GRÁFICOS DE CONTROLE X PARA PROCESSOS ROBUSTOS

Tamanho: px
Começar a partir da página:

Download "GRÁFICOS DE CONTROLE X PARA PROCESSOS ROBUSTOS"

Transcrição

1 GRÁFICOS DE CONTROLE X PARA PROCESSOS ROBUSTOS v.5, n.3, , dez. 998 Antono Fernando Branco Costa UNESP Camus de Guaratnguetá Dto. de Produção 25- C. Postal 25 Guaratnguetá SP emal: fbranco@rovale.com.br Resumo O avanço tecnológco tem tornado os rocessos rodutvos cada vez mas robustos (robustos no sentdo de roduzrem tens cada vez mas guas). Neste contexto, equenas alterações no rocesso odem ser crítcas, devendo ortanto ser elmnadas com radez. Tradconalmente, são utlzados os gráfcos das somas acumuladas ou das médas móves ara controlar tas rocessos. O objetvo deste trabalho é mostrar que os gráfcos de Shewhart também odem ser utlzados ara controlar rocessos robustos, bastando varar seus arâmetros de rojeto de manera arorada. Palavras-chave: rocessos robustos, controle de rocessos, gráfcos de Shewhart com arâmetros varáves.. Introdução A smlcdade oeraconal dos gráfcos de Shewhart tem sdo a rncal motvação ara o seu uso ntenso no montoramento de rocessos rodutvos. Contudo, esta smlcdade oeraconal, sto é, de se tomar amostras de tamanho n a cada h horas e nvestgar o rocesso somente quando um onto amostral ca fora dos lmtes de controle, faz dos gráfcos de Shewhart um dsostvo lento na detecção de equenas alterações no rocesso. Por conta dsto, os gráfcos de Shewhart vem sendo gradualmente substtuídos or outros gráfcos, tas como os gráfcos das somas acumuladas ou os gráfcos das médas móves, oeraconalmente mas

2 26 Costa Gráfcos de Controle X ara Processos Robustos comlexos, orém áges na detecção de equenas mudanças no rocesso. O avanço tecnológco vem ntensfcando esta tendênca, vsto que os rocessos estão cada vez mas robustos (robustos no sentdo de roduzrem tens cada vez mas guas em termos de eso, dmensões, comosção, etc.). Neste contexto, equenas alterações no rocesso odem ser crítcas, devendo ortanto serem elmnadas com radez. Nestes últmos dez anos, esecal atenção tem sdo devotada aos gráfcos de Shewhart vsando a sua utlzação no montoramento de rocessos robustos. A déa básca consste em se varar os arâmetros de rojeto dos gráfcos de Shewhart de manera arorada, entre um valor mínmo e um valor máxmo. Estes arâmetros são o tamanho da amostra n, o ntervalo de temo entre retrada de amostras h, e o fator de abertura k dos lmtes de controle (no caso artcular do gráfco X, os lmtes de controle são dados or μ ± kσ / n, onde e são resectvamente a méda e o desvo adrão da varável X). Assm, quando há susetas de que o rocesso se alterou, o controle se torna mas rígdo, caso contráro ele é relaxado. Susetas de que o rocesso se alterou são obtdas quando um onto amostral ca na chamada regão de advertênca do gráfco (veja Fgura ). Nestas condções, o controle se torna mas rígdo orque se toma uma, duas ou todas das seguntes meddas: a) redução no temo de esera ara a retrada da róxma amostra ( valor mínmo de h); b) aumento do tamanho da róxma amostra (valor máxmo de n); c) estretamento dos lmtes de controle (valor mínmo de k). Um onto amostral na regão central do gráfco é uma ndcação de que o rocesso não sofreu alterações. Nestas condções, o controle é relaxado orque se toma uma, duas ou todas das seguntes meddas: a) aumento no temo de esera ara a retrada da róxma amostra (valor máxmo de h); b) redução do tamanha da róxma amostra (valor mínmo de n); c) alargamento dos lmtes de controle (valor máxmo de k). Os gráfcos de Shewhart com o ntervalo entre retrada de amostras varável são chamados de gráfcos de controle com h varável. Analogamente, quando o tamanho das amostras e o ntervalo entre retrada de amostras são varáves, temos os gráfcos de controle com n e h varáves, etc. A déa de varar o ntervalo entre retrada de amostras fo rmero exlorada com os gráfcos X (REYNOLDS, et al., 988; RUNGER & PIGNATIELLO, 99; AMIN & MILLER, 993; RUNGER & MONTGOMERY, 993; BAXLEY, 995; REYNOLDS, ARNOLD & BAIK, 996; REYNOLDS, 996), mas logo se estendeu ara outros gráfcos (REYNOLDS, AMIN & ARNOLD, 99; SACCUCCI, AMIN & LUCAS, 992). Por sua vez, PRABHU, RUNGER & KEATS (993) e COSTA, (994) estudaram os gráfcos X com o tamanho das amostras varável. O róxmo asso fo então estudar os gráfcos X com n e h varáves (PRABHU, MONTGOMERY & RUNGER, 994; COSTA, 997). Recentemente, COSTA (999a; 999b; 998a) estudou os gráfcos conjuntos X e R com n e h varáves e o gráfco X solado e em conjunto com o gráfco R tendo todos arâmetros varáves. Uma revsão recente e bastante comleta sobre o assunto, englobando cerca de sessenta artgos, todos em nglês, fo elaborada or TAGARAS (998). 2. Descrção dos Gráfcos X com Parâmetros Varáves A o longo deste trabalho, assume-se que os gráfcos X com arâmetros varáves são emregados ara montorar um rocesso onde as observações da característca de nteresse X têm dstrbução normal com méda e desvo adrão conhecdo. Consdera-se também que a rodução se nca com a méda do rocesso (méda de X) ajustada no alvo ( = ), mas aós algum temo de funconamento esta sofre um deslocamento ndo de ara, com

3 GESTÃO & PRODUÇÃO v.5, n.3, , dez Até antes da méda se deslocar, o rocesso ermanece em um estado de controle estatístco (abrevadamente, sob controle ). A função rmera do gráfco X é detectar alterações na méda, assnalando assm os nstantes arorados em que o rocesso deve sofrer ajustes. Quando o rocesso está sendo montorado or um gráfco convenconal do to X (.e., com arâmetros constantes), uma amostra de tamanho n é escolhda aleatoramente a cada h horas. Então, os valores da varável X vndos das amostras são lotados em um gráfco com lmtes de controle dados or μ ± kσ/ n, (também conhecdos como lmtes de ação). Um valor de X além dos lmtes de controle é uma ndcação de que o rocesso necessta de ajustes. Quando a méda do rocesso está centrada no alvo( = ) dfclmente um valor de X ca fora do ntervalo μ ± kσ/ n ; se sto acontecer tem-se um alarme falso, os o gráfco ndevdamente assnala um desajuste. A robabldade de um alarme falso é dada or = Pr[ Z > k Z ~ N(,)]. O gráfco X com arâmetros varáves é uma modfcação do gráfco X na qual os arâmetros de rojeto n, h e k varam entre dos valores como função da mas recente nformação do rocesso. Deste modo, a osção de cada onto amostral no gráfco estabelece o tamanho da róxma amostra e o nstante de sua amostragem (veja Fgura ). Se o onto amostral car dentro da regão de advertênca então a róxma amostra será grande, sto é n 2 > n, e ela será extraída aós um curto eríodo de esera, sto é h 2 < h. Por outro lado, se o onto amostral car dentro da regão central então a róxma amostra será equena, sto é n < n, e ela será extraída aós um longo eríodo de esera, sto é h > h. Além dsso, os valores de X serão lotados em um gráfco com lmtes de advertênca e ação dados or μ ± wσ / n e μ ± kσ / n resectvamente, onde = (=2) se X veo de uma amostra equena (grande), k > k > k 2 e w > w 2. Com sto, os lmtes de ação (e de advertênca) ara amostras equenas e ara amostras grandes não concdem. Para evtar o uso de dos gráfcos de controle, um ara cada tamanho de amostra, ou a lotagem de dos conjuntos de lmtes em um mesmo gráfco, o que odera ser fator de confusão, o usuáro ode, ara fazer os lmtes de ação (ou de advertênca) ara ambos os tamanhos de amostra concdrem em uma mesma lnha, construr o gráfco X com duas escalas, uma do lado esquerdo e outra do lado dreto. Resta orém o roblema que ao ajustar as escalas ara fazer os lmtes de ação concdrem, os lmtes de advertênca não concdrão (e, analogamente, se as escalas forem escolhdas de modo a fazer concdrem os lmtes de advertênca, os lmtes de ação não concdrão). Este masse ode ser soluconado or meo de uma quebra em uma das escalas, como lustrado na Fgura (no exemlo dessa fgura, a quebra ocorre na regão de advertênca, na escala da esquerda). Obvamente, o usuáro terá dfculdades ara lotar os ontos amostras (vndos das amostras equenas) quando estes caem na regão de advertênca. A sugestão aqu é lotar esses ontos em qualquer lugar dentro da regão de advertênca, uma vez que a exata osção dentro desta regão não é exgda elo crtéro de decsões adotado. (Comentáro: deendendo dos valores de k, k 2, w e w 2 o usuáro ode consderar mas convenente quebrar a escala da dreta, ou mesmo manter a quebra na regão central). O gráfco X com arâmetros varáves roduz um snal quando um onto amostral ca na regão de ação. Se o rocesso está oerando aroradamente com =, então este snal é um alarme falso; caso contráro trata-se de um alarme verdadero. Dfclmente a méda do rocesso sofre alterações logo no níco da rodução, ortanto é razoável retrar a rmera amostra (de tamanho n ) no nstante de temo h. Aós as nvestgações que se seguem a cada alarme falso, o rocesso é rencalzado.

4 262 Costa Gráfcos de Controle X ara Processos Robustos X k/ n w/ n - w/ n - k/ n Regão de Ação Regão de Advertênca Regão Central Regão de Advertênca Regão de Ação X k 2/ n 2 w 2/ n 2 - w 2/ n 2 - k 2/ n 2 h h 2 h + 2h + h 2 2(h + h 2 ) Temo Lmtes de advertênca Lmtes de ação => valores de X vndos das amostras de tamanho n (lotados no gráfco consderando a escala da esquerda). => valores de X vndos das amostras de tamanho n 2 (lotados no gráfco consderando a escala da dreta). Obs.: ara não sobrecarregar o desenho, os lmtes de controle foram obtdos consderando = e =. Fgura Gráfco X com arâmetros varáves 3. Proredades dos Gráfcos X com Parâmetros Varáves A velocdade com que um gráfco de controle detecta mudanças na méda do rocesso mede a sua efcênca estatístca. Quando o ntervalo entre amostras é varável a velocdade é medda elo AATS (Adjusted Average Tme to Sgnal), que reresenta o valor eserado de T 2, o temo entre os nstantes em que a méda do rocesso muda e o gráfco de controle detecta tal mudança (veja Fgura 2). O AATS ermte comarar a efcênca de dferentes gráfcos de controle. No entanto, esta comaração só é arorada se os gráfcos a serem comarados roduzrem a mesma freqüênca de alarmes falsos (ANFA, Average Number of False Alarms) e requererem a mesma freqüênca de amostras (ANS, Average Number of Samles) e de tens a nseconar (ANI, Average Number of Items) durante o eríodo em que a méda do rocesso ermanece ajustada no alvo ( = ). Mutos autores têm adotado a dstrbução exonencal ara descrever o nstante de temo T em que a méda do rocesso se altera (veja or exemlo DUNCAN, 956; MONTGOMERY, 997; COSTA, 993). Com esta hótese, é ossível determnar o AATS, ANS, ANFA e ANI ara o gráfco X com arâmetros fxos. A robabldade da méda do rocesso se alterar no -ésmo ntervalo h é dada or onde h (-) h -λt [( -)h < T < h] = λe dt () λ = /E(T). Portanto e ANS = = (2) = - e

5 GESTÃO & PRODUÇÃO v.5, n.3, , dez T T 2 h h h h h Processo sob Controle Processo fora de Controle Iníco de Oeração Méda do Processo se Altera Gráfco Detecta a Alteração Instantes de Retrada de Amostras Fgura 2 Fases do rocesso ANFA ANI ATC e - e = e - e = e - e = α n + h (3) (4) (5) O ATC (Average Tme of the Cycle) reresenta o temo médo entre o níco da rodução e o nstante em que o gráfco de controle detecta uma mudança na méda do rocesso, sendo [ Y > k Y ~ N( δ n,)] a robabldade de detecção. Portanto ATC= E(T+T 2 ) = / + AATS (veja Fgura 2), o que ermte obter o AATS, a artr de (5). O ANS, ANFA, ANI e AATS ara o caso do gráfco X com arâmetros varáves odem ser obtdos or meo de cadeas de Markov (uma abordagem nteressante que dsensa qualquer hótese sobre a dstrbução da varável T tem sdo adotado or COSTA, 999b). Assm, a cada amostragem, um dentre quatro estados transentes é alcançado de acordo com as condções do rocesso (sob ou fora de controle) e o tamanho da amostra (equena ou grande), sto é Estado : o rocesso está sob controle e a amostra é equena; Estado 2: o rocesso está sob controle e a amostra é grande; Estado 3: o rocesso está fora de controle e a amostra é equena; Estado 4: o rocesso está fora de controle e a amostra é grande. Alternatvamente, os estados transentes da cadea de Markov odem ser defndos em função da stuação do rocesso (sob controle ou fora de controle) quando a amostra (+) é extraída e da osção do onto amostral () no gráfco de controle (veja Tabela ). O gráfco de controle roduz um alarme quando um onto amostral ca na regão de ação. Se o estado corrente for o estado ou 2 (3 ou 4) o alarme será falso (verdadero). O estado absorvente (estado 5) é alcançado quando um alarme verdadero ocorre. A matrz de robabldades de transção da cadea de Markov assocada ao gráfco de controle em estudo é a segunte: P =

6 264 Costa Gráfcos de Controle X ara Processos Robustos Tabela Os estados da cadea de Markov amostra () amostra (+) Posção do Ponto Amostral Stuação do Processo Estado da Cadea de Markov (Regão) Advertênca Sob controle 2 Advertênca Fora de controle 4 Central Sob controle Central Fora de controle 3 com λ { Pr[ w < Z < k Z ~ (,) ]}, = N λ [ w < < k ~ N(,) ], e h2 e h =, 2; Z Z =, 2; λ { Pr[ w < Z < k Z ~ (,) ]} ( ), = N e h λ [ w < Z < k ~ N(,) ]( ), Z [ Y < w Y ~ N( δ n,) ], 33 [ w < Y < k Y ~ N( δ n,) ], 34 [ Y < w 2 Y ~ N( δ n,) ], 43 2 [ w 2 < Y < k 2 Y ~ N( δ n,) ], 44 2 [ Y > k Y ~ N( δ n,) ], 35 [ Y > k 2 Y ~ N( δ n,) ] e h2 =, 2; =, 2; Das roredades elementares de cadeas de Markov tem-se: ' - ATC = b ( I Q) t (6) ' - ANS = b ( I Q) r (7) ' ANFA = b ( I Q) s (8) ANI = b ' - - ( I Q) v (9) onde b ' = (,,,), I é a matrz dentdade de ordem 4, Q é a matrz de robabldades de transção retrados os elementos assocados ao estado absorvente, = (h,h,h,h ), r ' = (,,,) ', ' s 2 [ Z > k t 2 2 ' v 2 = ( α, α,,), = (n,n,,) α Z ~ N(,)], =,2. As Tabelas 2 e 3 aresentam valores do AATS (=ATC-/ ) ara o gráfco adrão X (com h = ; n = 4,5; e k = 3,) e ara o gráfco X com arâmetros varáves, ( λ =, ). Os valores do AATS são ratcamente ndeendentes do valor de, exceto ara grande ( λ >.), ou seja, quando o rocesso se desajusta com freqüênca. O gráfco X é tanto mas efcente quanto menor for o h 2 ; no entanto, são as condções reas que defnem o valor deste arâmetro. Com amostras equenas tem-se ouca chance de detectar mudanças na méda do rocesso, ortanto é nteressante adotar valores grandes ara k (or exemlo k = 6,) de modo a se reduzr os rscos com alarmes falsos. Fxados h 2, n, n 2 e k, os arâmetros k 2, w, w 2 e h são determnados de modo a se gualar o ANS (dado elas exressões (2) e (7)), ANFA (dado elas exressões (3) e (8)) e o ANI (dado elas exressões (4) e (9)). Ou seja e

7 GESTÃO & PRODUÇÃO v.5, n.3, , dez Tabela 2 Valores do AATS ara o gráfco X com arâmetros varáves e com arâmetros fxos* (n = 4) λ =, δ n (n,n 2 ) (h,h 2 ) (w,w 2 ) (k, k 2 ),,5,75,,25,5 2, 3, 4, *(4;4) (,;,) (3,;3,) (3,;3,) ,7 43,4 24,5 4,5 5,8,5,69 (; 8) (,7;,5) (,79,79) (6,;2,73) 37 87,7 32, 2,6 5,88 3,45 2,7,39, **(; 2) (,36;,) (,;,8) (6,;2,59) 37 65,8 22,3 8,99 4,76 3,25 2,2,42,4 (; 6) (,2;,25) (,28;,25) (6,;2,49) 37 54, 8,2 7,95 4,75 3,54 2,52,59,6 (;8) (,7;,5) (,79;,79) (3,;3,) ,7 8,2 7,52 3,92 2,,38,9 (; 2) (,36;,) (,9;,9) (3,;3,) , 3,7 5,88 3,5 2,23,4,2 (; 6) (,2;,25) (,28;,28) (3,;3,) 37 34,7,7 5,57 3,72 2,52,56, (; 8) (,;,) (,79;,79) (3,;3,) ,9 25,9 2,2 6,54 2,76,3,4 (; 2) (,;,) (,6;,6) (3,;3,) ,3 8, 8,5 4,62 2,46,54,25 (; 6) (,;,) (,28;,28) (3,;3,) , 4, 6,62 4,8 2,63,76,38 (4; 4) (2,;,5) (,65;,65) (3,;3,) ,3 3, 4,2 7, 2,28,6,99 (4; 4) (2,;,) (,63;,63) (3,;3,) , 3,7 4,6 7,35 2,45,8,97 (4; 4) (2,;,25) (,56;,56) (3,;3,) , 32,5 6, 8,43 2,98,5,95 * Gráfco X com arâmetros fxos, n = 4, h =, e k = 3, ( α =, 27 ). ** Esquema adotado no exemlo lustratvo. k 2 = Φ {[(n 2 n) Φ( k) (n 2 n) Φ( k)]/ /( n n)} w = Φ h = h 2 n { Φ(k) -[ Φ(k) -/2]( n [2Φ(k) -]e ln{ λ -λ(h -h ) 2 - n - n 2 2[ Φ(k 2Φ(w ) )e -λ(h -h 2 ) } =,2 ) Φ(w)] } É notóra a radez com que o gráfco de controle X com arâmetros varáves detecta alterações no rocesso, em alguns casos o temo de detecção (AATS) se reduz a menos de um quarto quando comarado com o gráfco de controle X com arâmetros fxos. É mortante comarar o gráfco X de arâmetros varáves com os gráfcos CUSUM (somas acumuladas) e EWMA (méda móvel onderada exonencalmente), uma vez que estes gráfcos são ndcados ara a detecção de equenas alterações na méda do rocesso. A Tabela 4 fornece o AATS ara o gráfco X com arâmetros varáves, e ara os gráfcos CUSUM e EWMA. Os três rmeros gráfcos das somas acumuladas foram obtdos or GAN (99); os dos últmos or REYNOLDS, AMIN & ARNOLD (99); e os três gráfcos da méda móvel onderada exonencalmente or LUCAS e SACCUCCI (99). Os arâmetros de cada gráfco de controle X, a ser comarado com um

8 266 Costa Gráfcos de Controle X ara Processos Robustos Tabela 3 Valores do AATS ara o gráfco X com arâmetros varáves e com arâmetros fxos* (n = 5) λ =, δ n (n,n 2 ) (h,h 2 ) (w,w 2 ) (k, k 2 ),,5,75,,25,5 2, 3, 4, (5; 5) (,;,) (3,;3,) (3,;3,) ,7 43,4 24,5 4,5 5,8,5,69 (; ) (,7;,5) (,77;,76) (6,;2,73) 37 87,5 32, 2,7 5,96 3,56 2,2,53,2 (; 5) (,36;,) (,7;,5) (6,;2,59) 37 65,4 22,2 9, 4,84 3,38 2,39,58,6 (; 2) (,2;,25) (,25;,23) (6,;2,49) 37 53,6 8, 7,97 4,85 3,69 2,72,78,29 (; ) (,7;,5) (,96;,96) (3,;3,) ,7 5,4 6,37 3,55 2,,36,2 (; 5) (,36;,) (,6;,6) (3,;3,) ,6 3,6 5,93 3,63 2,4,57,4 (; 2) (,2;,25) (,25;,25) (3,;3,) 37 34,,6 5,65 3,87 2,72,75,24 (; ) (,;,) (,76;,76) (3,;3,) ,5 25,7 2,2 6,52 2,77,33,8 (; 5) (,;,) (,6;,6) (3,;3,) ,7 7,8 8, 4,63 2,52,6,32 (; 2) (,;,) (,25;,25) (3,;3,) ,4 3,8 6,62 4,24 2,74,88,49 (5; 5) (2,;,5) (,65;,65) (3,;3,) ,3 3, 4,2 7, 2,28,6,99 (5; 5) (2,;,) (,63;,63) (3,;3,) , 3,7 4,6 7,35 2,45,8,97 (5; 5) (2,;,25) (,56;,56) (3,;3,) , 32,5 6, 8,43 2,98,5,95 * Gráfco X com arâmetros fxos, n = 5, h =, e k = 3, ( α =, 27 ). determnado gráfco CUSUM ou EWMA, foram escolhdos de modo a garantr a ambos os gráfcos uma mesma freqüênca de alarmes falsos, de amostras e de tens a nseconar durante o eríodo em que a méda do rocesso ermanece ajustada no alvo ( μ = μ ). Da Tabela 4 concluse que semre é ossível obter um gráfco X com arâmetros varáves mas efcente que o gráfco das somas acumuladas ou da méda móvel onderada exonencalmente (em termos da velocdade com que estes dsostvos detectam alterações no rocesso). Esta observação é de mortânca rátca, uma vez que em mutas stuações ode ser mas fácl montorar o rocesso com um gráfco de controle X de arâmetros varáves. Por fm, o usuáro tem agora três dsostvos dferentes ara o controle de rocessos sujetos a equenas alterações. 4. Exemlo Ilustratvo C onsdere um rocesso de engarrafamento na qual a quantdade de líqudo em cada garrafa é o característco de qualdade de nteresse. As garrafas contém em méda 3 ml (méda do rocesso =3,) com um desvo adrão de 2 ml (desvo adrão do rocesso =2,). Ocasonalmente, o líqudo aresenta algumas murezas as quas entoem arcalmente o bocal or onde o líqudo flu, alterando a méda do rocesso. A elmnação or comleto de tas murezas demanda um nvestmento exorbtante ortanto, a alternatva encontrada fo a de mlantar um gráfco de controle X ara montorar a quantdade de líqudo em cada garrafa. Em função das característcas do

9 GESTÃO & PRODUÇÃO v.5, n.3, , dez Tabela 4 Valores do AATS ara o gráfco X com arâmetros varáves; gráfco CUSUM; e gráfco EWMA δ n ( nn,n, 2 ) V X Chart,,5,,5 2, 3, 4, ( h, h,h2 ) ( k, k,k2 ) (,3;; 8) (,3;,35;,3) (2,8;5,;,55) 25 4,6 9, 4, 2,2,,8 CUSUM(,75;3,8) 25 4, 9,5 4,3 2,7,5,9 (,7;; ) (,7;,82;,7) (2,7;5,;,66) 25 3,3 8, 4, 2,4,3, CUSUM(,5;4,39) 25 3,3 8,7 4,6 3,,8,4 ( 3,;; 2) (3,;3,6;,3) (2,5;5,;,84) 25 23,6 8, 4,8 3,3 2,2 2, CUSUM(,25;7,27) 25 25,4 9,9 6, 4,3 2,7 2, ( 3,3;; 4) (3,3;3,96;,7) (2,62;4,;,96) 37 25, 8,8 5,2 3,5 2,3,8 CUSUM(,25;8,) 37 25, 9,4 5,6 4, 2,5,8 (,3;;4) (,3;,43;,3) (2,92;4,;2,2) 37 6,7 8,6 2,9,7,,8 CUSUM(,;2,52) 37 68, 2,8 4,8 2,7,3,8 ( 4,;3;9) (,;,8;,) (2,94;3,;2,72) 3 98,4 5,5 3,4,5,8,6 EWMA(3,;,;3,) 3 3 8,9 3,7,5,8,6 ( 4,;;6) (,;,23;,) (3,9;6,;2,58) 5 65,3 8,4 3,6 2,5,5, EWMA(3,5;,;3,) 5 65,8 3, 5,2 3,,6, ( 4,;;8) (,;,2;,) (3,29;6,;2,77) 93,4 9,3 3,8 2,7,6, EWMA(3,;,;3,5) 97,7 6, 6, 3,4,7, n = tamanho médo da amostra durante o eríodo sob controle ( n = n/h ) CUSUM (a, b), a = valor de referênca; b = ntervalo de decsão EWMA(a,b,c), a = ntervalo de decsão; b = valor de referênca; c = fator de abertura rocesso otou-se or retrar uma amostra de tamanho quatro (quatro garrafas, n = 4) a cada vnte mnutos h = :2)) e lotar no gráfco o valor de X (o líqudo das quatro garrafas dvddo or quatro), veja Fgura 3. Segundo a tradção, os lmtes do gráfco de controle X foram estabelecdos a três desvos adrões amostras da méda alvo (3 ml), ou seja, lmtes de controle sueror e nferor resectvamente guas a 33 ml e 297 ml. O gráfco de controle X se mostrou veloz na detecção de deslocamentos grandes da méda do rocesso (em torno de ±3, ml), snalzando tas deslocamentos em aenas mea hora aós a ocorrênca (AATS=,5h, veja rmera lnha da Tabela 2) e nefcente na detecção de equenos deslocamentos (em torno de ±, ml) snalzando aenas aós quatorze horas e mea (AATS=43,4h ). A baxa velocdade com que o gráfco de controle X snalza equenas

10 268 Costa Gráfcos de Controle X ara Processos Robustos X Regão de Ação 33, 3, Regão Central 297, Regão de Ação 2 mn. 4 mn. h. Temo Fgura 3 Gráfco X com arâmetros fxos, n = 4, h = :2 e k = 3, alterações na méda do rocesso levou o resonsável elo rocesso a novar. A nova roosta consste em construr o gráfco X com uma regão de advertênca (veja Fgura 4) e em varar os arâmetros de rojeto (n, h, w e k) entre dos valores (n,n 2 ), (h,h 2 ), (w,w 2 ), (k,k 2 ), dados or (;2), (,36h ;,h ), (,;,8), (6,;2,59) resectvamente (veja tercera lnha da Tabela 2). Assm quando um onto X ca na regão de advertênca uma nova amostra de tamanho 2 (n 2 = 2) é retrada do rocesso quase que medatamente (2 mnutos aós, sto é, h 2 =, h = 2 mnutos). Caso contráro, se o X ca na regão central do gráfco, um temo longo de esera de 27 mnutos (h 2 =,36 h = 27 mnutos) é estabelecdo até a retrada da róxma amostra que será de tamanho untáro (n = ). Os valores de X vndos das amostras equenas (neste caso artcular, como n =, X se reduz a X, quantdade de líqudo em uma garrafa) são lotados no gráfco consderando a escala da esquerda, onde os lmtes de advertênca são dados or μ ± wσ/ n (297,8;32,2) e os de ação or μ ± kσ / n (288,;32,). Por outro lado, os valores de X vndos das amostras grandes são lotados no gráfco consderando a escala da dreta, onde os lmtes de advertênca são dados or μ ± w2σ/ n2 (299,38;3,62) e os de ação or μ ± k2σ/ n2 (298,5;3,49). O gráfco de controle X com arâmetros varáves detecta equenos deslocamentos na méda do rocesso (em torno de ±,5 ml) em aenas três horas (AATS=8,99h, veja lnha três da Tabela 2). Ou seja, o gráfco de controle roosto reduz em onze horas e mea o temo que o rocesso ermanece fora de controle (de quatorze horas e mea ara aenas três horas). 5. Conclusões C om o auxílo de cadeas de Markov fo ossível determnar as roredades do gráfco X de arâmetros varáves (AATS, ANFA, ANS e ANI). Na verdade, neste estudo alternou-se os arâmetros de rojeto (n, h e k)

11 GESTÃO & PRODUÇÃO v.5, n.3, , dez X Regão de Ação X 32, 32,2 Regão de Advertênca 3,49 3,62 297,8 288, Regão Central Regão de Advertênca 299,38 298,5 Regão de Ação Mnutos Lmtes de advertênca Lmtes de ação => valores de X vndos das amostras de tamanho n = (lotados no gráfco consderando a escala da esquerda). => valores de X vndos das amostras de tamanho n 2 =2 (lotados no gráfco consderando a escala da dreta). Fgura 4 Gráfco X com arâmetros varáves (n = ; n 2 = 2),(h = :27; h 2 = :2), (k = 6,; k 2 = 2,59) entre aenas dos valores fxos, de modo a não se comrometer a oeraconaldade do gráfco. Neste sentdo, a Fgura 4 aresenta um gráfco X com duas escalas que evta o tédo de se ter de utlzar dos gráfcos, um ara amostras equenas e outro ara amostras grandes. A radez com que o gráfco X de arâmetros varáves detecta equenas alterações no rocesso valda o seu uso no montoramento de rocessos robustos. Por exemlo, o gráfco X de arâmetros fxos, com n = 4, k = 3, e n =,, necessta, em méda, de 43,4 ntervalos h ara detectar um deslocamento na méda do rocesso de meo desvo adrão ( δ n =,), veja lnha um da Tabela 2. Já o gráfco X de arâmetros varáves, com n =, n 2 =2, h =,35, h 2 =,, k =6, e k 2 =2,59 (tercera lnha da Tabela ), detecta este mesmo deslocamento, em méda, em aenas 9, ntervalos h (aroxmadamente 5 vezes mas radamente). Em alcações onde é comlcado ou mesmo mossível elmnar os nstantes fxos de amostragens (or exemlo, a cada mea hora), uma alternatva consste em se manter a retrada de amostras regulares a cada mea hora mas com a ossbldade da extração de amostras adconas entre amostras regulares. Detalhes desta roosta odem ser encontrados em COSTA (998b). Agradecmentos Este trabalho recebeu o aoo do CNPq a artr do rojeto 5299/97-5. O autor agradece aos revsores elas útes sugestões e correções.

12 27 Costa Gráfcos de Controle X ara Processos Robustos Referêncas Bblográfcas AMIN, R.W. & MILLER, R.W.: A Robustness Study of X Charts wth Varable Samlng Intervals. Journal of Qualty Technology, vol.25,.36-44, 993. BAXLEY, R.V., Jr.: An Alcaton of Varable Samlng Interval Control Charts. Journal of Qualty Technology, vol. 27, , 995. COSTA, A.F.B.: Jont Economc Desgn of X and R Control Charts for Processes Subject to Two Indeendent Assgnable Causes. IIE Transactons, vol.25,.27-33, 993. COSTA, A.F.B.: X Charts wth Varable Samle Sze. Journal of Qualty Technology, vol.26,.55-63, 994. COSTA, A.F.B.: X Charts wth Varable Samle Szes and Samlng Intervals. Journal of Qualty Technology, vol.29,.97-24, 997. COSTA, A.F.B.: Jont X and R Charts wth Varable Parameters. IIE-Transactons, vol.3,.55-54, 998a. COSTA, A.F.B.: VSSI X Charts wth Samlng at Fxed Tmes. Communcatons n Statstcs Smulaton and Comutaton, vol.27, Issue, 998b. COSTA, A.F.B.: Jont X and R Charts wth Varable Samle Szes and Samlng Intervals. aceto ara ublcação no Journal of Qualty Technology., vol.3, 999a. COSTA, A.F.B.: X Charts wth Varable Parameters. aceto ara ublcação no Journal of Qualty Technology., vol.3, 999b. DUNCAN, A.J.: The Economc Desgn of X Control Charts to Mantan Current Control of a Process. Journal of the Amercan Statstcal Assocaton, vol.5, , 956. GAN, F.F.: An Otmal Desgn of CUSUM Qualty Control Chart. Journal of Qualty Technology, vol.23, , 99. LUCAS, J.M., & SACCUCCI, M.S.: Exonentally Weghted Movng Average Control Scheme: Proertes and Enhancements. Technometrcs, vol.32, , 99. MONTGOMERY, D.C.: Introducton to Statstcal Qualty Control. John Wley & Sons, Inc., thrd edton, 997. PRABHU, S.S.; RUNGER, G.C. & KEATS, J.B.: An Adatve Samle Sze X Chart. Internatonal Journal of Producton Research, vol.3, , 993. PRABHU, S.S.; MONTGOMERY, D.C. & RUNGER, G.C.: A Combned Adatve Samle Sze and Samlng Interval X Control Scheme. Journal of Qualty Technology, vol.26,.64-76, 994. REYNOLDS, M.R., Jr.; AMIN, R.W.; ARNOLD, J.C. & NACHLAS, J.A.: XCharts wth Varable Samlng Intervals. Technometrcs, vol.3,.8-92, 988. REYNOLDS, M.R., Jr.; AMIN, R.W. & ARNOLD, J.C.: CUSUM Charts wth Varable Samlng Intervals. Technometrcs, vol.32, , 99. REYNOLDS, M.R., Jr.; ARNOLD, J.C. & BAIK, J.W.: Varable Samlng Interval X Charts n the Presence of Correlaton. Journal of Qualty Technology, vol.28,.-28, 996. REYNOLDS, M.R., Jr.: Shewhart and EWMA Varable Samlng Interval Control Charts wth Samlng at Fxed Tmes. Journal of Qualty Technology, vol.28,.99-22, 996. RUNGER, G.C. & MONTGOMERY, D.C.: Adatve Samlng Enhancements for Shewhart Control Charts. IIE Transactons, vol.25,.4-5, 993. RUNGER, G.C., & PIGNATIELLO, J.J., Jr.: Adatve Samlng for Process Control. Journal of Qualty Technology, vol.23,.35-55, 99. SACCUCCI, M.S.; AMIN, R.W. & LUCAS, J.M.: Exonentally Weghted Movng Average Control Schemes Wth Varable Samlng Intervals. Communcatons n Statstcs Smulaton and Comutaton, vol.2, , 992. TAGARAS, G.: A Survey of Recente Develoment n the Desgn of Adatve Control Charts. Journal of Qualty Technology, vol.3,.22-23, 998.

13 GESTÃO & PRODUÇÃO v.5, n.3, , dez STATISTICAL CONTROL OF ROBUST PROCESSES Abstract Technologcal develoment has reduced the varablty between tems roduced on s large scale. Today, a small change n the rocess can be crtcal, requrng rad acton to elmnate t. Tradtonally, the CUSUM and the movng mean are the charts used to control these rocesses that we call robust rocesses. The am of ths aer s to show that the Shewhart chart can also be used to control robust rocesses, f the constrant of fxed desgn arameters s relaxed. Key words: robust rocesses, rocess control, varable arameter Shewhart charts.

Departamento de Produção, UNESP, Campus de Guaratinguetá Av. Ariberto Pereira da Cunha, 333, Guaratinguetá, S.P. CEP

Departamento de Produção, UNESP, Campus de Guaratinguetá Av. Ariberto Pereira da Cunha, 333, Guaratinguetá, S.P. CEP A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 3, Natal-RN MONITORAMENTO DA MÉDIA E DA VARIABILIDADE DE UM PROCESSO POR MEIO DA ESTATÍSTICA DE QUI-QUADRADO NÃO- CENTRALIZADA Antôno Fernando

Leia mais

Análise de desempenho de uma classe de gráficos de controle adaptativos

Análise de desempenho de uma classe de gráficos de controle adaptativos XXVI ENEGEP - Fortaleza, CE, Brasl, 9 a de Outubro de 6 Análse de desemenho de uma lasse de gráfos de ontrole adatatvos Maysa Saramento de Magalhães (ENCE/IBGE) maysa@bge.gov.br Antôno Fernando Brano Costa

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076

NOTAS DE AULA DA DISCIPLINA CE076 5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura

Leia mais

OPF básico - Exemplo de aplicação dos conceitos de optimização não linear Notas para a disciplina de DOSE (LEEC-FEUP)

OPF básico - Exemplo de aplicação dos conceitos de optimização não linear Notas para a disciplina de DOSE (LEEC-FEUP) OF básco - Exemlo de alcação dos concetos de otmzação não lnear Notas ara a dsclna de DOSE (EE-FEU Manuel Matos FEU, 4. Introdução A nclusão das equações do trânsto de otêncas no roblema do desacho económco

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos

22/8/2010 COMPLEXIDADE DE ALGORITMOS CES para os numeradores e 1 para o denominador. Noções de complexidade de algoritmos Razão de crescmento desse temo Imortânca de análse de algortmos Um mesmo roblema ode, em mutos casos, ser resolvdo or város algortmos. Nesse caso, qual algortmo deve ser o escolhdo? Crtéro 1: fácl comreensão,

Leia mais

PQI Daí, substituindo as respectivas expressões de solução ideal e solução gasosa perfeita, temos (7-2)

PQI Daí, substituindo as respectivas expressões de solução ideal e solução gasosa perfeita, temos (7-2) PQI-581 014 7 Soluções Ideas 7.1 Defnção de solução deal Uma solução é dta deal se 1, ara todos os seus comonentes, temos: ln (7-1) onde é função aenas da temeratura e ressão. Esta defnção é nteressante

Leia mais

Aula Características dos sistemas de medição

Aula Características dos sistemas de medição Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes

Leia mais

MECÂNICA CLÁSSICA. AULA N o 9. Colchetes de Poisson Simetrias Espaço de Fases Transformações Canônicas (Hamiltoniano)

MECÂNICA CLÁSSICA. AULA N o 9. Colchetes de Poisson Simetrias Espaço de Fases Transformações Canônicas (Hamiltoniano) 1 MECÂNICA CLÁSSICA AULA N o 9 Colchetes de Posson Smetras Esaço de Fases Transformações Canôncas (amltonano) O Esaço de Fases tem uma estrutura assocada a s. Esaços ossuem estruturas, que se referem aos

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco

Leia mais

SIMULAÇÃO E COMPARAÇÃO DE MÉTODOS COMPUTACIONAIS PARA OBTENÇÃO DE DISTRIBUIÇÕES A POSTERIORI

SIMULAÇÃO E COMPARAÇÃO DE MÉTODOS COMPUTACIONAIS PARA OBTENÇÃO DE DISTRIBUIÇÕES A POSTERIORI SIMULAÇÃO E COMPARAÇÃO DE MÉTODOS COMPUTACIONAIS PARA OBTENÇÃO DE DISTRIBUIÇÕES A POSTERIORI Flávo Bambrra Gonçalves, Vnícus Dnz Mayrnk e Rosangela Helena Losch Deartamento de Estatístca ICEx - Unversdade

Leia mais

Índices de capacidade para processos multivariados independentes: extensões dos índices de Niverthi e Dey e Mingoti e Glória

Índices de capacidade para processos multivariados independentes: extensões dos índices de Niverthi e Dey e Mingoti e Glória Produção, v. xx, n. x, xxx./xxx. xxxx,. xx-xx do: XX.XXXX/XXXXX-XXXXXXXXXXXXXXXXX Índces de caacdade ara rocessos multvarados ndeendentes: extensões dos índces de Nverth e Dey e Mngot e Glóra uel Aarecda

Leia mais

NOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES

NOTAS DE AULA DA DISCIPLINA CE DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES NOTAS DE AULA DA DISCIPLINA CE76 3 DISTRIBUIÇÃO NORMAL MULTIVARIADA 3 DENSIDADE NORMAL MULTIVARIADA E SUAS PROPRIEDADES A densdade normal multvarada é uma generalação da densdade normal unvarada ara dmensões

Leia mais

Padrões espaciais de pobreza rural: uma análise exploratória na Bacia do Rio São Francisco, Brasil

Padrões espaciais de pobreza rural: uma análise exploratória na Bacia do Rio São Francisco, Brasil Padrões esacas de obreza rural: uma análse exloratóra na Baca do Ro São Francsco, Brasl Autores: Marcelo de O. Torres, Stehen A. Vost, Marco P. Maneta Wesley W. Wallender, Lneu N. Rodrgues, Lus H. Basso

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos

Leia mais

Probabilidade de Óbito por Leptospirose Humana em Belém - PA

Probabilidade de Óbito por Leptospirose Humana em Belém - PA Probabldade de Óbto or Letosrose Humana em Belém - PA. Introdução Bolssta de Incação Centífca ICEN/UFPA. e-mal: dana.olvera@cen.ufa.br ² Mestrando em Estatístca Alcada e Bometra CCE/UFV. ³ Professor(a

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

GRÁFICOS DE CONTROLE PARA MÉDIA E DESVIO-PADRÃO COM TAMANHO DE AMOSTRA VARIÁVEL: UMA APLICAÇÃO EM UMA INDÚSTRIA DO SETOR METALÚRGICO

GRÁFICOS DE CONTROLE PARA MÉDIA E DESVIO-PADRÃO COM TAMANHO DE AMOSTRA VARIÁVEL: UMA APLICAÇÃO EM UMA INDÚSTRIA DO SETOR METALÚRGICO ! "#$ " %'&)(*&)+,.- /0.*&4365879&4/:.+58;.*=?5.@A*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& Foz do Iguaçu, PR, Brasl, 09 a de outubro de 007 GRÁFICOS

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

4. Sistemas de coleta/distribuição

4. Sistemas de coleta/distribuição 4. Sstemas de coleta/dstrbução O roblema de coleta ou dstrbução de carga ara uma regão geográfca servda or um deósto central aresenta, normalmente, algumas remssas báscas que auxlam na sua solução. São

Leia mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

Análise Descritiva com Dados Agrupados

Análise Descritiva com Dados Agrupados Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas

Leia mais

Capítulo 2 Método de Cross

Capítulo 2 Método de Cross UNIERSIDDE NDRNTE DE SÃO PUO - Escola de Engenhara vl Notas de aula do curso Teora das Estruturas Prof. Dr. Rcardo de. lvm.. Introdução aítulo étodo de ross O étodo de ross é um método que ermte calcular

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

Variável discreta: X = número de divórcios por indivíduo

Variável discreta: X = número de divórcios por indivíduo 5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Exame final de Estatística 2ª Época - 24 de Junho de 2004

Exame final de Estatística 2ª Época - 24 de Junho de 2004 xame fnal de statístca ª Época - de Junho de Faculdade de conoma José Antóno nhero Unversdade Nova de Lsboa Mara Helena Almeda Note bem:. Resolva grupos dferentes em folhas dferentes;. IDNTIFIQU todas

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise de Variância. Comparação de duas ou mais médias Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)

Leia mais

Proposta de resolução do Exame Nacional de Matemática A 2017 (2 ạ fase) GRUPO I (Versão 1) Assim, 2! 3! 4 = 48 é a resposta pedida.

Proposta de resolução do Exame Nacional de Matemática A 2017 (2 ạ fase) GRUPO I (Versão 1) Assim, 2! 3! 4 = 48 é a resposta pedida. Proosta de resolução do Eame Naconal de Matemátca A 7 ( ạ fase) GRUPO I (Versão ) P P I I I. 3 3! 3! = 6 = 8 Estem quatro maneras dstntas de os algarsmos ares estarem um a segur ao outro (PPIII ou IPPII

Leia mais

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

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero

Leia mais

Introdução aos Problemas de Roteirização e Programação de Veículos

Introdução aos Problemas de Roteirização e Programação de Veículos Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam

Leia mais

UTILIZAÇÃO DA TEORIA DA RESPOSTA AO ITEM NA PRODUÇÃO DE INDICADORES SÓCIO-ECONÔMICOS

UTILIZAÇÃO DA TEORIA DA RESPOSTA AO ITEM NA PRODUÇÃO DE INDICADORES SÓCIO-ECONÔMICOS versão mressa ISSN 00-7438 / versão onlne ISSN 678-54 UTILIZAÇÃO DA TEORIA DA RESPOSTA AO ITEM NA PRODUÇÃO DE INDICADORES SÓCIO-ECONÔMICOS Tuf Machado Soares Deartamento de Estatístca Centro de Avalação

Leia mais

FAAP APRESENTAÇÃO (1)

FAAP APRESENTAÇÃO (1) ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,

Leia mais

Aula 3 - Classificação de sinais

Aula 3 - Classificação de sinais Processamento Dgtal de Snas Aula 3 Professor Marco Esencraft feverero 0 Aula 3 - Classfcação de snas Bblografa OPPENHEIM, AV; WILLSKY, A S Snas e Sstemas, a edção, Pearson, 00 ISBN 9788576055044 Págnas

Leia mais

SINTONIA DE CONTROLADORES P.I.D. João Lourenço Realizado em Janeiro de 96 e revisto em Janeiro de 97

SINTONIA DE CONTROLADORES P.I.D. João Lourenço Realizado em Janeiro de 96 e revisto em Janeiro de 97 SINTONIA DE CONTROLADORES P.I.D. João Lourenço Realzado em Janero de 96 e revsto em Janero de 97 O resente texto retende, ncalmente, dar a conhecer quas as característcas rncas das váras acções de controlo,

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

e como falha o evento complementar F

e como falha o evento complementar F No caítulo 3, foram aresentados os fundamentos da teora de robabldades, necessáros à comreensão das varáves aleatóras e de suas dstrbuções. No resente caítulo, dá-se níco à formulação e à descrção dos

Leia mais

Métodos de Agrupamento e Componentes Principais: Teoria e Aplicações

Métodos de Agrupamento e Componentes Principais: Teoria e Aplicações Métodos de Agruamento e Comonentes Prncas: Teora e Alcações Danele Barroca Marra Alves Enuce Menezes de Souza Faculdade de Cêncas e Tecnologa - UNESP 96-9, Presdente Prudente, SP E-mal: danbarroca@yahoo.com.br,

Leia mais

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe

Leia mais

Medidas de Tendência Central. Prof.: Ademilson Teixeira

Medidas de Tendência Central. Prof.: Ademilson Teixeira Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

Problemas de engenharia

Problemas de engenharia Análse de Sstemas de otênca Análse de Sstemas de otênca ( AS ) Aula 3 Operação Econômca de Sstemas de otênca 03//008 roblemas de engenhara Análse de Sstemas de otênca ( AS ) ANÁLISE Defndo o sstema, determnar

Leia mais

EXERCÍCIO: VIA EXPRESSA CONTROLADA

EXERCÍCIO: VIA EXPRESSA CONTROLADA EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos

Leia mais

DETERMINAÇÃO DOS PARÂMETROS E SEQÜÊNCIA DE CORTE PARA A MÁXIMA PRODUÇÃO EM TORNOS CNC. Palavras-chave: Máxima produção, Seqüência de corte, Torno CNC.

DETERMINAÇÃO DOS PARÂMETROS E SEQÜÊNCIA DE CORTE PARA A MÁXIMA PRODUÇÃO EM TORNOS CNC. Palavras-chave: Máxima produção, Seqüência de corte, Torno CNC. DETERMINAÇÃO DOS PARÂMETROS E SEQÜÊNCIA DE CORTE PARA A MÁXIMA PRODUÇÃO EM TORNOS CNC. Patrck Lelou Noema Gomes de Mattos de Mesquta Hugo Marcelo Bezerra de Carvalho Sérgo Murlo Veríssmo de Andrade Unversdade

Leia mais

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária. Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados

Leia mais

5945851-1 Psicologia Conexionista Antonio Roque Aula 6. A Adaline

5945851-1 Psicologia Conexionista Antonio Roque Aula 6. A Adaline 594585- Pscologa Conexonsta Antono Roque Aula 6 A Adalne Poucos meses aós a ublcação do teorema da convergênca do Percetron or Rosenblatt, os engenheros da Unversdade de Stanford Bernard Wdrow (99 ) e

Leia mais

8 Estrutura horizontal da célula de chuva 8.1. Procedimentos iniciais

8 Estrutura horizontal da célula de chuva 8.1. Procedimentos iniciais 8 Estrutura horzontal da célula de chuva 8.1. Procedmentos ncas No caítulo 7 foram defndas as relações entre Z e R ara serem utlzadas na análse dos dados radares de Cruzero do Sul, Manaus e Tabatnga. A

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

Algoritmos Genéticos com Parâmetros Contínuos

Algoritmos Genéticos com Parâmetros Contínuos com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral. DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou

Leia mais

Ângulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)

Ângulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s) 4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo

Leia mais

Sistema de suporte para tomada de decisão: despacho económico em ambiente de mercado de carbono

Sistema de suporte para tomada de decisão: despacho económico em ambiente de mercado de carbono Sstema de suorte ara tomada de decsão: desacho económco em ambente de mercado de carbono V.M.F. Mendes(1), J.P.S. Catalão(2), S.J.P.S. Marano(3) e L.A.F.M. Ferrera(4) ISEL (1) -UBI (2, 3) -IST (4) ISEL,

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling NOTAS DE AULA DA DISCIPLINA CE76 4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ µ H : µ µ Nível de sfcâca: α Estatístca do teste: t X µ s/ ~ t Decsão:

Leia mais

Capítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes

Capítulo 2 Estatística Descritiva Continuação. Prof. Fabrício Maciel Gomes Capítulo Estatístca Descrtva Contnuação Prof. Fabríco Macel Gomes Problema Uma peça após fundda sob pressão a alta temperatura recebe um furo com dâmetro especfcado em 1,00 mm e tolerânca de 0,5 mm: (11,75

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

Cartas EWMA VSI Unilaterais Superiores para o Parâmetro de Escala da População Weibull de Mínimos Tri-paramétrica: Que Vantagens?

Cartas EWMA VSI Unilaterais Superiores para o Parâmetro de Escala da População Weibull de Mínimos Tri-paramétrica: Que Vantagens? IV Congresso Anual Socedade Portuguesa de Estatístca Funchal, 9 a 5 de Junho de 996 Cartas EWMA VSI Unlateras Superores para o Parâmetro de Escala da População Webull de Mínmos Tr-paramétrca: Que Vantagens?

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

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011

BC0406 Introdução à Probabilidade e à Estatística Lista de Exercícios Suplementares 3 3 quadrimestre 2011 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares novembro 0 BC0406 Introdução à Probabldade e à Estatístca Lsta de Eercícos Suplementares quadrmestre 0 Além destes eercícos,

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

Física B Semi-Extensivo V. 1

Física B Semi-Extensivo V. 1 Sem-Extensvo V. Exercícos 0) 45 0) D 03) rmára (orque roduz a luz que emte) exe (um conjunto de raos de luz) dvergente (orque os raos dvergem entre s) 04) a) V b) F c) F 05) a) onte secundára b) onte rmára

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

PROVA DE MATEMÁTICA DA UFMG VESTIBULAR 2011 2 a Fase. RESOLUÇÃO: Profa. Maria Antônia Gouveia.

PROVA DE MATEMÁTICA DA UFMG VESTIBULAR 2011 2 a Fase. RESOLUÇÃO: Profa. Maria Antônia Gouveia. PROVA DE MATEMÁTICA DA UFMG VESTIBULAR 0 a Fase Profa Mara Antôna Gouvea PROVA A QUESTÃO 0 Consdere as retas r, s e t de equações, resectvamente, y x, y x e x 7 y TRACE, no lano cartesano abaxo, os gráfcos

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência. MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,

Leia mais

Programa de Certificação de Medidas de um laboratório

Programa de Certificação de Medidas de um laboratório Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS DE REGRESSÃO PARAMÉTRICOS MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da

Leia mais

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard

Estatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja

Leia mais

Estatística I Licenciatura MAEG 2006/07

Estatística I Licenciatura MAEG 2006/07 Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual

Leia mais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais 30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.

Leia mais

CAPÍTULO 2 - Estatística Descritiva

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

Leia mais

3. Estatística descritiva bidimensional

3. Estatística descritiva bidimensional 3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão

Leia mais

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

PROBABILIDADE - CONCEITOS BÁSICOS

PROBABILIDADE - CONCEITOS BÁSICOS ROBBILIDD - CONCITOS BÁSICOS xpermento leatóro é um expermento no qual: todos os possíves resultados são conhecdos; resulta num valor desconhecdo, dentre todos os resultados possíves; pode ser repetdo

Leia mais

2 Esquemas conceituais em lógica de descrição

2 Esquemas conceituais em lógica de descrição 2 Esquemas concetuas em lógca de descrção Lógca de descrção (Descrton Logc LD) [4] é o nome dado ara uma famíla de formalsmos de reresentação de conhecmento. Para modelar um domíno de alcação em LD, rmeramente

Leia mais

CAP. 5. TÉCNICAS DE ORDENAÇÃO

CAP. 5. TÉCNICAS DE ORDENAÇÃO C.. ÉCC D DÇÃ UU D DD C- rof. aulo ndré Castro auloac@ta.br ala rédo da Comutação www.com.ta.br/~auloac C -.. ntrodução.. étodos smles de ordenação.. método hell-ort.. método Quck-ort. DUÇÃ rdenação é

Leia mais

Resumos Numéricos de Distribuições

Resumos Numéricos de Distribuições Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas

Leia mais

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma

Leia mais

MESTRADO EM ENGENHARIA QUÍMICA

MESTRADO EM ENGENHARIA QUÍMICA MESTRADO EM EGEHARIA QUÍMIA SIMULAÇÃO DE PROESSOS QUÍMIOS Aontamentos Teórcos sobre Modelação e Smulação Helder Texera Gomes ESTG-IPB 009/00 ota Introdutóra Estes Aontamentos Teórcos foram elaborados com

Leia mais

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009 Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em

Leia mais

2. VARIÁVEIS ALEATÓRIAS

2. VARIÁVEIS ALEATÓRIAS VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo

Leia mais

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial

5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial 5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de

Leia mais

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS 177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

Proposta de resolução do Exame Nacional de Matemática A 2016 (2 ạ fase) GRUPO I (Versão 1) Logo, P(A B) = = = Opção (A)

Proposta de resolução do Exame Nacional de Matemática A 2016 (2 ạ fase) GRUPO I (Versão 1) Logo, P(A B) = = = Opção (A) Proosta de resolução do Eame Naconal de Matemátca A 0 ( ạ fase) GRUPO I (Versão ). P( A B) 0, P(A B) 0, P(A B) 0, P(A B) 0,4 P(A) + P(B) P(A B) 0,4 Como P(A) 0, e P(B) 0,, vem que: 0, + 0, P(A B) 0,4 P(A

Leia mais

MQCI: MULTIVARIATE QUALITY CONTROL IMPLEMENTATION UM SOFTWARE NA ÁREA DE ESTATÍSTICA INDUSTRIAL INTEGRADO AO SOFTWARE ESTATÍSTICO S-PLUS

MQCI: MULTIVARIATE QUALITY CONTROL IMPLEMENTATION UM SOFTWARE NA ÁREA DE ESTATÍSTICA INDUSTRIAL INTEGRADO AO SOFTWARE ESTATÍSTICO S-PLUS MQCI: MULTIVARIATE QUALITY CONTROL IMPLEMENTATION UM SOFTWARE NA ÁREA DE ESTATÍSTICA INDUSTRIAL INTEGRADO AO SOFTWARE ESTATÍSTICO S-PLUS AUTORES: FERNANDA KARINE RUIZ COLENGHI (**) SUELI APARECIDA MINGOTI

Leia mais

5º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS

5º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS 5º CONGRESSO BRASILEIRO DE ESQUISA E DESENVOLVIMENTO EM ETRÓLEO E GÁS TÍTULO DO TRABALHO: Análse e Controle da Repartda de oços Operando por Injeção Contínua de Gás AUTORES: Carlos Alberto C. Gonzaga,

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

Roteiro-Relatório da Experiência N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR

Roteiro-Relatório da Experiência N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR PROF.: Joaqum Rangel Codeço Rotero-Relatóro da Experênca N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR 1. COMPONENTES DA EQUIPE: ALUNOS 1 2 NOTA Prof.: Joaqum Rangel Codeço Data: / / : hs 2. OBJETIVOS: 2.1.

Leia mais