ALGORITMO GENÉTICO MULTI- OBJETIVO PARA O SEQUENCIAMENTO INTEGRADO DE ATIVIDADES DE PRODUÇÃO E MANUTENÇÃO
|
|
- Renata Borja Lancastre
- 6 Há anos
- Visualizações:
Transcrição
1 ALGORITMO GENÉTICO MULTI- OBJETIVO PARA O SEQUENCIAMENTO INTEGRADO DE ATIVIDADES DE PRODUÇÃO E MANUTENÇÃO Rodrgo Jose Pres Ferrera (UFPE ) rodjpf@gmal.com Joao Marco Soares de Souza Lma Flho (UFPE ) joaomarco2408@hotmal.com Eduarda Asfora Frej (UFPE ) eduarda.asfora@ufpe.br Modelos de plaejameto da produção (ou producto schedulg) podem auxlar a tomada de decsão sobre a sequêca de atvdades a ser realzada em um sstema de produção, otmzado determados objetvos. Etretato, apesar de haver umaa relação terdepedete etre este processo e o plaejameto de mauteção prevetva, estes são frequetemete tratados de modo cofltate. O presete artgo propõe um modelo mult-objetvo para o problema tegrado de plaejameto de produção e mauteção prevetva para sstemas de uma úca máqua (sgle mache), cosderado duas fuções objetvo: mmzar o atraso esperado poderado e o custo de mauteção. Como o espaço de soluções deste problema é elevado, um algortmo geétco mult-objetvo é proposto para ecotrar soluções da frotera de Pareto. Um cojuto de smulações para 7 atvdades é lustrada e demostra que o algortmo fo capaz de ecotrar soluções com uma dstâca méda feror a 1% das soluções ótmas obtdas por meo de um método exaustvo. Palavras-chaves: Programação da produção; plaejameto da mauteção, algortmo geétco, multcrtéro
2 1. Itrodução Segudo Pedo (2012), problemas de schedulg se relacoam com a alocação de recursos lmtados, ao logo do tempo, para realzar tarefas, de modo que satsfaça objetvos estabelecdos. Vale ressaltar o amplo sgfcado de recursos, que podem ser ferrametas, materas, máquas, eerga, e outros. Além dsso, há város objetvos, como mmzar o tempo de coclusão da últma atvdade, ou o atraso ou o úmero de atvdades atrasadas. Etretato, as máquas estão sujetas a falhas, o que pode afetar o sstema de produção cosderavelmete. Segudo Aghezzaf e Najd (2008), estas falhas resultam em altos custos e comprometem a qualdade dos produtos. Portato, percebe-se a mportâca do plaejameto da mauteção para obteção de meor custo e maor qualdade. Geralmete, a programação da produção e o plaejameto de mauteção são tratados separadamete, o que ão traz resultados satsfatóros a prátca. Uma hpótese muto comum utlzada esse cotexto cosdera que as máquas estão sempre dspoíves, ou seja, ão estão sujetas a falhas (ALLAOUI et al. 2008). Porém, uma programação da produção adequada que está mmamete sujeto a replaejametos e terrupções devdo a falhas, é capaz de atgr seus objetvos estratégcos. Portato, percebe-se que a tegração etre a produção e a mauteção se faz ecessára (ÁNGEL-BELLO et al. 2011). Ecotra-se a lteratura estudos que propõem a tegração do problema tegrado. Graves e Lee (1999) apresetaram um problema tegrado para um sstema sgle mache com a possbldade de uma úca atvdade de mauteção e objetvo de mmzar o tempo total poderado de coclusão das atvdades. Lee e Che (2000) estederam esta pesqusa para máquas paralelas. Q et al. (1999) apresetaram o problema em um sstema sgle mache, cosderado a possbldade de múltplas terveções de mauteção prevetva, mas sem clur explctamete o rsco de ão realzá-las. Cassady e Kutaoglu (2003) apresetaram um problema em um sstema sgle mache, cosderado possíves múltplas terveções de mauteção prevetva e o rsco de ão realzá-las. Eles apresetaram um modelo capaz de obter uma redução de 30% o atraso total 2
3 poderado quado comparado com modelos de cada fução objetvo soladamete. Yula et al. (2008) utlzou um algortmo geétco para solucoar um problema tegrado em um ambete sgle mache com cco fuções objetvo. Morad (2011) estedeu os cohecmetos de problema tegrado, aalsado em um sstema jobshop flexível. Wag e Lu (2013) desevolveram um algortmo brach-ad-boud para um problema sgle mache de mmzação do tempo total poderado de coclusão das atvdades, e obteve resultados satsfatóros para ceáros com até 18 atvdades. Este artgo propõe um modelo matemátco que trata o coflto das fuções mauteção e produção levado em cosderação dos objetvos a serem otmzados smultaeamete, mmzar o custo da mauteção e o atraso esperado poderado. É proposto também um algortmo geétco mult-objetvo para auxlar o processo de busca de soluções da frotera de pareto. 2. Modelagem matemátca Supõe-se que exste um certo úmero de atvdades a serem programadas em uma úca máqua em um sstema de produção. Cada atvdade tem um tempo de processameto, prazo, e uma mportaca relatva que é medda por um peso. Além da programação de produção, supõe-se que este equpameto pode ão estar dspoível devdo a mauteção prevetva ou reparos devdo a falhas. Estas característcas mplcam coflto etre os objetvos de produção e mauteção. Cosderado que o objetvo da fução produção pode estar relacoado a mmzar o atraso das atvdades cocludas, o objetvo da fução mauteção pode estar relacoado a mmzar as perdas de tempo por ações de mauteção desecessáras caracterzadas prcpalmete pelo custo esperado de mauteção. Para estmar o custo esperado de mauteção, presume-se que o tempo até a falha desta máqua é goverada por uma dstrbução de probabldade Webull como sugerdo por Sortrakul & Cassady (2007). As substtuções devem ser recomedadas quado o custo esperado de substtução é feror à espera de outra oportudade para evtar o rsco de possíves falhas futuras, com base a probabldade estmada de falha durate as atvdades. Coforme defdo por Sortrakul & Cassady (2007) atvdades ão podem ser terrompdas por atvdades de mauteção prevetva. 3
4 As varáves de decsão báscas a serem otmzadas são: a seqüêca das atvdades a serem realzadas, e os mometos de ações de mauteção prevetva com o objetvo de mmzar o atraso esperado poderado total e custo de mauteção prevsta. As hpoteses assumdas pelo modelo são que apeas uma falha pode ocorrer durate o processameto de uma atvdade. A probabldade de mas do que uma falha ocorrer durate uma atvdade é assumda como sedo gual a zero. Se ocorrer uma falha, em seguda, a reparação é feta medatamete. A reparação míma é feta para restaurar a máqua de volta à sua codção operacoal sem alterar sua dade efetva e exste um tempo fxo para reparar quado ocorre uma falha. Assume-se também que a taxa de falha da máqua aumeta ao logo do tempo, o que justfca a mauteção prevetva. As atvdades podem ser terrompdas por falhas e podem ser retomadas após a reparação, sem qualquer pealzação adcoal o seu tempo de processameto. A mauteção prevetva restaura a máqua para um estado "tão bom quato ovo". Exste um tempo fxo para realzar a mauteção prevetva. E recursos, tas como a equpe de reparos e peças sobressaletes, estão protamete dspoíves. Quato à estrutura de custos, exste um custo de mauteção prevetva quado a máqua for reparada prevetvamete e exste um custo de reparos após falhas quado um tem é reparado corretvamete. Este custo clu coseqüêcas devdo a falhas. Assume-se que o custo da mauteção corretva é maor do que o custo de mauteção prevetva. A otação utlzada este artgo é apresetada a Tabela 1. Tabela 1 - Notação das varáves do modelo Quatdade de atvdades a serem programadas p j Tempo de processameto da atvdade j (j = 1,, ). d j Prazo da atvdade j (j = 1,, ). w j Importâca relatva (peso) da atvdade j (j = 1,, ). x j Varável de decsão bára quado a -ésma atvdade processada é a atvdade j ( = 1, 2,..., ; j = 1, 2,... ). p [] Tempo de processameto da -ésma atvdade processada ( = 1,, ). d [] Prazo da -ésma atvdade processada ( = 1,, ). w [] Peso da -ésma atvdade processada ( = 1,, ). c [] Tempo de coclusão da ésma atvdade processada ( = 1,, ). C [] Varável aleatóra tempo de coclusão da -ésma atvdade realzada ( = 1,, ). [] Atraso da -ésma atvdade realzada ( = 1,, ). [] Varável aleatóra de atraso da -ésma atvdade realzada ( = 1,, ). Parâmetro de forma da dstrbução de Webull. Parâmetro de escala da dstrbução de Webull. 4
5 a [] Idade da máqua medatamete após coclur a -ésma atvdade. a Idade da máqua medatamete ates de processar a -ésma atvdade. y [] [ 1] [] t p t r Cm [] c b c a Varável bára de decsão quado a mauteção prevetve é realzada ates da -ésma atvdade ( = 1,, ). Probabldade de falha da máqua durate o processameto da -ésma atvdade ( = 1,, ). Duração da ação da mauteção prevetva. Duração do reparo das máquas após falha. Varável aleatóra do custo total de mauteção da -ésma atvdade processada ( = 1,, ). Custo da ação da mauteção prevetva. Custo do reparo (em caso de falha) de máquas. Fote: Os autores Como defdo por Cassady e Kutaoglu (2003), a dade da máqua medatamete após processar a -ésma atvdade, a [], e medatamete ates do processameto da -ésma atvdade, a [ 1], podem ser calculadas pelas equações (1) e (2): a[ 1] a[ 1] ( 1 y[ ] ) 1,2,..., (1) a[ ] a[ 1] p[ ] 1,2,..., (2) A probabldade de falha a máqua durate a -ésma atvdade, [], é determada, usado a dstrbução de probabldade de Webull, pelas equações (3) e (4). A probabldade complemetar de [] é [], defda pela equação (5): [ ] ( [ 1] [ 1] [ 1] [ 1] F p[ ] a a ) Pr{ T p[ ] a T a } (3) [ ] p[ ] a 1 exp [ 1] a[ 1] (4) [ ] 1 [ ] 1,2,..., (5) Seja C [] a varável aleatóra do tempo de coclusão da -ésma atvdade processada, etão: C[ ] t p y[ p[ M[ ] 1,2,..., l1 l1 (6) Em que M [] é uma varável aleatóra dscreta que pode assumr +1 valores múltplos de t r, a partr do produto de k e t r (k=0, 1,..., ). Seja N = {1, 2,..., } e N,k um subcojuto de N cotedo k elemetos. Obtém-se a fução desdade de probabldade por: [, k ] Pr{ M[ ] ktr} [ [ k 0,1,..., (7) N, k ln, k ln, k 5
6 Seja c [,k] o tempo de coclusão e [,k] o atraso da -ésma atvdade processada com k falhas até a coclusão da -ésma atvdade, temos: c[, k ] t p y[ p[ ktr k 0,1,..., ; 1,..., l1 l1 (8) [, k] max( 0, c[, k] d[ ] ) k 0,1,..., ; 1,..., (9) O modelo matemátco fo desevolvdo a fm de mmzar duas fuções objetvo. Seja F 1 o atraso esperado poderado, e F 2 o custo total esperado de mauteção, temos: Mmzar Mmzar subjeto a j1 1 x x F ( x, y ) F ( x, y ) x, y {0,1} 1,2,...,, j j j ,2,..., 1 j 1,2,..., j j 1 1 w [ ] E( E( Cm [ ] [ ] ) ) (10) j 1,2,..., O valor da prmera fução objetvo para uma dada solução pode ser calculada utlzado a equação (11), tal como sugerdo por Cassady & Kutaoglu (2003): E( [ ] ) [, k] [, k ] k 0,1,..., ; 1,..., (11) k 0 O valor da seguda fução objetvo pode ser calculada usado as equações (12) e (13): cm[, k] cb y[ ca k k 0,1,..., ; 1,..., l1 (12) E( Cm[ ] ) cm[, k ] [, k ] k 0,1,..., ; 1,..., (13) k 0 3. Algortmo geétco mult-objetvo 6
7 De acordo com a Deb (2001), a aplcação de otmzação evolucoára mult-objetvo em problemas de schedulg mult-objetvo tem recebdo muto meos ateção em comparação com algortmos evolucoáros para os problemas de schedulg com um úco objetvo. Algortmos geétcos, quado aplcados a problemas de schedulg, as possíves programações da produção são vstas como dvíduos ou membros de uma população. Cada dvíduo é caracterzado por seu ftess. O ftess de um dvíduo é meddo pelo valor assocado da fução objetvo. O algortmo fucoa de forma teratva, e cada teração é referda como geração. A população de uma geração é composta por sobrevvetes da geração ateror, mas os ovos dvduos, ou seja, os descedetes (flhos) da geração ateror. O tamaho da população geralmete permaece costate de uma geração para a segute. Os flhos são gerados pela reprodução e mutação de dvíduos que fazam parte da geração ateror (os pas). Os dvíduos são, por vezes, também cohecdos como cromossomos (PINEDO, 2012). As característcas do algortmo geétco mult-objetvo mplemetado são descrtos em seguda A represetação dos cromossomos Neste trabalho, um cromossomo é composto por dos sub-cromossomos. O prmero cotém as formações sobre a seqüêca de atvdades em uma úca máqua, e o segudo cotém a decsão de realzar a mauteção prevetva esta máqua ates que a -ésma atvdade a seqüêca. Esta otação é também usada por Sortrakul & Cassady (2007). Por exemplo, para o problema de três atvdades, o cromossomo da sequêca de atvdades podera ser {3 1 2} e o cromossomo de mauteção prevetva {1 0 1} Estratéga de reprodução, crossover e mutação Em um problema com dos objetvos, exstem dos valores a serem otmzados smultaeamete. Váras estratégas podem ser defdas, a fm de escolher os dos pas para um processo de reprodução. Neste artgo, a defção de város íves de soluções ãodomadas é apresetada. Com este cálculo, uma solução do cojuto de prmero ível de soluções ão-domadas é escolhda para combar com outra solução selecoada 7
8 aleatoramete a partr da população. Recomeda-se que os ovos flhos devem substtur os dvíduos a partr dos últmos íves de soluções ão-domadas. O crossover C1, como explcado em Reeves (1995) é mplemetado o cromossomo da sequêca de atvdades e o crossover de um poto é aplcado ao cromossomo báro que codfca as decsões de mauteção prevetva. As operações de crossover são executadas em ambos os cromossomos em cada geração. Embora, uma mutação shft é proposta para mutar a sequêca das soluções de programação da produção, uma mutação de um poto é proposta para soluções de mauteção prevetva. Uma elevada probabldade fxa de mutação é recomedada como sugerdo por Reeves (1995) e Sortrakul & Cassady (2007) Tamaho da população, população cal e crtéro de parada Reeves (1993) relatarou que mutos autores sugerem que o tamaho da população tão pequea como 30 membros é sufcete para produzr resultados satsfatóros. Portato, uma população de 30 cromossomos é usada este artgo. Neste estudo, a população cal é escolhda aleatoramete e as heurístcas termam quado ml gerações são avaladas. 4. Aplcação umérca Um exemplo umérco fo desevolvdo a fm de avalar a compatbldade do modelo e a efcêca do algortmo geétco mult-objetvo proposto. Foram desevolvdos 10 ceáros com 7 atvdades, que se dferecam a partr dos valores do tempo de processameto, p j, o prazo, d j, e a mportâca relatva, w j. Os valores dos dados de smulação e os parâmetros são apresetados a Tabela 2 e Tabela 3. Tabela 2 - Dados da smulação e os parâmetros do modelo t p t r c b c a 7 atvdades das 82 das 5 das 15 das US$ US$ Fote: Os autores Tabela 3 - Dados da smulação para 10 ceáros Ceáro 1 Ceáro 2 Ceáro 3 Ceáro 4 Ceáro 5 j p j d j w j p j d j w j p j d j w j p j d j w j p j d j w j 8
9 Ceáro 6 Ceáro 7 Ceáro 8 Ceáro 9 Ceáro 10 j p j d j w j p j d j w j p j d j w j p j d j w j p j d j w j Fote: Os autores O espaço de soluções em um dos ceáros possu 5040 (7!) soluções para a programação da produção e 128 (2 7 ) possíves decsões de mauteção prevetva. Logo, exstem possíves soluções para o problema tegrado com 7 atvdades como lustrado a Fgura 1. Fgura 1 - Espaço objetvo de soluções para o ceáro 10 Fote: Os autores A efcêca do algortmo geétco fo avalada a partr da comparação etre os resultados obtdos por este e as sequêcas que se ecotram a frotera de Pareto (soluções ão 9
10 domadas) obtdas por meo de forma extesva, ode todas as possíves soluções foram avaladas. Embora o algortmo geétco teha cosegudo ecotrar apeas 18 soluções de pareto das 271 do modelo exaustvo dos 10 ceáros avalados, a dstâca méda dos potos da frotera de pareto do algortmo geétco fo de apeas 0,97% em relação aos potos da frotera de pareto do método exaustvo, o que demostra um desempeho satsfatóro. A dstâca etre as soluções obtdas pelo algortmo geétco e as soluções ão domadas pode ser aalsada a Fgura 2, a Fgura 3 e a Fgura 4. O tempo computacoal para 1000 terações do algortmo geétco mult-objetvo durou em méda 50 segudos em comparação com 480 segudos (8 mutos), utlzado o método exaustvo. Verfcou-se que os dvíduos gerados aleatoramete evoluíram para soluções ão-domadas quase 10 vezes mas rápdo do que pelo método exaustvo para um problema com 7 atvdades. O computador utlzado para as smulações realzadas tha um processador: Itel(R) Core(TM) CPU, 3.30GHz, memóra stalada (RAM): 4,00 GB, e sstema operacoal Wdows 7 de 64 Bts. Fgura 2 - Gráfco das soluções obtdas pelo algortmo geétco e método exaustvo Fote: Os autores 10
11 Fgura 3 - Gráfco das soluções obtdas pelo algortmo geétco e método exaustvo Fote: Os autores Fgura 4 - Gráfco das soluções obtdas pelo algortmo geétco e método exaustvo 11
12 Fote: Os autores 5. Coclusões O modelo tegrado proposto este artgo pode muto bem ser de teresse para a dústra, a fm de tratar as ecessdades de produção e mauteção que levam em cota dos objetvos cofltates relacoados a atraso de atvdades e custo de mauteção da programação. Um cojuto de dez smulações para 7 atvdades demostrou que o algortmo fo capaz de ecotrar soluções com uma dstâca méda feror a 1% das soluções ótmas obtdas por meo de um método exaustvo. Embora o algortmo geétco mult-objetvo precse ser avalado e testado com um maor úmero de smulações, os resultados dcam que o algortmo tem potecal para uso, coforme lustrado a aplcação umérca. 12
13 A escolha de um método mult-objetvo aproprado, a fm de recomedar apeas uma das soluções do cojuto de Pareto, é uma tarefa desafadora para futuras pesqusas. REFERÊNCIAS AGHEZZAF, E; NAJID, N. M.. Itegrated Producto Plag ad Prevetve Mateace Deteroratg Producto Systems. Iformato Sceces : (2008). ALLAOUI, H. et al. Smultaeously Schedulg Jobs ad the Prevetve Mateace o the Two-mache Flow Shop to Mmze the Makespa. Iteratoal Joural of Producto Ecoomcs 112: (2008). ÁNGEL-BELLO, F. et al. A Heurstc Approach for a Schedulg Problem wth Perodc Mateace ad Sequece-depedet Setup Tmes. Computers & Mathematcs wth Applcatos 61: (2011). CASSADY, C R.;KUTANOGLU, E.. Mmzg Job Tardess Usg Itegrated Prevetve Mateace Plag ad Producto Schedulg. IIE Trasactos 35: (2003). DEB, K. Mult-objectve Optmzato Usg Evolutoary Algorthms. Chchester, U.K.: Wley (2001) GRAVES, G. H.; LEE, C.. Schedulg Mateace ad Semresumable Jobs o a Sgle Mache. Naval Research Logstcs 46.7: (1999). LEE, C.Y; CHEN, Z.L. Schedulg Jobs ad Mateace Actvtes o Parallel Maches. Naval Research Logstcs 47: (2000). MORADI, E.; GHOMI, S.M.T.F.; ZANDIEH, M. B-objectve optmzato research o tegrated fxed tme terval prevetve mateace ad producto for schedulg flexble job-shop problem. Expert Systems wth Applcatos, 38(6), (2011). PINEDO, M. L. Schedulg: Theory, Algorthms, ad Systems. New York: Sprger. (2012). QI, X.; CHEN, T; TU, F. Schedulg the Mateace o a Sgle Mache. Joural of the Operatoal Research Socety 50.10: (1999). REEVES, C.R., Geetc algorthms, Reeves, C.R. (Ed.), Moder Heurstc Techques for Combatoral Problems, Joh Wley & Sos, New York, NY, pp (1993) REEVES, C.R., A geetc algorthm for flowshop sequecg, Computers & Operatos Research, Vol. 22 No. 1, pp (1995) SORTRAKUL, N.; CASSADY, C. R. Geetc Algorthms for Total Weghted Expected Tardess Itegrated Prevetve Mateace Plag ad Producto Schedulg for a Sgle Mache. Joural of Qualty Mateace Egeerg 13.1: (2007). WANG, S.; LIU, M. A Brach ad Boud Algorthm for Sgle-mache Producto Schedulg Itegrated wth Prevetve Mateace Plag. Iteratoal Joural of Producto Research 51.3: (2013). YULAN, J.; ZUHUA, J.; WENRUI, H. Mult-objectve Itegrated Optmzato Research o Prevetve Mateace Plag ad Producto Schedulg for a Sgle Mache. The Iteratoal Joural of Advaced Maufacturg Techology : (2008). 13
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 mais1) Planejamento da Produção - Modelos de dimensionamento de lotes (lot sizing)
Departameto de Egehara de Produção UFPR 28 1) Plaeameto da Produção - Modelos de dmesoameto de lotes (lot szg) É cohecdo horzote de plaeameto T, dvddo em períodos; demada (geralmete varável) de cada tem
Leia maisConfiabilidade 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 maisEstatística: 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 maisInterpolação. 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 mais5 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 mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisCap. 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 maisEconometria: 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 maisMAE0229 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 maisMEDIDAS 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 maisFaculdade 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 maisMÓDULO 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 maisDistribuições 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 maisAtividades 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 maisRegressão 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 maisCentro 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 maisProjeto de rede na cadeia de suprimentos
Projeto de rede a cadea de suprmetos Prof. Ph.D. Cláudo F. Rosso Egehara Logístca II Esboço O papel do projeto de rede a cadea de suprmetos Fatores que fluecam decsões de projeto de rede Modelo para decsões
Leia mais2. 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 maisDifusão 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 maisMaterial Teórico - Módulo de MATEMÁTICA FINANCEIRA. Financiamentos. Primeiro Ano do Ensino Médio
Materal Teórco - Módulo de MATEMÁTICA FINANCEIRA Facametos Prmero Ao do Eso Médo Autor: Prof Fracsco Bruo Holada Autor: Prof Atoo Camha Muz Neto 20 de agosto de 2018 1 Itrodução Neste materal, remos aplcar
Leia mais6.1 - 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 maisDistribuições 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 maisx 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 maisESTATÍSTICA 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 maisSumário. 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 maisCapitulo 1 Resolução de Exercícios
S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes
Leia mais7 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 maisRelatório 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 maisAlgoritmo Evolução Diferencial Adaptado para o Problema das P-Medianas
Proceedg Seres of the Brazla Socety of Appled ad Computatoal Mathematcs, Vol. 2, N., 204. Trabalho apresetado o CMAC-Sul, Curtba-PR, 204. Algortmo Evolução Dferecal Adaptado para o Problema das P-Medaas
Leia maisInferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Iferêca Estatístca e Aplcações I Edso Zagacom Martez Departameto de Medca Socal FMRP/USP edso@fmrp.usp.br Rotero Parte I Escola frequetsta Defções: parâmetros, estmatvas Dstrbuções de probabldade Estmação
Leia maisREGRESSÃO 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 maisMacroeconometria 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 maisÉ 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? 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 mais1. 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 maisEm 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 maisHIDROLOGIA 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 maisDISTRIBUIÇÃO 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 maisMétodos 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 maisTeoria 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 maisESTATÍSTICA 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 mais4 Técnicas de Seleção de Características Independentes do Modelo para os Sistemas Neuro-Fuzzy Hierárquicos
4 éccas de Seleção de Característcas Idepedetes do Modelo para os Sstemas Neuro-Fuzzy Herárqucos 4. Itrodução Na maora das aplcações reas de classfcação, prevsão e otmzação, as bases de dados cotém um
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Recohecmeto de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superor de Tecologa Egehara Iformátca Recohecmeto de Padrões Prof. João Asceso e Prof. Aa Fred Sumáro:
Leia maisModelo 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 maisMédia. 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 maisArquitetura da ART Controle 1 Controle 2
Teora de Ressoâca Adaptatva - ART Arqutetura da ART Cotrole Cotrole 2 Desevolvda por Carpeter e Grossberg como uma alteratva para resolver o dlema establdade-plastcdade (rede ão aprede ovos padrões). Realme
Leia maisGRUPO XII ASPECTOS TÉCNICOS E GERENCIAIS DE MANUTENÇÃO EM INSTALAÇÕES ELÉRTICAS - GMI
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GMI - 5 6 a Outubro de 5 Curtba - Paraá GRUPO XII ASPECTOS TÉCNICOS E GERENCIAIS DE MANUTENÇÃO EM INSTALAÇÕES ELÉRTICAS - GMI APLICAÇÃO
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisAvaliação 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 maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia maisCAPÍTULO 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 maisBruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação
Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;
Leia mais1. Revisão Matemática
1. Revsão Matemátca Dervadas Seja a fução f : R R, fxe x R, e cosdere a expressão : f ( x+ αe ) lmα 0 α f, ode e é o vector utáro. Se o lmte acma exstr, chama-se a dervada parcal de f o poto x e é represetado
Leia maisIntrodução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares
Itrodução à Teora dos Números 018 - Notas 1 Os Prcípos da Boa Ordem e de Idução Fta Prof Carlos Alberto S Soares 1 Prelmares Neste curso, prortaramete, estaremos trabalhado com úmeros teros mas, quado
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO UNIVERSITÁRIO NORTE DO ESPÍRITO SANTO DEPARTAMENTO DE ENGENHARIAS E TECNOLOGIA Plano de Ensino
Plao de Eso Uversdade Federal do Espírto Sato Campus: São Mateus Curso: Egehara de Produção Departameto Resposável: Departameto de Egeharas e Tecologa Data de Aprovação (Art. º 91): Docete resposável:
Leia maisEstudo 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 mais16/03/2014. 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 maisProfessor 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 maisTécnicas Não Paramétricas
Téccas Não Paramétrcas de Estmação de Desdade Reata Cardoso e Fracsco Carvalho Coteúdo Itrodução 2 Hstograma 3 Estmação da desdade 4 Jaelas de Parze Em mutos problemas prátcos As abordages de estmação
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
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 sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisProbabilidades e Estatística
Departameto de Matemátca robabldades e Estatístca LEAN, LEE, LEGI, LERC, LMAC, MEAer, MEAmb, MEBol, MEEC, MEMec 2 o semestre 20/202 2 o Teste B 08/06/202 :00 Duração: hora e 30 mutos Justfque coveetemete
Leia maisEstatística - 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 maisForma 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 maisANÁLISE 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 maisControle 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 maisTESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL
TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL As hpóteses a serem testadas serão: H 0 : p p 0 H : p p 0 p > p 0 p < p 0 Estatístca do Teste: pˆ p0 z c p ( p ) 0 0 EXEMPLOS. Uma máqua está regulada
Leia maisI Seminário da Pós-graduação em Engenharia Elétrica
MÉTODO PRIMAL-DUAL DE PONTOS INTERIORES EM PROBLEMAS DE DESPACHO ECONÔMICO COM RESTRIÇÃO AMBIENTAL Améla de Lorea Staza Alua do Programa de Pós-Graduação em Egehara Elétrca Uesp Bauru Prof. Dr. Atôo Roberto
Leia maisProblema de roteirização de veículos com entregas fracionadas: revisão da literatura
XIII SIMPEP Bauru, SP, Brasl, 06 a 08 de Noembro de 2006 Problema de roterzação de eículos com etregas fracoadas: resão da lteratura Patríca Prado Belfore (Cetro Uerstáro da FEI) patrca.belfore@fe.edu.br
Leia maisCapítulo 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 maisALGORITMO GENÉTICO POR CADEIA DE MARKOV HOMOGÊNEA VERSUS NÃO-HOMOGÊNEA: UM ESTUDO COMPARATIVO
Revsta del Isttuto Chleo de Ivestgacó Operatva 2(202) 30-35 30 ALGORITMO GENÉTICO POR CADEIA DE MARKOV HOMOGÊNEA VERSUS NÃO-HOMOGÊNEA: UM ESTUDO COMPARATIVO V.S.M. Campos, A.G.C. Perera 2, L.A.Carlos 3
Leia mais2.0 - MODELAGEM DA CARGA
GAT-23 2 a 26 de ubro de 2 Campas - São Paulo - Brasl G R U P O I V GRUPO DE ESTUDO DE ANÁLISE E TÉCNICAS DE SISTEMAS DE POTÊNCIA GAT RESERVA DE POTÊNCIA OPERATIVA - UMA METODOLOGIA DE TRANSIÇÃO A. A.
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisProf. 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 maisSumário. 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 maisDIMENSIONAMENTO BÁSICO DE CENTRAIS VIA SIMULAÇÃO DE TRÁFEGO TELEFÔNICO
DIMESIOMETO ÁSICO DE CETRIS VI SIMULÇÃO DE TRÁFEGO TELEFÔICO Cleber Lopes de Lma, Jocvaldo tecourt da Luz e Sadro rtur de Carvalho Duarte Clauberto do Satos Ferrera Vdal Isttuto de Estudos Superores da
Leia mais50 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 maisESTATÍSTICA 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 mais4 Métodos de Estimação da Entropia e da Informação Mútua
4 Métodos de Estmação da Etropa e da Iformação Mútua A estmação da etropa e da formação mútua, evolvedo apeas varáves aleatóras dscretas, é smples, com aplcação dreta da defção de Shao. No etato, quado
Leia maisMEDIDAS 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 maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
XLVI Pesqusa Operacoal a Gestão da Seguraça Públca DISPOSIÇÃO DE FACILIDADES EM FILA DUPLA VIA PROGRAMAÇÃO INTEIRA MISTA Leoardo D. Secch Departameto de Matemátca Aplcada, UFES, 29932-540, São Mateus,
Leia maisTabela 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 maisComo CD = DC CD + DC = 0
(9-0 www.eltecampas.com.br O ELITE RESOLVE IME 008 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO Determe o cojuto-solução da equação se +cos = -se.cos se + cos = se cos ( se cos ( se se.cos cos + + = = (
Leia maisa) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.
Questão : As otas de dez aluos, um exame, estão dadas a segur:, 5, 8, 3, 6, 5, 8, 7, 6, 0 O desvo médo e a varâca dessas otas podem ser expressos, respectvamete, por: a),8 e 4,6 b),0 e, c),8 e 5, d),0
Leia mais(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 maisOrganização; 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 maisRevisão 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 maisAvaliação de Empresas Profa. Patricia Maria Bortolon
Avalação de Empresas MODELO DE DIVIDENDOS Dvdedos em um estáo DDM Dscouted Dvded Model Muto utlzados a precfcação de uma ação em que o poto de vsta do vestdor é extero à empresa e eralmete esse vestdor
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisCONHECIMENTOS 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 maisO delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.
Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem
Leia mais2 Procedimentos para Ajuste e Tratamento Estatístico de Dados Experimentais
48 Procedmetos para Ajuste e Tratameto Estatístco de Dados Expermetas. Itrodução Modelos matemátcos desevolvdos para descrever eômeos íscos a partr de observações expermetas devem ser baseados em dados
Leia maisApêndice 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 maisAnálise Exploratória de Dados
Aálse Eploratóra de Dados Objetvos Aálse bvarada: uma varável qualtatva e uma quattatva: represetar grafcamete as duas varáves combadas; defr e calcular uma medda de assocação etre as varáves. Eemplo 1
Leia maisCursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade
Celso Albo FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhaguee, Av. de Moçambque, km, Tel: +258 240078, Fax: +258 240082, Maputo Cursos de Lcecatura em Eso de Matemátca
Leia maisConstrução 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 mais2. 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 maisEconomias de Escala e Eficiência Econômica na Produção de Laranja no Estado de São Paulo 1,2
pága Ecoomas de Escala e Efcêca Ecoômca a Produção de Laraja o Estado de São Paulo 1, Marcelo José Carrer 3 e Hldo Merelles de Souza Flho 4 Resumo: Esse trabalho teve como objetvos vestgar a exstêca de
Leia maisCaracterização 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 maisCADERNO 1 (É permitido o uso de calculadora gráfica.)
Proposta de teste de avalação [mao 09] Nome: Ao / Turma: N.º: Data: - - Não é permtdo o uso de corretor. Deves rscar aqulo que pretedes que ão seja classfcado. A prova clu um formuláro. As cotações dos
Leia mais