observados, que os valores de

Leia mais

3 Procedimento Experimental

3 Procedimento Experimental 3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5

Leia mais

Estatística: uma definição

Estatística: uma definição Prof. Lorí Val, Dr. - val@pucrs.br http://www.pucrs.br/famat/val/ Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Estatístca: uma defção Coleç Coleção de ú úmeros estatí estatístcas O ú ú mero

Leia mais

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores. Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.

Leia mais

Forma padrão do modelo de Programação Linear

Forma padrão do modelo de Programação Linear POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação

Leia mais

Caracterização de Partículas. Prof. Gerônimo

Caracterização de Partículas. Prof. Gerônimo Caracterzação de Partículas Prof. Gerômo Aálse Graulométrca de partículas Tabela: Sére Padrão Tyler Mesh Abertura Lvre (cm) âmetro do fo () 2 ½ 0,7925 0,088 0,6680 0,070 ½ 0,56 0,065 4 0,4699 0,065

Leia mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são otdas com ase em

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

Leia mais

Centro de massa, momento linear de sistemas de partículas e colisões

Centro de massa, momento linear de sistemas de partículas e colisões Cetro de massa, mometo lear de sstemas de partículas e colsões Prof. Luís C. Pera stemas de partículas No estudo que temos vdo a fazer tratámos os objectos, como, por exemplo, blocos de madera, automóves,

Leia mais

Tópicos Extras 2ª parte. Análise de Correlação e Regressão

Tópicos Extras 2ª parte. Análise de Correlação e Regressão Tópcos Extras ª parte Aálse de Correlação e Regressão 1 Defções báscas ANÁLISE DE CORRELAÇÃO Mesurar a força da assocação etre as varáves (geralmete através do cálculo de algum coefcete). ANÁLISE DE REGRESSÃO

Leia mais

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes UERJ CTC IE Departameto de Iormátca e Cêca da Computação Udade I - Erros as apromações umércas. I. - Cosderações geras. Há váras stuações em dversos campos da cêca em que operações umércas são utlzadas

Leia mais

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS

CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS CAP. V AJUSTE DE CURVAS PELO MÉTODO DOS MÍNIMOS QUADRADOS No caítulo IV, Iterolação Polomal, estudamos uma forma de ldar com fuções matemátcas defdas or taelas de valores. Frequetemete, estas taelas são

Leia mais

MAE0229 Introdução à Probabilidade e Estatística II

MAE0229 Introdução à Probabilidade e Estatística II Exercíco Cosdere a dstrbução expoecal com fução de desdade de probabldade dada por f (y; λ) = λe λy, em que y, λ > 0 e E(Y) = /λ Supor que o parâmetro λ pode ser expresso proporcoalmete aos valores de

Leia mais

Organização; Resumo; Apresentação.

Organização; Resumo; Apresentação. Prof. Lorí Val, Dr. val@ufrgs.br http://www.ufrgs.br/~val/ Grade Cojutos de Dados Orgazação; Resumo; Apresetação. Amostra ou População Defetos em uma lha de produção Lascado Deseho Torto Deseho Torto Lascado

Leia mais

A Medição e o Erro de Medição

A Medição e o Erro de Medição A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro

Leia mais

II. Propriedades Termodinâmicas de Soluções

II. Propriedades Termodinâmicas de Soluções II. Propredades Termodâmcas de Soluções 1 I. Propredades Termodâmcas de Fludos OBJETIVOS Eteder a dfereça etre propredade molar parcal e propredade de uma espéce pura Saber utlzar a equação de Gbbs-Duhem

Leia mais

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo.

n. A densidade de corrente associada a esta espécie iônica é J n. O modelo está ilustrado na figura abaixo. Equlíbro e o Potecal de Nerst 5910187 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 11 Nesta aula, vamos utlzar a equação para o modelo de eletrodfusão o equlíbro obtda a aula passada para estudar o trasporte

Leia mais

5 Critérios para Análise dos Resultados

5 Critérios para Análise dos Resultados 5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução

Leia mais

ANÁLISE DE REGRESSÃO E CORRELAÇÃO

ANÁLISE DE REGRESSÃO E CORRELAÇÃO ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem

Leia mais

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0

(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0 EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()

Leia mais

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015

Cálculo Numérico. Ajuste de Curvas Método dos Mínimos Quadrados. Profa. Vanessa Rolnik 1º semestre 2015 Cálculo Numérco Ajuste de Curvas Método dos Mímos Quadrados Profa. Vaessa Rolk º semestre 05 Ajuste de curvas Para apromar uma fução f por um outra fução de uma famíla prevamete escolhda (caso cotíuo)

Leia mais

DISTRIBUIÇÃO HIPERGEOMÉTRICA

DISTRIBUIÇÃO HIPERGEOMÉTRICA 7 DISTRIBUIÇÃO HIPERGEOMÉTRICA Cosdere-se uma população fta costtuída por N elemetos dstrbuídos por duas categoras eclusvas e eaustvas de dmesões M e N M, respectvamete. Os elemetos da prmera categora

Leia mais

Estatística. 2 - Estatística Descritiva

Estatística. 2 - Estatística Descritiva Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Uma uversdade oferece um curso para capactação profssoal de joves caretes. Ao fal do curso, cada jovem partcpate será avalado por meo de uma prova teórca e de uma prova prátca,

Leia mais

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual

Leia mais

2. NOÇÕES MATEMÁTICAS

2. NOÇÕES MATEMÁTICAS . NOÇÕES MATEMÁTICAS Este capítulo retoma algumas oções matemátcas ecessáras para uma boa compreesão de algus aspectos que serão mecoados e detalhados o presete trabalho. Algus destes aspectos podem abstrar

Leia mais

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL

ESTATÍSTICA MÓDULO 3 MEDIDAS DE TENDÊNCIA CENTRAL ESTATÍSTICA MÓDULO 3 MEDIDAS DE TEDÊCIA CETRAL Ídce. Meddas de Tedêca Cetral...3 2. A Méda Artmétca Smles ( μ, )...3 3. A Méda Artmétca Poderada...6 Estatístca Módulo 3: Meddas de Tedêca Cetral 2 . MEDIDAS

Leia mais

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade Sumáro (3ª aula). Cocetos báscos de estatístca descrtva.3. Noção de etracção aleatóra e de probabldade.4 Meddas de tedêca cetral.4. Méda artmétca smples.4. Méda artmétca poderada.4.3 Méda artmétca calculada

Leia mais

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja

Leia mais

ÌNDICE APÊNDICE A - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA

ÌNDICE APÊNDICE A - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA ÌNDICE APÊNDICE A - PRINCÍPIOS BÁSICOS DA ESTATÍSTICA ------------------------------------------------------------------------------- 03 A.- Itrodução ----------------------------------------------------------------------------------------------------------------------------

Leia mais

Estatística Básica - Continuação

Estatística Básica - Continuação Professora Adraa Borsso http://www.cp.utfpr.edu.br/borsso adraaborsso@utfpr.edu.br COEME - Grupo de Matemátca Meddas de Varabldade ou Dspersão Estatístca Básca - Cotuação As meddas de tedêca cetral, descrtas

Leia mais

Estabilidade no Domínio da Freqüência

Estabilidade no Domínio da Freqüência Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;

Leia mais